Fruit框架中动态装饰器模式的实现方法
2025-07-07 23:50:26作者:秋泉律Samson
概述
在依赖注入框架Fruit中实现动态装饰器模式是一个常见的需求场景。本文将通过一个实际案例,详细介绍如何在Fruit框架中根据运行时条件动态选择基础实现类,并决定是否添加装饰器层。
问题场景
假设我们有一个名称翻译器的抽象基类NameTranslator,以及它的几个具体实现:
NewStyleTranslator- 新式翻译器实现LegacyTranslator- 旧式翻译器实现NormalizingTranslator- 规范化装饰器,可以包装其他翻译器
我们的需求是根据运行时参数is_new_style和should_normalize动态决定:
- 使用新式还是旧式翻译器作为基础实现
- 是否需要在基础实现上添加规范化装饰器
初步尝试与问题
方法一:条件绑定
最初尝试使用Fruit的条件绑定功能:
fruit::Component<fruit::Annotated<InnerTag, NameTranslator>>
getInnerComponent(bool is_new_style) {
if (is_new_style) {
return fruit::createComponent()
.bind<Annotated<InnerTag, NameTranslator>, NewStyleTranslator>();
} else {
return fruit::createComponent()
.bind<Annotated<InnerTag, NameTranslator>, LegacyTranslator>();
}
}
fruit::Component<NameTranslator> getOuterComponent() {
return fruit::createComponent()
.bind<NameTranslator, Annotated<InnerTag, NameTranslator>>();
}
这种方法会遇到编译错误,因为Fruit框架会阻止将类型绑定到自身,即使使用了不同的注解。
方法二:使用Provider
第二种尝试是使用registerProvider:
registerProvider([](
Provider<NewStyleTranslator> new_style,
Provider<LegacyTranslator> legacy,
OtherParameters params) {
NameTranslator* inner = is_new_style ? new_style.get() : legacy.get();
return should_normalize ? new NormalizingTranslator(*inner, params) : inner;
});
这种方法的问题是所有权管理:当should_normalize为false时,返回的是已存在的指针,而Fruit会尝试删除它,导致双重释放。
解决方案
Fruit框架的最新版本已经修复了条件绑定中的限制。现在可以安全地将类型绑定到带注解的自身类型,只要注解不同即可。这意味着最初的条件绑定方法现在可以正常工作:
- 根据
is_new_style条件绑定带注解的基础实现 - 根据
should_normalize条件决定是否添加装饰器层
实现建议
对于这种动态装饰器模式,推荐以下实现方式:
- 为内部实现定义专门的注解标签
- 创建两个独立的组件工厂方法:
- 一个负责选择基础实现
- 一个负责决定是否添加装饰器
- 在应用层组合这两个组件
这种分层设计保持了代码的清晰性和可测试性,同时充分利用了Fruit框架的依赖注入能力。
总结
在Fruit框架中实现动态装饰器模式需要注意类型绑定规则和对象生命周期管理。通过合理使用注解和条件绑定,可以构建灵活且类型安全的依赖注入方案。框架的最新改进使得这种模式更加容易实现,开发者可以专注于业务逻辑而非框架限制。
对于复杂的动态依赖场景,建议:
- 明确定义组件边界
- 使用注解区分不同角色的相同类型
- 保持组件工厂的单一职责原则
这些实践将帮助构建可维护且灵活的依赖注入架构。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
766
5.01 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
863
1.96 K
Ascend Extension for PyTorch
Python
722
894
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
689
1.35 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
250
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
627
Oohos_react_native
React Native鸿蒙化仓库
C++
357
425