Specification项目优化:移除Specification中的Evaluator与Validator状态
背景与问题分析
在Specification项目的架构设计中,最初为了提供高度灵活性,允许用户通过构造函数注入自定义的IInMemorySpecificationEvaluator和ISpecificationValidator实现。这种设计虽然在理论上提供了扩展性,但在实际应用中却带来了不必要的性能开销。
经过项目团队的长期观察发现,95%以上的用户并没有真正利用这种扩展能力。大多数用户直接使用库提供的默认实现,却因为这种"以防万一"的设计而承担了额外的内存分配成本——每个Specification实例都需要存储这些实现引用,导致每个实例浪费16字节的内存空间。
解决方案设计
在项目v9版本的性能优化主题下,团队决定对这部分设计进行重构:
- 移除构造函数注入:不再允许通过构造函数参数传入自定义的Evaluator和Validator实现
- 改为计算属性:将Evaluator和Validator定义为虚拟计算属性(virtual properties)
- 保持扩展性:虽然改变了实现方式,但通过保留virtual关键字,仍然允许用户在必要时通过继承覆盖这些属性
这种改变带来了显著的内存优化效果。由于默认实现都是单例实例,访问这些属性时不会产生额外的内存分配。对于绝大多数不需要自定义实现的用户来说,这直接减少了每个Specification实例的内存占用。
技术实现细节
在具体实现上,新的设计将类似以下代码:
public virtual IInMemorySpecificationEvaluator Evaluator
=> InMemorySpecificationEvaluator.Default;
public virtual ISpecificationValidator Validator
=> SpecificationValidator.Default;
而不是原来的:
public Specification(IInMemorySpecificationEvaluator evaluator, ISpecificationValidator validator)
{
_evaluator = evaluator ?? InMemorySpecificationEvaluator.Default;
_validator = validator ?? SpecificationValidator.Default;
}
兼容性考虑
虽然这是一个破坏性变更(breaking change),但团队经过评估认为影响范围有限:
- 普通用户不受影响:继续使用默认实现的用户无需任何代码修改
- 高级用户小改动:需要使用自定义实现的用户需要改为通过继承覆盖属性,而不是构造函数注入
这种改变符合.NET生态中常见的扩展模式,许多框架都采用类似的设计(如ASP.NET Core中的各种Options配置)。
性能收益
通过这一优化,每个Specification实例减少了:
- 两个引用类型字段的存储(通常各8字节)
- 构造函数参数传递的开销
- 空值检查的逻辑
对于大规模使用Specification模式的应用程序,这种微优化在聚合后可能带来显著的内存节省。
最佳实践建议
对于需要自定义行为的用户,新的推荐做法是:
public class CustomSpecification : Specification<Entity>
{
public override IInMemorySpecificationEvaluator Evaluator
=> CustomEvaluator.Instance;
// 其他Specification实现...
}
这种模式更符合SOLID原则,特别是开闭原则(OCP)——通过继承而不是修改来扩展行为。
总结
Specification项目的这一变更体现了软件设计中一个重要的平衡艺术:在提供足够扩展性的同时,不应该让大多数用户为少数人可能用到的功能付出代价。通过将昂贵的"以防万一"设计转变为更轻量的"按需扩展"模式,项目在保持灵活性的同时提升了基础性能,这是框架类库演进的一个典范案例。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00