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。
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