NGXS Store中动态Action类型的设计思考
背景介绍
在现代前端状态管理库NGXS中,Action作为状态变更的触发器,其设计模式一直遵循着严格的静态类型定义。传统上,开发者需要为每个不同的Action场景创建独立的类,并通过静态type属性来标识Action类型。这种设计虽然保证了类型安全,但在某些场景下会导致代码冗余和可维护性问题。
传统Action设计模式
NGXS官方推荐的标准Action定义方式如下:
export class AddTodo {
static readonly type = '[Todo] Add';
constructor(public payload: any) {}
}
这种模式要求每个Action都必须声明一个静态的type属性,用于在状态管理中唯一标识该Action。当业务逻辑复杂时,特别是当同一个操作可能来自不同组件或模块时,开发者往往需要创建多个相似的Action类:
export class AddTodoFromOverview {
static readonly type = '[TodoOverview] AddTodo';
constructor(public payload: any) {}
}
export class AddTodoFromTodoDetail {
static readonly type = '[TodoDetail] AddTodo';
constructor(public payload: any) {}
}
动态Action类型的探索
为了解决代码冗余问题,社区提出了动态Action类型的设想,希望能够通过运行时确定Action类型:
export class AddTodoAction extends BaseAction {
protected override _type = 'Add Todo'
constructor(context: string, public todo: Todo) {
super(context);
}
}
这种设计允许在实例化Action时动态指定上下文,从而避免了为每个上下文创建独立Action类的需要。然而,NGXS的核心机制依赖于静态类型检查,这种动态方式与现有架构存在兼容性问题。
技术实现考量
NGXS核心团队成员对此提出了几点重要考量:
-
静态类型系统的优势:静态类型提供了更好的代码可追踪性、调试便利性和代码清晰度。动态类型虽然灵活,但会牺牲这些优势。
-
编译时约束:NGXS的
@Action()装饰器需要编译时常量作为参数,动态类型难以满足这一要求。 -
架构一致性:保持Action定义的显式和静态有助于维护整个应用架构的一致性和可预测性。
替代方案建议
针对动态上下文的需求,NGXS团队推荐了几种替代方案:
方案一:上下文作为Action负载
export class AddTodo {
static readonly type = '[Todo] Add';
constructor(public context: string, public payload: any) {}
}
在状态处理器中根据上下文进行过滤处理。
方案二:Action工厂函数
function createAddTodoActionClass(context: string) {
return class AddTodoAction {
static readonly type = `[${context}] Add Todo`;
constructor(public todo: Todo) {}
}
}
export const AddOverviewTodoAction = createAddTodoActionClass('Overview');
export const AddDetailTodoAction = createAddTodoActionClass('Detail');
这种方式既保持了静态类型的优势,又减少了重复代码。
方案三:动态Action工具函数
团队还提供了一个更高级的实用工具函数,可以在保持静态类型安全的同时提供一定程度的动态性:
class AddTodoActionBase {
static readonly type = `Add Todo`;
constructor(public todo: Todo) {}
}
export const AddTodoAction = createDynamicAction(AddTodoActionBase);
使用时可以灵活创建具体类型的Action:
const AddOverviewTodoAction = AddTodoAction('Overview');
const AddDetailTodoAction = AddTodoAction('Detail');
store.dispatch(new AddOverviewTodoAction(todo));
store.dispatch(new AddDetailTodoAction(todo));
store.dispatch(new AddTodoAction('CustomContext', todo));
架构设计启示
这一讨论揭示了状态管理库设计中的几个重要原则:
-
显式优于隐式:在关键架构元素上保持显式定义有助于长期维护。
-
类型安全优先:即使在追求灵活性的场景下,也不应轻易牺牲类型系统的优势。
-
模式一致性:整个应用遵循一致的模式比局部灵活性更重要。
对于NGXS使用者而言,理解这些设计决策背后的考量,有助于更好地在项目中应用状态管理模式,在保持架构整洁的同时满足业务需求。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00