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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
deepin linux kernel
C
27
14
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
659
4.26 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
504
609
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
391
288
暂无简介
Dart
906
218
🔥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
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
939
863
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108