Swift Composable Architecture 中父子 Reducer 交互的注意事项
概述
在使用 Swift Composable Architecture (TCA) 开发 iOS 应用时,我们经常会遇到需要在父 Reducer 中直接调用子 Reducer 操作的场景。本文将深入探讨这种交互方式可能带来的问题,特别是关于 Effect 取消的注意事项。
问题场景
在 TCA 架构中,当父 Reducer 需要触发子 Reducer 的某个 Action 时,开发者可能会选择直接调用子 Reducer 的 reduce 方法,而不是通过标准的 Effect.send 方式。这种看似便捷的做法实际上会带来 Effect 管理的问题。
典型代码示例
// 父 Reducer 中直接调用子 Reducer
return Child().reduce(into: &state.childs[0], action: .refresh)
.map { [id = state.childs[0].id] in
Action.childs(.element(id: id, action: $0))
}
问题分析
这种直接调用方式会绕过 TCA 的核心机制 forEach/ifLet 操作符,而这些操作符正是负责处理 Effect 取消逻辑的关键部分。因此,当在测试环境中运行时,会出现 Effect 未被正确取消的错误提示:
failed - An effect returned for this action is still running. It must complete before the end of the test.
解决方案
推荐方案:使用 Effect.send
最可靠的方式是使用标准的 Effect.send 机制来触发子 Reducer 的 Action:
return .send(.childs(.element(id: state.childs[0].id, action: .refresh)))
这种方式能够确保所有 Effect 管理机制正常工作,包括测试环境中的自动取消。
替代方案:保持操作符链
如果确实需要直接操作,可以保持操作符链的完整性:
return EmptyReducer()
.forEach(\.childs, action: \.childs) {
Child()
}
.reduce(into: &state.childs, action: .childs(.element(id: ..., action: .refresh))
最佳实践建议
-
逻辑下沉:考虑将刷新逻辑放在子 Reducer 的
onAppearAction 中处理,这样更符合单一职责原则。 -
避免直接调用:尽量避免直接调用子 Reducer 的方法,保持通过 Action 进行通信的标准模式。
-
测试考虑:在设计 Reducer 交互时,始终考虑测试场景下的行为,确保 Effect 能够被正确管理和取消。
架构演进
TCA 团队正在计划对 Reducer 的工作方式进行更新,未来版本可能会提供更优雅的方式来处理这类父子 Reducer 交互的场景。开发者应关注官方更新,及时调整实现方式。
总结
在 TCA 架构中,父子 Reducer 的交互应当遵循框架设计的通信机制,避免绕过核心操作符直接调用。这不仅关系到 Effect 的正确管理,也影响到测试的可靠性和代码的可维护性。通过标准化的 Action 通信方式,可以确保应用状态的变更和副作用处理始终处于可控状态。
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