Jotai 中的惰性初始化原子实现方案
Jotai 是一个 React 状态管理库,它采用原子(atom)的概念来管理应用状态。在最新讨论中,开发者们提出了一个有趣的功能需求:如何实现原始原子(primitive atom)的惰性初始化。
惰性初始化的需求背景
在 React 应用中,我们经常会遇到需要延迟执行某些初始化逻辑的场景。例如:
- 某些计算密集型操作希望在真正使用时才执行
- 某些资源需要在应用初始化完成后才可用
- 避免在不同存储(store)或提供者(provider)之间共享对象
目前 Jotai 中,只有派生原子(derived atom)支持惰性求值,原始原子在创建时就会立即初始化。这限制了某些使用场景,因此开发者们探讨了如何为原始原子添加惰性初始化能力。
解决方案演进
初始方案:原子嵌套原子
最初提出的解决方案是使用一个包装原子(wrapped atom)来包裹实际原子:
function atomWithLazy(makeInitial) {
const wrappedAtom = atom(() => atom(makeInitial()))
return atom(
(get) => get(get(wrappedAtom)),
(get, set, ...args) => set(get(wrappedAtom), ...args)
)
}
这种方案通过两层原子结构实现了惰性初始化:
- 外层原子(wrappedAtom)在首次使用时才会创建内层原子
- 内层原子才是真正存储值的原始原子
- 返回的代理原子负责转发读写操作
与 Jotai Scope 的兼容性问题
该方案在与 Jotai Scope 一起使用时会出现问题。由于 Scope 会创建新的存储上下文,导致原子被意外创建多次。为了解决这个问题,开发者们引入了 unstable_is 标识来确保原子身份的一致性。
更优雅的解决方案:init 属性劫持
经过深入探讨,开发者们提出了一个更为优雅的解决方案 - 通过劫持原子的 init 属性:
function atomWithLazy(makeInitial) {
return {
...atom(undefined),
get init() {
return makeInitial();
},
};
}
这个方案的优势在于:
- 直接创建一个原始原子,但初始值为 undefined
- 通过 getter 劫持 init 属性,在首次访问时才执行初始化函数
- 避免了原子嵌套带来的复杂性
- 代码更加简洁直观
虽然在与 Jotai Scope 一起使用时会有轻微的性能开销(初始化函数会被调用3次而非1次),但这种权衡被认为是可接受的。
实现原理分析
惰性初始化原子的核心原理是利用了 JavaScript 的 getter 特性。当 Jotai 存储首次访问原子时,会读取其 init 属性来获取初始值。通过将 init 定义为 getter,我们可以延迟初始化逻辑的执行。
这种实现方式与 React 的 lazy 组件有相似之处,都是将初始化逻辑推迟到真正需要时才执行。对于资源敏感型应用,这种延迟加载策略可以显著提升初始加载性能。
使用场景建议
惰性初始化原子特别适用于以下场景:
- 计算密集型操作:如大数据集处理、复杂计算等
- 异步资源加载:如需要等待某些API响应后才能初始化的状态
- 上下文敏感资源:如需要特定上下文(如认证信息)才能初始化的对象
- 多存储隔离:确保不同存储实例拥有独立的状态对象
总结
Jotai 社区通过深入讨论,最终确定了一个简洁而强大的惰性初始化原子实现方案。这种方案不仅满足了原始原子延迟初始化的需求,还保持了与现有功能(如 Jotai Scope)的良好兼容性。通过劫持 init 属性的方式,开发者可以轻松创建只在首次使用时才执行初始化逻辑的原子,为状态管理提供了更大的灵活性。
这种实现方式展示了 Jotai 设计上的可扩展性,也体现了开源社区通过协作解决问题的智慧结晶。对于需要精细控制状态初始化时机的应用场景,这无疑是一个有价值的补充。
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 StartedRust0191
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 Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09