NgRx Signal Store 中的服务注入优化实践
2025-05-28 21:31:36作者:凤尚柏Louis
背景介绍
在NgRx Signal Store的使用过程中,开发者经常会遇到需要在不同功能块(如withComputed和withMethod)中访问同一服务的情况。传统做法会导致服务被多次注入,这引发了关于性能和组织结构的合理担忧。
服务注入的现状
在Signal Store的标准用法中,开发者通常会在每个功能块中单独注入所需服务:
signalStore {
withComputed((store, service = inject(Service)) => {...}),
withMethods((store, service = inject(Service)) => {...})
}
这种方式虽然直观,但当Service规模较大时(例如包含2000多行代码),开发者会担心是否会导致性能问题或资源浪费。
技术原理剖析
实际上,Angular的依赖注入系统采用的是单例模式,无论你在多少个地方调用inject(Service),框架都只会创建一个服务实例。这意味着:
- 内存消耗不会因为多次注入而增加
- 服务初始化只会在第一次注入时执行
- 后续注入只是获取已存在的实例引用
因此,从性能角度考虑,多次注入并不会带来额外的资源负担。
代码组织优化方案
虽然性能不是问题,但从代码组织和可维护性角度,我们可以采用更优雅的方式:
方法1:集中注入模式
signalStore(
withMethods(() => {
const bigService = inject(BigService);
return {
serviceMethod1(id: number) {
return bigService.method1(id);
},
serviceMethod2(id: number) {
return bigService.method2(id);
}
}
}),
withComputed(store => ({
computedValue: computed(() => store.serviceMethod1(1))
}))
)
方法2:工厂函数封装
对于更复杂的场景,可以创建工厂函数:
function withServiceFeatures() {
return signalStoreFeatures(
withMethods(() => {
const service = inject(MyService);
return { service };
}),
withComputed(({ service }) => ({
featureA: computed(() => service.getValueA())
})),
withMethods(({ service }) => ({
actionB: () => service.doSomething()
}))
);
}
最佳实践建议
- 小型服务:直接在各功能块中注入,代码更直观
- 大型服务:考虑集中注入模式,提高可维护性
- 共享逻辑:使用工厂函数封装相关功能
- 性能考量:不必担心多次注入带来的性能问题
总结
NgRx Signal Store提供了灵活的服务注入方式,开发者可以根据项目规模和团队习惯选择最适合的模式。理解Angular依赖注入的单例特性后,可以更自信地设计Store结构,在代码整洁性和性能之间取得平衡。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869