关于“幽灵架构”的补充说明1:协议中的方法定义

简介: 承接上一篇博文,上一篇的篇幅有点太长了,我觉得有一些相关的技术点需要说明,所以重新写几篇博文。

承接上一篇博文,上一篇的篇幅有点太长了,我觉得有一些相关的技术点需要说明,所以重新写几篇博文。这个系列的文章将要说明以下几个问题:
1.giveData和getData在各自协议中的位置
2.使用struct代替class的好处
3.“幽灵架构”为什么不会产生循环引用
4.协议的应用场景与局限性
5.运用面向协议编程思想改造控制器
让我们来简单回顾下这个架构,如果不明白的可以参考上一篇博文:
核心只有两个协议:

//视图使用的协议
protocol ViewType{
    func getData<M:ModelType>(model:M)
}
//数据使用的协议
protocol ModelType{
}
//定义默认方法giveData
extension ModelType{
    func giveData<V:ViewType>(view:V){
        view.getData(self)
    }
}

首先来回答第一个问题,为什么getData被定义在协议ViewType的定义中,只有函数声明没有实现,而giveData被定义在ModelType的扩展中,并且附带了方法的具体实现。请看下面的例子:

protocol SharedString{
}

extension SharedString{
    func methodForOverride(){
        print("(。•ˇ‸ˇ•。)")
    }

    func methodWithoutOverride(){
        print("------")
        methodForOverride()
        print("------")
    }
}

两个方法都被定义在了协议的扩展中,现在让String遵守该协议,String将免费获得这两个方法的实现,并且在String的扩展中重写methodForOverride()的实现,输出String本身的值:

extension String:SharedString{
    func methodForOverride(){
        print(self)
    }
}

现在使用字面量生成一个String类型,然后调用方法methodForOverride:

"hello".methodForOverride()

输出的结果是“Hello”,这符合我们的预期,这里使用字面量生成了一个实例,依靠了类型推断的默认值,“Hello”是Sting类型的,也就是SharedString的具体遵守者,所以调用了被重写的methodForOverride版本。Swift中的方法重载不仅可以根据参数进行重载,还可以根据返回值类型进行重载,只需要修改返回值的声明即可。这里我们修改“hello”的上下文:

//用一个字面量来跟大家打个招呼
"hello".methodForOverride()
//hello是SharedString类型的
let hello:SharedString = "hello"
hello.methodForOverride()

hello是SharedString类型的,虽然hello和“hello”的字面量是相同的,打印结果如下:
这里写图片描述
有趣的是在协议的扩展中声明的方法定义会被保留,更有趣的是另一个方法methodWithoutOverride(),这个方法在方法体中调用了另一个方法methodForOverride,现在对“hello”和hello调用方法methodWithoutOverride:

"hello".methodWithoutOverride()
hello.methodWithoutOverride()

结果如下:
这里写图片描述
结果有点出乎意料,虽然我们在协议遵守者的定义中重写了方法methodForOverride,定义在协议扩展中的另一个方法只会使用methodForOverride的默认版本的实现,这是协议扩展的静态特性。现在把methodForOverride的声明从协议的扩展中挪到协议的声明中:

protocol SharedString{
    func methodForOverride()
}

extension SharedString{
    func methodForOverride(){
        print("(。•ˇ‸ˇ•。)")
    }

    func methodWithoutOverride(){
        print("------")
        methodForOverride()
        print("------")
    }
}

现在无论你使用“hello”还是hello调用methodForOverride()和methodWithoutOverride()都只会输出重写后的结果。
结论:把需要被重写的方法声明在协议的声明中是一种刻意的做法,我们希望该方法被重写,回到架构上,getData负责不同的View处理获得的Model,View的类型非常多,所以getData的格式无法统一到一个默认的方法实现中,我们需要getData被具体的View所重写,为了强制这种意图,getData甚至没有一个默认的实现方法体。根据Swift的协议规则,协议遵守者需要实现协议中的所有方法,所以getData一定会有具体声明。而前文也总结过,对于ModelType中的giveData这个方法的功能非常统一,即向View传递Model,所以统一到同一个方法实现中,并且我们不希望这个方法被重写,因为重写会破坏getData中的逻辑,所以把方法声明写在了协议的扩展中。
最后需要说明的是“幽灵架构”这个名字只是想表达代码隐形的愉悦,其实名字本身并不重要。

目录
相关文章
|
3月前
|
缓存 负载均衡 监控
微服务架构下的电商API接口设计:策略、方法与实战案例
本文探讨了微服务架构下的电商API接口设计,旨在打造高效、灵活与可扩展的电商系统。通过服务拆分(如商品、订单、支付等模块)和标准化设计(RESTful或GraphQL风格),确保接口一致性与易用性。同时,采用缓存策略、负载均衡及限流技术优化性能,并借助Prometheus等工具实现监控与日志管理。微服务架构的优势在于支持敏捷开发、高并发处理和独立部署,满足电商业务快速迭代需求。未来,电商API设计将向智能化与安全化方向发展。
|
5月前
|
人工智能 JavaScript 开发工具
MCP详解:背景、架构与应用
模型上下文协议(MCP)是由Anthropic提出的开源标准,旨在解决大语言模型与外部数据源和工具集成的难题。作为AI领域的“USB-C接口”,MCP通过标准化、双向通信通道连接模型与外部服务,支持资源访问、工具调用及提示模板交互。其架构基于客户端-服务器模型,提供Python、TypeScript等多语言SDK,方便开发者快速构建服务。MCP已广泛应用于文件系统、数据库、网页浏览等领域,并被阿里云百炼平台引入,助力快速搭建智能助手。未来,MCP有望成为连接大模型与现实世界的通用标准,推动AI生态繁荣发展。
4916 66
|
5月前
|
人工智能 自然语言处理 API
MCP与A2A协议比较:人工智能系统互联与协作的技术基础架构
本文深入解析了人工智能领域的两项关键基础设施协议:模型上下文协议(MCP)与代理对代理协议(A2A)。MCP由Anthropic开发,专注于标准化AI模型与外部工具和数据源的连接,降低系统集成复杂度;A2A由Google发布,旨在实现不同AI代理间的跨平台协作。两者虽有相似之处,但在设计目标与应用场景上互为补充。文章通过具体示例分析了两种协议的技术差异及适用场景,并探讨了其在企业工作流自动化、医疗信息系统和软件工程中的应用。最后,文章强调了整合MCP与A2A构建协同AI系统架构的重要性,为未来AI技术生态系统的演进提供了方向。
834 62
|
6月前
|
存储 智能硬件
CPU的定义与功能与架构
CPU(中央处理器)是计算机的核心部件,负责执行程序指令、控制数据传输和进行运算。它能处理算术与逻辑运算,并协调其他硬件协同工作。x86架构源于英特尔,适用于PC和服务器,采用复杂指令集;ARM架构则由Acorn等公司开发,广泛用于移动设备和嵌入式系统,采用精简指令集,功耗低且能效比高。
569 5
|
8月前
|
自然语言处理 算法 JavaScript
面向长文本的多模型协作摘要架构:多LLM文本摘要方法
多LLM摘要框架通过生成和评估两个步骤处理长文档,支持集中式和分散式两种策略。每个LLM独立生成文本摘要,集中式方法由单一LLM评估并选择最佳摘要,而分散式方法则由多个LLM共同评估,达成共识。论文提出两阶段流程:先分块摘要,再汇总生成最终摘要。实验结果显示,多LLM框架显著优于单LLM基准,性能提升最高达3倍,且仅需少量LLM和一轮生成评估即可获得显著效果。
271 10
面向长文本的多模型协作摘要架构:多LLM文本摘要方法
|
8月前
|
机器学习/深度学习 人工智能 NoSQL
记忆层增强的 Transformer 架构:通过可训练键值存储提升 LLM 性能的创新方法
Meta研究团队开发的记忆层技术通过替换Transformer中的前馈网络(FFN),显著提升了大语言模型的性能。记忆层使用可训练的固定键值对,规模达百万级别,仅计算最相似的前k个键值,优化了计算效率。实验显示,记忆层使模型在事实准确性上提升超100%,且在代码生成和通用知识领域表现优异,媲美4倍计算资源训练的传统模型。这一创新对下一代AI架构的发展具有重要意义。
344 11
记忆层增强的 Transformer 架构:通过可训练键值存储提升 LLM 性能的创新方法
|
10月前
|
运维 负载均衡 Shell
控制员工上网软件:高可用架构的构建方法
本文介绍了构建控制员工上网软件的高可用架构的方法,包括负载均衡、数据备份与恢复、故障检测与自动切换等关键机制,以确保企业网络管理系统的稳定运行。通过具体代码示例,展示了如何实现这些机制。
210 63
|
9月前
|
机器学习/深度学习 算法 数据可视化
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
本文探讨了在量化交易中结合时序特征和静态特征的混合建模方法。通过整合堆叠稀疏降噪自编码器(SSDA)和基于LSTM的自编码器(LSTM-AE),构建了一个能够全面捕捉市场动态特性的交易系统。SSDA通过降噪技术提取股票数据的鲁棒表示,LSTM-AE则专注于捕捉市场的时序依赖关系。系统采用A2C算法进行强化学习,通过多维度的奖励计算机制,实现了在可接受的风险水平下最大化收益的目标。实验结果显示,该系统在不同波动特征的股票上表现出差异化的适应能力,特别是在存在明确市场趋势的情况下,决策准确性较高。
240 5
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
|
7月前
|
机器学习/深度学习 算法 文件存储
神经架构搜索:自动化设计神经网络的方法
在人工智能(AI)和深度学习(Deep Learning)快速发展的背景下,神经网络架构的设计已成为一个日益复杂而关键的任务。传统上,研究人员和工程师需要通过经验和反复试验来手动设计神经网络,耗费大量时间和计算资源。随着模型规模的不断扩大,这种方法显得愈加低效和不够灵活。为了解决这一挑战,神经架构搜索(Neural Architecture Search,NAS)应运而生,成为自动化设计神经网络的重要工具。