LegendState项目中的useComputed依赖项优化与演进
背景介绍
在LegendState状态管理库的v3版本开发过程中,开发者们对useComputed钩子函数的依赖项(deps)参数位置进行了深入讨论。这一讨论不仅涉及API设计的最佳实践,还触及了React生态中的一些核心概念和性能优化策略。
问题起源
在React生态中,钩子函数的依赖项数组是一个常见模式,如useEffect、useMemo等。React官方推荐的ESLint规则会自动检测并填充这些依赖项。在LegendState的早期版本中,useComputed的依赖项参数位置与React社区的习惯不一致,这导致了一些开发体验上的不便。
开发者lishine提出了一个关键观点:依赖项参数应该紧跟在计算函数之后,而不是放在最后。这种设计更符合React生态的惯例,能够更好地与ESLint规则配合工作。
技术实现方案
lishine提供了自己的解决方案,通过类型重载和参数重新排序来优化API设计:
export function useComputed<T>(compute: () => T | Promise<T>, deps: DependencyList): Observable<T>
export function useComputed<T, T2 = T>(
compute: (() => T | Promise<T>) | ObservableParam<T>,
set: (value: T2) => void
): Observable<T>
export function useComputed<T, T2 = T>(
compute: (() => T | Promise<T>) | ObservableParam<T>,
deps: DependencyList,
set: (value: T2) => void
): Observable<T>
export function useComputed(param1: any, param2: any, param3?: any) {
return legendUseComputed(param1, param3, param2)
}
这种实现保持了向后兼容性,同时提供了更符合React开发习惯的API。
更深层次的讨论
项目维护者jmeistrich提出了更根本的思考:计划在v3版本中弃用useComputed和computed概念,转而统一使用observable。这一决策基于几个重要考量:
- API简化:减少核心概念数量,降低学习曲线
- 性能优化:避免在依赖项变化时创建新的observable,而是刷新现有observable
- 概念统一:observable现在可以像computed一样工作,只需传入函数
依赖项处理的创新方案
jmeistrich实现了一种创新的依赖项处理方式:将依赖项数组放入一个observable中,当依赖项变化时刷新已创建的observable,而不是创建新实例。这种方法解决了两个关键问题:
- 稳定性:保持observable引用不变,避免订阅中断
- 性能:减少不必要的实例创建和垃圾回收
实际应用案例
开发者们还讨论了参数化computed的高级用法,即根据参数动态创建observable。这种模式在需要缓存多个计算结果的场景非常有用。v3版本通过"查找表"(lookup table)特性原生支持了这种模式:
const o$ = observable({ a: 1, b: 2 } as Record<string, number>);
const c$$ = useObservable((p: string) => o$[p].get())
依赖项比较的优化
在实现过程中,开发者们发现LegendState对依赖项的比较采用了深度值比较而非引用比较。这一特性值得注意:
- 当设置observable值为数组/对象时,会递归比较原始值,忽略引用变化
- 但对于computed返回值,只进行浅比较,引用变化会被视为值变化
这种差异化的比较策略在性能与正确性之间取得了良好平衡。
总结与展望
LegendState v3版本在useComputed和相关API上的演进体现了几个重要趋势:
- API设计更加符合React生态惯例,降低开发者认知负担
- 概念精简,通过observable统一多种功能
- 性能优化,创新的依赖项处理机制
- 类型安全,完善的TypeScript支持
这些改进使LegendState在状态管理领域更具竞争力,为开发者提供了更强大、更易用的工具。未来,随着更多开发者采用和实践,这些API设计可能会进一步演进,持续优化开发体验和运行时性能。
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