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。
kernelopenEuler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。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00