Swift Composable Architecture 中关于嵌套 observe 的注意事项
背景介绍
Swift Composable Architecture (TCA) 是一个用于构建 SwiftUI 和 UIKit 应用程序的状态管理框架。在最新版本中,框架引入了一个关于嵌套 observe 操作的运行时警告机制,这引起了一些开发者的疑问。
问题现象
当开发者在视图控制器的 viewDidLoad 方法中使用 observe 闭包时,如果这个闭包内部又触发了另一个视图控制器的 observe 操作,框架会显示警告:"An 'observe' was called from another 'observe' closure, which can lead to over-observation and unintended side effects."
技术分析
这个警告的引入是为了防止潜在的过度观察和意外的副作用。在 UIKit 环境中,当父视图控制器正在执行 observe 时,如果子视图控制器也在 viewDidLoad 中立即执行 observe,就会形成嵌套观察的情况。
这种情况下,子视图控制器中的所有状态变化不仅会被自己的观察闭包捕获,还会被父视图控制器的观察闭包捕获。这可能导致性能问题和意外的状态更新。
解决方案
TCA 团队建议开发者采用以下两种方式避免这个问题:
-
将 observe 移到 viewWillAppear:通过改变观察的生命周期,可以避免嵌套观察的问题。但需要注意手动管理观察令牌的生命周期。
-
使用主队列异步调度:在
viewDidLoad中通过DispatchQueue.main.async延迟执行observe操作,打破直接的嵌套关系。
DispatchQueue.main.async {
observe { [weak self] in
// 观察逻辑
}
}
框架设计考量
这个警告反映了 TCA 框架对状态管理严格性的追求。虽然有些开发者可能认为这个警告在某些情况下过于严格,但团队认为这是防止潜在问题的必要措施。
最佳实践建议
- 在 UIKit 集成 TCA 时,注意观察操作的执行时机
- 对于可能形成嵌套观察的场景,考虑使用异步调度
- 关注子视图控制器的状态观察范围,避免不必要的父级观察
- 在性能敏感的场景中,特别注意观察操作的开销
总结
TCA 框架的这个变化体现了状态管理框架对精确性和可预测性的追求。开发者需要理解框架的设计意图,并适当调整代码结构来适应这些最佳实践。虽然最初可能会觉得这个警告有些严格,但它确实有助于避免更复杂的状态管理问题。
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