Redux Toolkit 在 Next.js 中集成 RTK Query 和 redux-logger 的最佳实践
前言
在现代前端开发中,状态管理是一个至关重要的环节。Redux Toolkit 作为 Redux 官方推荐的工具集,极大地简化了 Redux 的使用流程。特别是在 Next.js 这样的服务端渲染框架中,如何正确配置 Redux 存储(store)成为了开发者需要掌握的关键技能。
Next.js 中的 Redux 存储配置
Next.js 的 App Router 模式推荐使用 makeStore 函数来创建 Redux 存储。这种工厂函数的方式特别适合服务端渲染场景,因为它允许我们在每次请求时创建新的存储实例,避免状态污染。
基础配置通常如下所示:
export const makeStore = () => {
return configureStore({
reducer: {},
})
}
集成 RTK Query
RTK Query 是 Redux Toolkit 提供的强大数据获取和缓存解决方案。要在 Next.js 中正确集成 RTK Query,我们需要特别注意以下几点:
- 添加 reducer:必须将 API slice 的 reducer 添加到存储配置中
- 添加中间件:需要包含 RTK Query 的专用中间件
- 设置监听器:调用
setupListeners以启用 refetchOnFocus 和 refetchOnReconnect 功能
正确的实现方式应该是:
import { configureStore } from "@reduxjs/toolkit";
import { setupListeners } from "@reduxjs/toolkit/query";
import apiSlice from "./features/api/apiSlice";
export const makeStore = () => {
const store = configureStore({
reducer: {
[apiSlice.reducerPath]: apiSlice.reducer,
},
middleware: (getDefaultMiddleware) =>
getDefaultMiddleware().concat(apiSlice.middleware),
});
setupListeners(store.dispatch);
return store;
};
这里的关键点在于 setupListeners 必须在存储实例创建后才能调用,因此我们需要在 makeStore 函数内部完成这一操作。
添加 redux-logger 中间件
为了开发阶段的调试便利,我们通常会添加 redux-logger 中间件来记录状态变化。在 Next.js 的配置中,我们需要将其与其他中间件一起添加到中间件链中:
import { createLogger } from "redux-logger";
const logger = createLogger();
export const makeStore = () => {
const store = configureStore({
reducer: {
[apiSlice.reducerPath]: apiSlice.reducer,
},
middleware: (getDefaultMiddleware) =>
getDefaultMiddleware().concat(apiSlice.middleware, logger),
});
setupListeners(store.dispatch);
return store;
};
需要注意的是,中间件的顺序很重要。通常我们应该保持 RTK Query 中间件在 logger 之前,以确保正确的行为。
完整实现方案
结合上述所有要点,我们得到 Next.js 中 Redux Toolkit 的完整配置方案:
import { configureStore } from "@reduxjs/toolkit";
import { createLogger } from "redux-logger";
import { setupListeners } from "@reduxjs/toolkit/query";
import apiSlice from "./features/api/apiSlice";
const logger = createLogger();
export const makeStore = () => {
const store = configureStore({
reducer: {
[apiSlice.reducerPath]: apiSlice.reducer,
// 可以在这里添加其他reducer
},
middleware: (getDefaultMiddleware) =>
getDefaultMiddleware().concat(apiSlice.middleware, logger),
// 开发环境下启用Redux DevTools
devTools: process.env.NODE_ENV !== "production",
});
setupListeners(store.dispatch);
return store;
};
在组件中使用
最后,我们需要在 Next.js 应用中提供这个存储。通常我们会创建一个 StoreProvider 组件:
"use client";
import { useRef } from "react";
import { Provider } from "react-redux";
import { makeStore } from "@/lib/store";
export default function StoreProvider({ children }) {
const storeRef = useRef();
if (!storeRef.current) {
storeRef.current = makeStore();
}
return <Provider store={storeRef.current}>{children}</Provider>;
}
然后在布局文件中包裹整个应用:
import StoreProvider from "@/app/StoreProvider";
export default function RootLayout({ children }) {
return (
<StoreProvider>
{children}
</StoreProvider>
);
}
总结
在 Next.js 中配置 Redux Toolkit 需要特别注意存储实例的创建时机和中间件的正确添加顺序。通过 makeStore 工厂函数的方式,我们能够很好地适应服务端渲染的需求。RTK Query 和 redux-logger 的集成需要遵循特定的模式,特别是 setupListeners 的调用时机必须正确。
这种配置方式既保持了开发时的调试便利性,又确保了生产环境下的性能优化,是 Next.js 项目中使用 Redux Toolkit 的推荐实践。
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