CppCoreGuidelines中关于shared_ptr与unique_ptr选择规则的探讨
在C++核心指南(CppCoreGuidelines)项目中,有一条重要的资源管理规则R.21建议开发者优先使用unique_ptr而非shared_ptr,除非确实需要共享所有权。这条规则旨在帮助开发者避免不必要的共享所有权带来的性能开销和复杂性。
规则背景与原始定义
规则R.21的原始定义明确指出,在大多数情况下unique_ptr是更好的选择,因为它提供了更简单的所有权语义和更好的性能。该规则的强制执行部分最初规定:当函数内部使用shared_ptr创建对象,但既不返回该shared_ptr,也不将其传递给需要shared_ptr&参数的函数时,应该发出警告并建议改用unique_ptr。
实际应用中的问题
在实际编码实践中,开发者发现这条规则的强制执行部分存在一些局限性。考虑以下典型场景:
void Registry::add(shared_ptr<Participant> w);
void f(Registry &r1, Registry &r2) {
const auto p = make_shared<Participant>();
r1.add(p);
r2.add(p);
}
在这个例子中,虽然shared_ptr被多次传递给不同函数,但根据原始规则仍会被标记为应该使用unique_ptr,这显然是不合理的,因为unique_ptr无法满足这种共享需求。
规则改进建议
针对这一问题,社区提出了改进建议,主张扩展规则的强制执行条件。新的条件应包括:
- 函数不返回该shared_ptr
- 不将其传递给需要shared_ptr&参数的函数
- 不将其作为shared_ptr参数(值传递或引用传递)传递给函数超过一次
这一改进更准确地反映了实际使用场景,避免了误报。
技术深入分析
值得注意的是,原始规则中提到的shared_ptr&参数有其特殊意义。当函数接受shared_ptr参数时,实际上可以传递unique_ptr作为右值(通过std::move)。这使得在某些情况下,即使接口设计为接受shared_ptr,仍然可以使用unique_ptr来传递所有权。
然而,改进后的规则仍需考虑更多复杂情况。例如,即使shared_ptr只被传递一次,但如果之后还要使用它(如解引用访问对象),unique_ptr也无法满足需求,因为传递后原指针已被移动。
核心指南的最终调整
经过讨论,C++核心指南的编辑团队决定采纳部分改进建议,特别是移除了对shared_ptr&参数的特定限制。这一调整使得规则更加通用和实用,同时保持了其指导开发者选择合适智能指针的初衷。
最佳实践总结
在实际开发中,选择智能指针时应遵循以下原则:
- 默认使用unique_ptr,它提供了最简单的所有权语义和最佳性能
- 仅在确实需要共享所有权时才使用shared_ptr
- 注意函数参数设计,考虑是否可以通过接受unique_ptr来提供更大的灵活性
- 在性能敏感的场景中,避免不必要的shared_ptr使用,因为其引用计数机制会带来额外开销
通过理解这些原则和规则背后的设计考量,开发者可以更有效地管理C++程序中的资源所有权,编写出更健壮、高效的代码。
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