NgRx Signals 中引入 `watch` 函数的技术探讨
2025-05-28 08:21:40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
kernelopenEuler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。C030
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
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
424
3.26 K
Ascend Extension for PyTorch
Python
231
264
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
334
暂无简介
Dart
686
161
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
667
仓颉编译器源码及 cjdb 调试工具。
C++
136
869