Redux Toolkit中如何正确定义和使用TypedUseQuery类型
2025-05-21 11:34:53作者:胡易黎Nicole
在Redux Toolkit项目开发中,我们经常需要封装统一的API调用接口,以便在不同应用间共享组件。本文将深入探讨如何正确使用TypedUseQuery类型来定义统一的查询钩子接口。
问题背景
当我们需要在多个应用间共享使用Redux Toolkit Query的组件时,常常会遇到一个需求:组件需要调用API,但具体的API实现可能因应用而异。这时就需要定义一个统一的接口类型,让组件不关心具体实现,而由各个应用自行提供符合规范的实现。
错误示范
初学者可能会尝试这样定义和使用TypedUseQuery类型:
import {FetchArgs, BaseQueryFn} from '@reduxjs/toolkit/query';
import {TypedUseQuery} from '@reduxjs/toolkit/query/react';
export type UseFetchingType = TypedUseQuery<JSONValue, FetchArgs, BaseQueryFn>;
// 错误的实现方式
export const defaultUseFetching: UseFetchingType = () => ({
data: undefined,
error: undefined,
isUninitialized: true,
isLoading: false,
isFetching: false,
isSuccess: false,
isError: false,
refetch: () => {},
});
这种写法会导致TypeScript报错,因为TypedUseQuery类型实际上是一个复杂的泛型类型,它需要考虑selectFromResult等选项,而简单的返回固定值对象并不符合其类型约束。
正确实现方式
正确的做法是使用Redux Toolkit Query实际生成的查询钩子来赋值:
// 首先创建API切片
export const apiSlice = createApi({
reducerPath: 'api',
baseQuery: autoBaseQueryWithReAuth,
endpoints: _builder => ({}),
});
// 然后注入具体端点
const slice = apiSlice.injectEndpoints({
endpoints: builder => ({
generalFetching: builder.query<JSONValue, string | FetchArgs>({
query: args =>
typeof args === 'object'
? {
...args,
method: args.method ?? 'GET',
params: {rid: crypto.randomUUID(), ...args.params},
}
: {
url: args,
method: 'GET',
params: {rid: crypto.randomUUID()},
},
transformResponse: (rawResult) => rawResult.data!,
}),
}),
});
// 获取生成的查询钩子
const {useGeneralFetchingQuery} = slice;
// 这才是正确的赋值方式
const defaultUseFetching: UseFetchingType = useGeneralFetchingQuery;
类型定义解析
让我们仔细看看TypedUseQuery的类型定义:
type UseFetchingType = TypedUseQuery<ResultType, QueryArg, BaseQuery>;
其中三个泛型参数分别代表:
- ResultType: 查询结果的类型
- QueryArg: 查询参数的类型,可以是字符串或FetchArgs对象
- BaseQuery: 基础查询函数的类型
架构设计建议
在实际项目中,推荐采用以下架构设计:
- 定义统一的接口类型(UseFetchingType)
- 组件层只依赖接口类型,不关心具体实现
- 每个应用提供自己的实现,注入到组件中
- 组件在不同应用中运行时,会自动使用对应的API实现
这种设计模式很好地遵循了依赖倒置原则,使组件与具体实现解耦,提高了代码的可复用性和可维护性。
总结
正确使用Redux Toolkit的TypedUseQuery类型需要注意以下几点:
- TypedUseQuery是一个复杂的泛型类型,不能简单地用固定返回值来模拟
- 应该使用createApi和injectEndpoints生成的真实查询钩子
- 类型参数需要正确定义结果类型、查询参数类型和基础查询类型
- 这种类型定义方式非常适合在需要统一接口的多应用场景中使用
通过本文的介绍,希望读者能够掌握在Redux Toolkit项目中正确定义和使用TypedUseQuery类型的方法,构建出更加灵活、可复用的前端架构。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0127
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python07
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
766
5.01 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
863
1.96 K
Ascend Extension for PyTorch
Python
722
896
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
690
1.35 K
openEuler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。
C
458
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
238
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
628
Oohos_react_native
React Native鸿蒙化仓库
C++
357
425