Riverpod中AutoDisposeAsyncNotifierProviderFamily的正确使用方法
概述
在使用Riverpod状态管理库时,开发者可能会遇到AutoDisposeFamilyAsyncNotifierProvider相关的使用问题。本文将详细介绍如何正确使用AutoDisposeAsyncNotifierProviderFamily类来创建带参数的异步状态管理。
问题背景
在Riverpod中,当我们需要创建一个带参数的异步状态管理时,通常会使用Family类型的provider。然而,开发者容易混淆AutoDisposeFamilyAsyncNotifierProvider和AutoDisposeAsyncNotifierProviderFamily这两个相似的类名。
正确实现方式
1. 状态类定义
首先定义一个简单的状态类,用于存储我们需要管理的数据:
class ExampleState {
final String id;
ExampleState(this.id);
}
2. Notifier类实现
创建一个继承自AutoDisposeFamilyAsyncNotifier的Notifier类,实现build方法:
class ExampleNotifier
extends AutoDisposeFamilyAsyncNotifier<ExampleState, String> {
@override
FutureOr<ExampleState> build(arg) {
return ExampleState(arg);
}
}
3. Provider定义
关键点在于正确使用AutoDisposeAsyncNotifierProviderFamily来创建provider:
final exampleProvider = AutoDisposeAsyncNotifierProviderFamily<ExampleNotifier,
ExampleState, String>(
ExampleNotifier.new,
);
注意这里使用的是AutoDisposeAsyncNotifierProviderFamily,而不是AutoDisposeFamilyAsyncNotifierProvider。
4. Widget中使用
在Widget中可以通过以下方式使用这个provider:
class ExampleWidget extends ConsumerWidget {
const ExampleWidget({super.key});
@override
Widget build(BuildContext context, WidgetRef ref) {
final state = ref.watch(exampleProvider('1'));
return Container();
}
}
常见错误
-
类名混淆:容易将
AutoDisposeAsyncNotifierProviderFamily和AutoDisposeFamilyAsyncNotifierProvider混淆使用。 -
参数传递错误:在watch时忘记传递参数,或者传递的参数类型与定义不符。
-
状态类型不匹配:Notifier中定义的状态类型与provider中定义的不一致。
最佳实践
-
使用Riverpod的代码生成功能可以避免手动编写这些容易出错的代码。
-
保持命名一致性,所有Family类型的provider都以
Family结尾。 -
在团队开发中,建立统一的provider命名规范。
总结
正确使用Riverpod中的Family类型provider需要注意类名的准确性和参数传递的正确性。通过理解AutoDisposeAsyncNotifierProviderFamily的使用方法,开发者可以更高效地实现带参数的异步状态管理。记住,当遇到类似问题时,首先检查类名是否正确,其次是参数类型是否匹配。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00