SwiftFormat 中属性声明分类的优化与思考
在 Swift 开发中,代码的组织和格式化对于项目的可维护性至关重要。SwiftFormat 作为一款强大的代码格式化工具,其属性声明分类功能在实际使用中出现了一个值得探讨的问题:带有 didSet/willSet 观察器的存储属性被错误归类为计算属性。
问题背景
SwiftFormat 默认会将带有代码体的实例属性归类到"Computed Properties"(计算属性)部分。然而,这种分类方式存在一个明显的逻辑问题:存储属性虽然可以带有 didSet 或 willSet 观察器,但它们本质上仍然是存储属性,而非计算属性。
例如,以下代码:
var foo: Bar = .baz {
didSet {
// 执行某些操作
}
}
会被错误地归类到计算属性部分,而实际上它应该属于常规属性部分。
技术分析
这个问题源于 SwiftFormat 内部对属性分类的实现逻辑。当前版本中,所有"带有代码体的实例属性"(instancePropertyWithBody)都被统一标记为"Computed Properties",这种粗粒度的分类忽略了存储属性观察器与计算属性之间的本质区别。
在 Swift 语言中:
- 计算属性:不存储值,通过 getter 和可选的 setter 来间接获取和设置其他属性或值
- 存储属性:实际存储值,可以附加 willSet 和 didSet 观察器来监控属性值的变化
解决方案探讨
SwiftFormat 维护团队提出了两种可能的解决方案:
-
修改标记注释:将当前的"Computed Properties"标记改为更准确的"Properties with body",这样虽然不够精确,但至少不会产生误导。
-
重构分类系统:创建新的"computedInstanceProperty"声明类型,并将"instancePropertyWithBody"从默认的组织模式中移除。这样带有观察器的存储属性会回退到常规"instanceProperty"分类中。
第二种方案更为理想,因为它能够更精确地区分不同类型的属性,符合 Swift 语言的设计哲学。这种方案需要:
- 定义新的属性分类标准
- 调整默认的组织模式配置
- 确保向后兼容性
临时解决方案
在官方修复发布前,开发者可以通过自定义标记标题来临时解决这个问题。SwiftFormat 支持用户为特定属性类型指定自定义的 MARK 注释,虽然这个功能目前文档不够完善,但在实践中是可行的。
总结与展望
代码组织工具的设计需要在简洁性和准确性之间找到平衡。SwiftFormat 团队对这个问题的处理展示了他们对代码质量的高度重视。随着 Swift 语言的演进,类似的工具也需要不断调整以适应新的语言特性和开发者的实际需求。
这个问题已在 SwiftFormat 0.55.5 版本中得到修复,体现了开源社区快速响应和持续改进的优势。对于开发者而言,理解工具背后的设计思路有助于更有效地使用它们,并在遇到类似问题时能够提出建设性的改进建议。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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