Redux Toolkit v2.6.0 发布:RTK Query 无限查询功能详解
Redux Toolkit 是 Redux 官方推荐的工具集,它简化了 Redux 的使用方式,提供了诸如 createSlice、configureStore 等实用工具。其中 RTK Query 是 Redux Toolkit 内置的数据获取和缓存解决方案,自 2021 年发布以来已成为许多 React 应用的首选数据获取方案。
在最新发布的 v2.6.0 版本中,Redux Toolkit 团队为 RTK Query 带来了备受期待的无限查询(Infinite Query)功能支持。这一功能允许开发者轻松实现分页数据加载、无限滚动等常见场景,大大扩展了 RTK Query 的应用范围。
无限查询功能解析
无限查询的核心思想是能够按需加载更多数据页,同时保持对已加载数据的缓存管理。Redux Toolkit 团队经过长期调研,最终决定采用与 React Query 相似的 API 设计,这种设计已经被社区广泛验证。
定义无限查询端点
在 API 定义中,现在可以使用 build.infiniteQuery() 方法来创建支持无限查询的端点。与普通查询相比,它需要额外配置一些参数:
const pokemonApi = createApi({
baseQuery: fetchBaseQuery({ baseUrl: 'https://example.com/pokemon' }),
endpoints: (build) => ({
getInfinitePokemon: build.infiniteQuery<Pokemon[], string, number>({
infiniteQueryOptions: {
initialPageParam: 1, // 初始页码
maxPages: 3, // 最大缓存页数
getNextPageParam: (lastPage, allPages, lastPageParam) =>
lastPageParam + 1, // 计算下一页参数
getPreviousPageParam: (firstPage, allPages, firstPageParam) =>
firstPageParam > 0 ? firstPageParam - 1 : undefined
},
query({ queryArg, pageParam }) {
return `/type/${queryArg}?page=${pageParam}`
},
}),
}),
})
这里需要注意三个泛型参数:ResultType(单页数据类型)、QueryArg(查询参数类型)和PageParam(页码参数类型)。infiniteQueryOptions 中的回调函数负责计算前后页的参数,开发者可以根据实际业务需求灵活调整这些逻辑。
使用无限查询 Hook
在 React 组件中,可以使用自动生成的 useInfiniteQuery hook 来获取数据和触发加载更多操作:
function PokemonList({ pokemonType = 'fire' }) {
const {
data, // 包含 pages 和 pageParams 的数据结构
isFetching, // 加载状态
fetchNextPage, // 加载下一页函数
fetchPreviousPage, // 加载上一页函数
} = api.useGetInfinitePokemonQuery(pokemonType)
// 将多页数据展平为单个数组
const allPokemon = data?.pages.flat() ?? []
// 渲染逻辑...
}
data 对象的结构为 { pages: ResultType[], pageParams: PageParam[] },这种设计让开发者可以灵活处理分页数据的展示方式。
实现细节与优化
Redux Toolkit 团队在实现这一功能时进行了大量优化工作,最终将包体积增加控制在约 4.2KB(压缩后)。虽然这部分代码会包含在所有使用 RTK Query 的应用中,但考虑到它提供的强大功能,这个体积增加是合理的。
值得注意的是,无限查询的核心逻辑是 UI 无关的,这意味着它不仅可以在 React 中使用,也可以与其他视图层框架配合使用。React 绑定只是提供了方便的 Hook 封装。
应用场景与最佳实践
无限查询功能特别适合以下场景:
- 分页列表:传统的页码分页或"加载更多"按钮
- 无限滚动:当用户滚动到列表底部时自动加载更多内容
- 按需加载:基于用户交互动态加载更多数据
- 双向加载:同时支持向前和向后加载更多内容
在实际开发中,开发者应该注意:
- 合理设置
maxPages以避免内存占用过高 - 在
getNextPageParam中实现适当的检查逻辑 - 考虑添加防抖逻辑以避免快速连续触发多次加载
- 对于移动端应用,可以结合 Intersection Observer 实现自动加载
总结
Redux Toolkit v2.6.0 的无限查询功能为 RTK Query 生态系统带来了重要的能力扩展。这一功能的加入使得 RTK Query 在数据获取场景中的竞争力进一步提升,特别是对于那些需要处理分页数据的应用。
通过借鉴 React Query 成熟的 API 设计,Redux Toolkit 团队确保了这一功能的易用性和灵活性。开发者现在可以更轻松地实现复杂的分页数据加载逻辑,而无需引入额外的库或编写大量样板代码。
随着这一功能的加入,RTK Query 现在能够覆盖更广泛的应用场景,为开发者提供更全面的数据管理解决方案。对于已经在使用 Redux Toolkit 的项目来说,这无疑是一个值得升级的重要版本。
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