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。
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
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