Redux Toolkit 2.0 迁移中 getDefaultEnhancers 问题解析
问题背景
在从 Redux Toolkit 1.x 升级到 2.0 版本的过程中,开发者可能会遇到一个常见问题:getDefaultEnhancers is not a function 错误。这个问题通常出现在配置 Redux store 时,特别是在使用 configureStore API 时。
问题现象
当开发者按照 Redux Toolkit 2.0 的文档配置 store 时,可能会编写如下代码:
const store = configureStore({
reducer: rootReducer,
middleware: (getDefaultMiddleware) =>
getDefaultMiddleware().concat(additionalMiddleware),
enhancers: (getDefaultEnhancers) => {
return getDefaultEnhancers().concat(customEnhancer);
}
});
然而运行时却会遇到 getDefaultEnhancers is not a function 的错误提示。
根本原因
这个问题的主要原因是项目中实际上仍然在使用 Redux Toolkit 1.x 版本的代码。在 1.x 版本中,enhancers 配置项接收的是一个数组,而在 2.0 版本中,它接收的是一个回调函数。
具体差异:
- Redux Toolkit 1.x:
enhancers接收默认 enhancers 数组 - Redux Toolkit 2.0:
enhancers接收一个返回 enhancers 数组的函数
解决方案
要解决这个问题,可以采取以下步骤:
-
确认 Redux Toolkit 版本: 运行
npm ls @reduxjs/toolkit或yarn why @reduxjs/toolkit确认项目中实际使用的版本。 -
清理项目依赖: 删除
node_modules和 lock 文件(package-lock.json 或 yarn.lock),然后重新安装依赖。 -
检查导入路径: 确保所有从 Redux Toolkit 的导入路径都是正确的。在 2.0 版本中,一些内部路径发生了变化,特别是移除了
/dist路径。错误示例:
import { EntityState } from '@reduxjs/toolkit/dist/entities/models';正确示例:
import { EntityState } from '@reduxjs/toolkit'; -
更新类型定义: 注意 Redux Toolkit 2.0 中对类型系统的改进,如
EntityState现在需要显式指定 ID 类型。
最佳实践
为了避免这类问题,在升级 Redux Toolkit 时建议:
- 仔细阅读官方迁移指南
- 逐步升级,先解决主要 API 变更
- 使用 TypeScript 可以帮助捕获一些类型相关的错误
- 建立完善的测试覆盖,确保升级不会破坏现有功能
总结
Redux Toolkit 2.0 带来了许多改进,但在升级过程中可能会遇到一些兼容性问题。getDefaultEnhancers is not a function 错误通常表明项目中混合了 1.x 和 2.0 版本的代码。通过彻底检查依赖关系、更新导入路径和调整配置方式,可以顺利解决这个问题。
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