Liveblocks 存储更新中展示被删除对象的实现方案
背景介绍
Liveblocks 是一个实时协作框架,它提供了多种数据结构如 LiveMap、LiveList 和 LiveObject 来帮助开发者构建协作应用。在实际开发中,我们经常需要监听这些数据结构的变化并做出相应的响应。
问题描述
在开发过程中,有一个常见需求:当文档中的某些特定对象被删除时(例如从 LiveList 中移除),需要执行一些非 UI 相关的处理逻辑。然而,当前的 LiveList 更新机制中,删除操作只提供了被删除项的索引信息,而没有提供被删除项本身的内容,这使得开发者难以获取完整的变更信息。
技术分析
Liveblocks 的更新机制通过 delta 对象来描述变更,当前 LiveListUpdateDelta 的类型定义如下:
type LiveListUpdateDelta =
| { type: "insert"; index: number; item: Lson }
| { type: "delete"; index: number }
| { type: "move"; index: number; previousIndex: number; item: Lson }
| { type: "set"; index: number; item: Lson };
可以看到,delete 操作只包含 index 信息,而其他操作如 move 和 insert 都包含了完整的项信息。这种不对称性给开发者带来了不便。
解决方案
Liveblocks 团队在最新版本中增加了对删除项信息的支持,新的类型定义如下:
type LiveListUpdateDelta =
| { type: "insert"; index: number; item: Lson }
| { type: "delete"; index: number; deletedItem: Lson }
| { type: "move"; index: number; previousIndex: number; item: Lson }
| { type: "set"; index: number; item: Lson };
关键变化是在 delete 操作中新增了 deletedItem 字段,这样开发者就能获取到被删除项的完整信息。
实现细节
-
数据一致性:新增的 deletedItem 字段确保了即使在批量操作中,开发者也能准确获取被删除的对象。
-
性能考虑:虽然增加了数据传输量,但对于大多数应用场景来说,这种开销是可以接受的,特别是考虑到它带来的开发便利性。
-
向后兼容:这一变更不会影响现有代码,因为新增字段是可选的(在 TypeScript 中表现为必填,但运行时旧代码仍能工作)。
最佳实践
-
订阅变更:使用 room.subscribe 方法订阅最高层级的 map 对象变更。
-
处理删除操作:在新的实现中,可以直接从 deletedItem 字段获取被删除的对象,无需额外的状态管理。
-
错误处理:虽然不常见,但仍建议对 deletedItem 进行空值检查以确保代码健壮性。
总结
Liveblocks 的这一改进显著提升了开发者在处理列表删除操作时的便利性。通过提供被删除项的完整信息,开发者可以更轻松地实现各种业务逻辑,如审计日志、数据同步等。这一变更体现了 Liveblocks 团队对开发者体验的重视,也展示了框架在不断演进以满足实际开发需求。
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