Riverpod 3.0 重大变更:Ref API 重构与迁移指南
2025-06-02 16:09:58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
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217