NgRx Signals 中引入 `watch` 函数的技术探讨
2025-05-28 23:30:28作者:谭伦延
在 Angular 生态系统中,响应式编程一直是核心话题。随着 Angular 16 引入 Signals 作为响应式原语,开发者们开始探索如何更优雅地处理状态变化和副作用。NgRx 团队近期提出了一个有趣的技术讨论:在 @ngrx/signals 包中引入 watch 函数,作为对 Angular 原生 effect 的补充方案。
背景:Angular 的 effect 机制
Angular 提供了 effect 函数来处理信号变化的副作用。其核心特点是自动依赖追踪——任何在 effect 回调中同步读取的信号都会自动成为依赖项,当这些信号变化时,effect 会重新执行。
const count = signal(0);
effect(() => {
console.log('count value', count());
});
这种隐式依赖追踪虽然强大,但在实际开发中却存在几个显著问题:
- 异步依赖丢失:如果在异步操作中读取信号值,依赖关系不会被自动追踪
- 依赖排除困难:需要使用
untracked函数来避免不必要的依赖 - 隐式依赖陷阱:任何同步调用的函数中读取的信号都会成为依赖
watch 函数的设计理念
watch 函数的核心思想是显式依赖声明。开发者需要明确指定要监听的信号,回调函数不在响应式上下文中执行,从而避免了隐式依赖的问题。
基本用法:
const count = signal(0);
watch(count, (value) => {
console.log('count value', value);
});
多信号监听:
const count1 = signal(10);
const count2 = signal(100);
watch(count1, count2, (val1, val2) => {
console.log(val1 + val2);
});
清理机制:
watch(count, () => {
console.log('count changed', count());
return () => console.log('cleanup');
});
技术对比:effect vs watch
| 特性 | effect |
watch |
|---|---|---|
| 依赖追踪方式 | 隐式自动追踪 | 显式声明 |
| 响应式上下文 | 在响应式上下文中执行 | 在普通上下文中执行 |
| 异步依赖处理 | 需要同步读取信号 | 无此限制 |
| 排除依赖 | 需要使用 untracked |
自动排除未声明的信号 |
| 代码可预测性 | 较低(依赖隐式追踪) | 较高(依赖显式声明) |
设计讨论与社区观点
这一技术讨论引发了 Angular 社区的广泛关注,主要观点分为两派:
支持方认为:
- 显式声明使代码更可预测和可维护
- 解决了
effect的隐式依赖陷阱问题 - 与其他框架(如 Vue、SolidJS)的设计一致
反对方担忧:
- 增加 API 复杂度,可能造成选择困难
- 显式声明会增加样板代码
- 可能被滥用,导致不良实践
- 核心问题应该是减少副作用的使用
实际应用场景分析
-
UI 状态同步:当需要将信号状态同步到非响应式UI库时,
watch的显式声明更安全 -
性能敏感操作:对于只在特定信号变化时才需要执行的昂贵操作,
watch能精确控制 -
第三方集成:与非 Signals 系统集成时,显式依赖更可靠
-
组合式工具函数:构建可复用的工具函数时,避免隐式依赖更可控
最佳实践建议
- 优先选择:简单场景用
effect,复杂依赖用watch - 副作用最小化:无论哪种方式,都应保持副作用精简
- 组合使用:可以将
watch与computed结合使用 - 明确边界:在组件与服务间建立清晰的响应式边界
未来展望
这一讨论反映了响应式编程领域的一个永恒课题:如何在便利性与可控性之间找到平衡。无论 watch 是否最终被纳入 NgRx,它提出的问题都值得每一位 Angular 开发者思考:
- 我们如何更好地管理响应式依赖?
- 如何在框架提供的便利性与代码的可维护性之间取得平衡?
- 什么样的API设计最能引导开发者走向最佳实践?
这些问题的探索将继续推动 Angular 响应式编程模型的进化。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.84 K
🔥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
68
20
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
12
1
暂无简介
Dart
799
199
🎉 (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
1.37 K
780
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
Ascend Extension for PyTorch
Python
377
450
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1