True Myth项目发布v8.5.0:新增任务重试功能
True Myth是一个专注于提升TypeScript代码安全性的库,它提供了Maybe、Result和Task三种核心类型,分别用于优雅地处理null/undefined值、同步错误以及异步操作。这些类型的设计理念借鉴了函数式编程范式,能够帮助开发者编写更健壮、更易维护的代码。
在最新发布的v8.5.0版本中,True Myth为Task类型新增了一个强大的功能——withRetries方法,这使得处理可能失败的异步操作变得更加简单和可靠。这个功能的灵感来源于Rust语言的retry crate,为TypeScript开发者带来了类似的便利性。
Task.withRetries的核心功能
withRetries方法的核心价值在于它为异步操作提供了自动重试机制。在日常开发中,网络请求、数据库操作等异步任务经常会因为各种临时性问题(如网络波动、服务短暂不可用等)而失败。传统的手动重试逻辑往往会使代码变得冗长且难以维护,而withRetries则提供了一种声明式的解决方案。
该方法的基本用法非常简单:
const fetchTask = Task.withRetries(
() => Task.fromPromise(fetch('https://api.example.com/data'))
);
这个例子会尝试执行fetch请求,如果失败会自动重试最多3次(默认重试次数)。
高级配置与定制
withRetries的真正强大之处在于它的高度可定制性。开发者可以根据具体需求调整重试行为:
-
重试策略配置:True Myth提供了多种内置的重试间隔策略,包括:
- 指数退避(exponential)
- 斐波那契间隔(fibonacci)
- 固定间隔(fixed)
- 立即重试(immediate)
- 线性增长(linear)
- 无间隔(none)
-
状态感知:重试回调函数会接收一个状态对象,包含当前重试次数和已用时间等信息,开发者可以根据这些信息实现更智能的重试逻辑。
-
手动终止:在任何时候都可以通过
stopRetrying()函数主动终止重试过程。
实际应用示例
下面是一个结合了多种高级特性的实际示例:
import * as Task from 'true-myth/task';
import * as Delay from 'true-myth/task/delay';
const fetchWithRetries = Task.withRetries(
({ count, elapsed }) => {
if (elapsed > 5000) { // 超过5秒则放弃
return Task.stopRetrying(`Operation timed out after ${elapsed}ms`);
}
return Task.fromPromise(fetch('https://api.example.com/data'))
.orElse((error) => {
const wrappedError = new Error(`Attempt ${count} failed`, { cause: error });
return Task.reject(wrappedError);
});
},
Delay.exponential({ factor: 2 }).take(5) // 指数退避,最多5次重试
);
技术实现细节
在底层实现上,withRetries巧妙地利用了JavaScript的迭代器协议。重试间隔策略实际上就是生成间隔时间的迭代器,这使得它可以与ES2025的Iterator Helpers无缝配合。即使在不支持最新标准的运行环境中,开发者仍然可以通过生成器函数来实现类似的功能。
值得注意的是,该方法对时间处理采取了务实的态度。由于JavaScript运行时对定时器的执行时间不能提供精确保证,elapsed参数的值可能会略大于理论上的累计等待时间,这种设计避免了开发者对定时精度产生不切实际的期望。
最佳实践建议
-
对于简单的重试场景,直接使用默认配置即可获得良好的效果。
-
对于关键业务操作,建议结合指数退避策略和抖动(jitter)来避免重试风暴。
-
始终考虑设置合理的超时时间,避免无限重试消耗资源。
-
在错误处理中保留原始错误信息,便于后续问题排查。
True Myth的这一更新显著提升了异步错误处理的便捷性和可靠性,使得开发者能够以更少的代码实现更健壮的异步操作。特别是对于需要与不稳定后端服务交互的前端应用,这一功能将大幅简化错误恢复逻辑的实现。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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