在Bon项目中实现自定义构建器完成方法的最佳实践
2025-07-10 20:44:04作者:瞿蔚英Wynne
Bon是一个Rust语言的构建器模式宏库,它提供了#[bon::builder]属性宏来简化构建器模式的实现。在实际开发中,我们经常需要自定义构建器的完成方法(finish_fn),本文将深入探讨如何优雅地实现这一需求。
自定义完成方法的基本实现
Bon构建器默认会生成一个call()方法作为构建过程的最终步骤。但有时我们需要更灵活的控制,比如根据不同的参数组合提供多个完成方法:
#[bon::builder]
pub fn greet(
#[builder(start_fn)] name: &str,
#[builder(field)] custom: u32,
) -> () {
println!("Hello {}, custom value is {}", name, custom);
}
我们可以为这个构建器添加多个自定义完成方法:
impl<S: State> GreetBuilder<S> {
pub fn five(mut self) -> () {
self.custom = 5;
self.call()
}
pub fn six(mut self) -> () {
self.custom = 6;
self.call()
}
pub fn seven(mut self) -> () {
self.custom = 7;
self.call()
}
}
隐藏默认的call方法
在某些场景下,我们希望强制使用者通过特定的完成方法来完成构建,而不是直接调用call()。Bon提供了灵活的可见性控制机制:
#[bon::builder]
#[builder(finish_fn(vis = ""))] // 将call方法设为私有
pub fn greet(
#[builder(start_fn)] name: &str,
#[builder(field)] custom: u32,
) -> () {
// ...
}
这样配置后,call()方法将变为私有,外部代码只能通过我们公开的自定义完成方法(five(), six(), seven())来完成构建。
设计模式考量
这种实现方式实际上是一种"特化构建器"模式,它有以下几个优点:
- 类型安全:每个完成方法可以确保参数组合的有效性
- 语义明确:方法名(five/six/seven)直接表达了构建意图
- 使用约束:避免了不合理的参数组合
在更复杂的场景中,我们还可以结合Rust的trait系统,为不同的完成方法返回不同的类型,实现更丰富的构建流程控制。
性能考量
虽然添加了中间方法调用,但由于Rust的零成本抽象特性,这些额外的完成方法不会带来运行时开销。编译器会内联这些方法调用,生成的代码与直接调用call()同样高效。
总结
Bon构建器提供了强大的自定义完成方法功能,通过合理设计可以:
- 创建语义更清晰的API
- 强制特定的使用模式
- 保持Rust的性能优势
- 提供更好的编译时检查
这种模式特别适合需要严格参数验证或提供多种预设配置的场景。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
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
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220