Flutter Rust Bridge 中 Rust 调用 Dart 回调的实现与线程安全
在 Flutter Rust Bridge 项目中,开发者经常需要实现 Rust 与 Dart 之间的双向通信。本文将深入探讨如何在 Rust 中存储和调用 Dart 回调函数,并解决相关的线程安全问题。
问题背景
在跨语言交互中,Rust 调用 Dart 回调是一种常见需求。开发者希望将 Dart 回调函数存储在 Rust 结构中,以便后续调用。这种模式在事件处理等场景中尤为有用。
基础实现
最简单的实现方式是直接定义一个接受 Dart 回调的 Rust 异步函数:
pub async fn rust_function(dart_callback: impl Fn(String) -> DartFnFuture<String>) {
dart_callback("Tom".to_owned()).await;
}
然而,当我们需要将回调存储在结构体中时,情况会变得复杂。
结构体存储回调的实现
为了将回调存储在结构体中,我们需要使用 Arc 和 Mutex 来确保线程安全:
use std::sync::{Arc, Mutex};
use async_trait::async_trait;
use flutter_rust_bridge::DartFnFuture;
pub struct FfiEvent {
msg_cb: Arc<Mutex<Box<dyn Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + Send + 'static>>>,
}
impl FfiEvent {
pub fn new(
msg_cb: impl Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + 'static + Send,
) -> Self {
Self {
msg_cb: Arc::new(Mutex::new(Box::new(msg_cb))),
}
}
}
线程安全问题
上述实现会遇到编译错误,提示 future cannot be sent between threads safely。这是因为标准库的 MutexGuard 在跨 await 点时无法保证 Send 特性。
解决方案:使用 Tokio 的 Mutex
解决方法是使用 Tokio 提供的异步 Mutex,它专为异步上下文设计:
use tokio::sync::Mutex; // 替换标准库的 Mutex
pub struct FfiEvent {
msg_cb: Arc<Mutex<Box<dyn Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + Send + 'static>>>,
}
#[async_trait]
impl Event for FfiEvent {
async fn message_event(&self, from: String, message: Vec<u8>, message_id: String) -> bool {
let cb = self.msg_cb.lock().await; // 注意这里使用 .await 而不是 .unwrap()
cb(message, from, message_id).await
}
}
实现 Event 特质
完整的实现还需要定义一个异步特质 (trait):
#[async_trait]
pub trait Event: Send {
async fn message_event(&self, from: String, message: Vec<u8>, message_id: String) -> bool;
// 其他方法...
}
关键点总结
-
线程安全:在异步环境中,标准库的同步原语可能导致问题,应使用异步友好的替代品。
-
生命周期管理:回调需要明确的
'static生命周期标记,确保它们比持有它们的结构体存活更久。 -
Send 特性:所有跨线程使用的类型都必须实现
Send特性。 -
错误处理:异步锁使用
await而不是unwrap(),因为锁可能被异步地持有。
最佳实践建议
-
对于复杂的回调场景,考虑使用消息通道 (channel) 替代直接回调。
-
在性能敏感的场景,评估锁的开销,可能需要无锁数据结构。
-
为回调添加日志记录,便于调试跨语言调用问题。
-
考虑使用类型别名简化复杂的回调类型签名。
通过以上方法,开发者可以在 Flutter Rust Bridge 项目中安全高效地实现 Rust 调用 Dart 回调的功能,构建强大的跨语言交互系统。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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