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。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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