Riverpod 3.0 重大变更:Ref API 重构与迁移指南
2025-06-02 19:29:59作者:滑思眉Philip
核心变更概述
Riverpod 作为 Flutter 状态管理库的标杆,即将迎来 3.0 版本的重大架构调整。本次重构的核心目标是简化 API 设计,将原先分散在 Ref 上的功能进行合理拆分和重新组织。最显著的变化是:
- 废弃 Ref 的类型参数(使其变为可选)
- 将状态监听等职责迁移到 Notifier 体系
- 标记 Ref 为密封类(@sealed)
- 停止生成 MyProviderRef 类型
被废弃的 API 清单
以下 Ref 相关功能将在 3.0 版本中被移除:
- Ref 的类型参数(如
Ref<String>) - Ref 的状态相关方法:
.state.future.notifier.listenSelf
- 所有 Ref 的子类
- 代码生成器产生的
MyProviderRef类型
迁移策略详解
1. 监听自身状态的变化
旧版本中,我们通常在 Provider 内使用 ref.listenSelf 来监听状态变化:
final routerProvider = Provider<GoRouter>((ref) {
ref.listenSelf((previous, next) {
debugPrint("路由状态变化");
debugPrint('从 $previous 变为 $next');
});
});
新版本中,这类功能将迁移到 Notifier 体系。对于需要监听自身状态的场景,应该转换为类形式的 Provider:
@riverpod
class RouterObserver extends _$RouterObserver {
@override
String build() {
listenSelf((previous, next) {
debugPrint("路由状态变化");
debugPrint('从 $previous 变为 $next');
});
return '初始状态';
}
}
2. 状态访问方式的改变
原先通过 ref.state 访问的状态,现在应该通过 Notifier 的 state 属性直接访问:
// 旧方式
final value = ref.state;
// 新方式(在 Notifier 子类中)
final value = state;
3. 异步状态处理
对于异步状态,不再使用 ref.future,而是应该:
// 在 AsyncNotifier 中直接使用 future 属性
final data = await future;
架构设计理念
这次重构体现了 Riverpod 团队对单一职责原则的贯彻:
- 职责分离:将状态管理(Notifier)与依赖引用(Ref)的职责明确划分
- 简化核心:Ref 回归其本质 - 作为获取其他 provider 的引用工具
- 类型安全:通过代码生成确保类型安全,而非依赖运行时类型参数
迁移时间规划
建议开发者:
- 立即开始适配新 API,使用
// ignore: deprecated_member_use临时抑制警告 - 逐步将现有 Provider 迁移到类形式
- 利用 Riverpod 的代码生成工具自动处理大部分迁移工作
常见问题解决方案
Q:我的现有代码大量使用了 Ref 子类怎么办?
A:逐步将这些自定义逻辑迁移到 Notifier 的 build 方法中,或通过组合多个简单 Provider 来实现。
Q:类型参数移除后如何保证类型安全?
A:代码生成器(riverpod_generator)会在编译期确保类型正确,这比运行时的类型参数更可靠。
Q:是否必须立即迁移?
A:不是强制性的,但建议在新项目中直接使用新 API,旧项目可以分阶段迁移。
这次架构调整虽然带来了一些迁移成本,但从长期来看将使 Riverpod 的 API 更加清晰、易于维护,并为未来的功能扩展打下坚实基础。理解这些变化背后的设计理念,将帮助开发者更好地运用这个强大的状态管理库。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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