NgRx Signals 中注入上下文到 onDestroy 的设计思考
在 NgRx Signals 项目中,开发者们正在讨论如何为 onDestroy 生命周期钩子提供依赖注入(DI)上下文的最佳实践。这一技术决策关系到信号存储(Signal Store)的生命周期管理方式,值得深入探讨。
背景与挑战
在 Angular 生态系统中,依赖注入是一个核心特性。然而,当涉及到生命周期钩子时,特别是在信号存储的上下文中,如何优雅地处理依赖注入成为了一个技术挑战。当前面临的主要问题是:onDestroy 钩子需要在注入上下文之外运行,这限制了开发者直接使用 inject() 函数获取服务的能力。
两种设计方案
社区提出了两种主要的设计方案:
方案一:"Svelte 风格"闭包方式
withHooks((store) => {
const service = inject(SomeService);
// 初始化逻辑
return () => {
service.doSomethingAtTheEnd();
}
})
方案二:显式生命周期钩子对象
withHooks((store) => {
const service = inject(SomeService);
return {
onInit() {
service.doSomethingAtTheStart();
},
onDestroy() {
service.doSomethingAtTheEnd();
}
}
})
方案对比与技术考量
-
一致性原则:方案二与 NgRx Signals 现有的
withMethods和withComputedAPI 设计风格保持一致,都采用了"DI访问+实现分离"的模式。 -
扩展性考量:方案二为未来可能添加的其他生命周期钩子(如
onChange)预留了扩展空间,而方案一的闭包方式在这方面显得较为局限。 -
Angular 生态适配:方案二的
onInit和onDestroy命名与 Angular 组件生命周期钩子保持一致,降低了开发者的认知负担。 -
技术约束:两种方案都能解决注入上下文的问题,但方案二通过对象属性明确定义了不同生命周期的行为,代码结构更为清晰。
实现细节与演进
在技术实现过程中,团队还考虑了以下关键点:
-
Store 传递方式:最终决定将 store 作为参数传递给
withHooks函数,而不是各个生命周期钩子,这保持了与 Angular 生命周期钩子无参数的设计一致性。 -
防滥用机制:虽然无法完全防止开发者将初始化逻辑放在错误的位置,但可以通过代码规范和潜在的 lint 规则来引导正确用法。
-
类型安全:TypeScript 的类型系统确保了返回对象的正确结构,为开发者提供了良好的类型提示和编译时检查。
最佳实践建议
基于这一设计决策,建议开发者在实际项目中:
- 将依赖注入的逻辑集中在
withHooks的主函数体内 - 将具体的初始化逻辑放在
onInit方法中 - 清理逻辑应当置于
onDestroy方法 - 避免在
withHooks主函数体内直接执行业务逻辑
这一设计不仅解决了当前的技术挑战,还为 NgRx Signals 未来的功能扩展奠定了良好的基础架构。通过这种方式,开发者可以更自然地管理信号存储的生命周期,同时充分利用 Angular 强大的依赖注入系统。
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