Redux Toolkit中使用combineSlices与RTK Query的注意事项
背景介绍
在使用Redux Toolkit开发应用时,开发者经常会遇到需要将RTK Query与状态管理相结合的场景。特别是当应用需要实现撤销/重做功能时,如何正确处理RTK Query的状态就成为一个关键问题。
核心问题
在Redux Toolkit中,当开发者尝试将RTK Query生成的API与redux-undo这样的撤销库结合使用时,容易出现"Error: No data found at state.api"的错误。这是因为RTK Query期望其状态直接存储在根状态下的api属性中,而redux-undo等库会改变状态结构。
问题根源
RTK Query生成的API中间件和hooks都假设API状态位于state.api路径下。如果使用redux-undo这样的库包装整个根reducer,状态结构会变为state.present.api,导致RTK Query无法找到预期的状态位置。
解决方案
1. 避免全局包装
最直接的解决方案是避免使用redux-undo包装整个根reducer。因为RTK Query的状态不应该被撤销/重做,它管理的是缓存数据而非应用状态。
2. 选择性包装
如果需要实现部分状态的撤销功能,应该只对特定的slice进行包装,而不是整个根reducer。可以创建一个工具函数来帮助实现这一点:
function undoableSlice(slice) {
return undoable(slice.reducer, {
// 配置选项
});
}
const rootReducer = combineReducers({
api: api.reducer,
undoableSlice: undoableSlice(someSlice),
// 其他reducers
});
3. 状态结构调整
如果已经使用了全局包装,需要调整代码以适应新的状态结构。这意味着所有访问状态的代码都需要从state.api改为state.present.api。这种方法虽然可行,但不推荐,因为它增加了代码的复杂性。
最佳实践
-
分离缓存状态与应用状态:RTK Query管理的API状态本质上是缓存,不应该与应用状态混为一谈。
-
精细控制撤销范围:只对那些真正需要撤销功能的状态应用undoable包装。
-
保持RTK Query状态结构:确保RTK Query的状态始终位于根状态的
api属性下,避免中间件和hooks失效。
实施建议
对于新项目,建议从一开始就规划好状态结构,明确哪些状态需要撤销功能。对于已有项目,如果已经使用了全局包装,可以考虑逐步重构,将RTK Query状态移出undoable包装范围。
总结
在Redux Toolkit生态中,RTK Query是一个强大的数据获取和缓存工具,而redux-undo等库提供了有用的状态管理功能。理解它们各自的状态结构需求,合理设计应用架构,才能充分发挥它们的优势,避免常见的陷阱。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00