SolidJS中createMemo与异步资源依赖的双重执行问题解析
2025-05-04 20:24:24作者:尤辰城Agatha
引言
在SolidJS应用开发中,createMemo是一个常用的响应式工具函数,用于创建派生状态。然而,当它与异步资源(createResource)结合使用时,开发者可能会遇到一个看似违反直觉的行为——memo函数会被执行两次,其中第一次执行时资源还处于pending状态。本文将深入分析这一现象的原因、SolidJS的设计哲学以及解决方案。
问题现象
当开发者使用createMemo依赖createResource创建的异步资源时,即使外层已经用Show组件包裹并检查资源状态,memo函数仍会在资源加载完成前执行一次。例如:
const [myObject] = createResource(() => Number(params.id), fetchData);
const srcPlugin = createMemo(() => {
// 第一次执行时myObject()为undefined
return myObject()?.sourceId;
});
核心机制解析
SolidJS的响应式执行模型
SolidJS采用了一种"推送-拉取"混合的响应式模型,其核心特点包括:
- 即时计算:所有响应式计算(包括createMemo)在声明时会立即执行一次
- 依赖追踪:在执行过程中自动追踪依赖关系
- 批量更新:状态变化后统一调度更新
双重执行的根本原因
当createMemo依赖异步资源时,会发生以下执行流程:
-
初始化阶段:
- createResource立即启动异步请求
- createMemo同步执行第一次计算(此时资源pending)
-
异步完成阶段:
- 资源加载完成,触发响应式更新
- createMemo检测到依赖变化,执行第二次计算
与React的差异对比
与React的useMemo不同,SolidJS的createMemo不区分同步/异步上下文:
| 特性 | SolidJS createMemo | React useMemo |
|---|---|---|
| 初始执行 | 立即执行 | 立即执行 |
| 异步处理 | 不自动等待 | 自动等待 |
| 执行次数 | 至少一次 | 条件性执行 |
解决方案与实践建议
1. 显式状态检查
const srcPlugin = createMemo(() => {
if (myObject.state !== "ready") return;
return context.sourcePlugins.get(myObject().sourceId);
});
2. 使用惰性计算模式
Solid Primitives库提供了createLazyMemo,它实现了真正的惰性求值:
import { createLazyMemo } from "@solid-primitives/memo";
const srcPlugin = createLazyMemo(() => {
return myObject()?.sourceId;
});
3. 自定义缓存函数
可以封装一个高阶函数来实现条件性计算:
function createConditionalMemo<T>(fn: () => T) {
let lastValue: T;
return () => {
const newValue = fn();
if (newValue !== undefined) {
lastValue = newValue;
}
return lastValue;
};
}
SolidJS 2.0的改进方向
SolidJS团队正在2.0版本中重新设计响应式系统,主要改进包括:
- 更精细的调度控制:允许计算函数声明其依赖性质(同步/异步)
- 惰性求值优化:减少不必要的中间计算
- 更智能的依赖追踪:区分静态和动态依赖关系
总结
SolidJS当前版本中createMemo的双重执行行为是其响应式系统设计的有意为之,虽然可能带来一些开发上的不便,但也确保了响应式的一致性和可预测性。开发者可以通过状态检查或惰性计算模式来解决实际问题。随着SolidJS 2.0的演进,这一问题有望得到更优雅的解决方案。
理解这些底层机制有助于开发者更好地驾驭SolidJS的响应式系统,构建更高效的应用程序。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Jetson TX2开发板官方资源完全指南:从入门到精通 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 2023年最新HTMLCSSJS组件库:提升前端开发效率的必备资源 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
138
169
暂无简介
Dart
598
130
React Native鸿蒙化仓库
JavaScript
235
309
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++
632
232
仓颉编译器源码及 cjdb 调试工具。
C++
123
717
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
616
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
197
74
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
460