三种反应式算法一次讲透：推/拉/推拉混合
内容提要
本文介绍三种反应式编程算法：推、拉、推拉混合，用于处理数据变化时的高效更新。推模式精准但易乱序和泄漏中间状态；拉模式简单安全但全量重算浪费；推拉结合先标记脏格子再计算，兼顾效率与正确性。选择取决于数据规模、改动频率和中间状态容忍度，无完美算法，需按场景取舍。
延伸解读
推模式的乱序与中间状态问题
推模式虽然精准，但存在两个隐患：一是依赖关系复杂时，一个格子可能被多次通知，导致重复计算；二是更新过程中，其他代码可能读到中间状态，造成数据不一致。文章以A、B、C、D格子为例，说明D可能收到三次通知，前两次浪费。解决乱序需要全局排序，但这与推模式“只知邻居”的设计相悖。中间状态泄漏则需靠自觉或额外机制规避。
拉模式的缓存失效难题
拉模式通过函数调用自动处理依赖，天然避免中间状态，但全量重算代价高。引入缓存可缓解，但缓存失效是难点：改一个输入，哪些缓存该清？清错会导致数据错误，漏清则返回旧值。文章指出，拉模式无法预知哪些格子会变，只能全算，因此数据量大时效率低下。React的组件树更新是折中方案，但非通用。
推拉结合的两阶段设计
推拉结合分两步：先推标记脏格子，再拉计算。标记阶段无副作用，每个格子只插一次旗，顺序无关；计算阶段递归处理脏依赖，确保无中间状态。此模式兼顾效率与正确性，但要求整个拉过程在一个时间片内完成，若计算过重需拆成状态机，增加复杂度。
选型建议：按场景取舍
文章强调无完美算法，选择取决于数据规模、改动频率和中间状态容忍度。推模式适合事件驱动、依赖链浅的场景；拉模式适合依赖复杂但数据量小；推拉结合适合大型表格或复杂GUI。实际开发前，应评估数据量、改动频率和中间状态影响，再决定采用哪种模式。
Q&A
推模式、拉模式和推拉混合模式分别是什么？
推模式是数据变化时主动通知所有依赖它的格子重新计算；拉模式是输出格子需要时向上层询问，直到输入格子，再逐层返回；推拉混合模式先通过推标记所有受影响的格子为脏，再通过拉只计算这些脏格子。
推模式有什么优缺点？
推模式优点是精准，只通知依赖的格子，适合事件驱动场景。缺点是可能重复计算（如B依赖A和C，C又依赖A，B会收到两次通知），且容易泄漏中间状态（更新过程中其他代码可能读到不一致的值）。
拉模式为什么不会出现中间状态问题？
因为拉模式的所有计算都在一次递归调用中完成，中间不会插入其他操作，所以不会出现中间状态被外部看到的问题。
推拉混合模式是如何工作的？
分两步：第一步是推，从修改的输入格子开始，向下遍历，给每个受影响的格子插上脏标记，并记录输出格子；第二步是拉，处理待更新清单中的输出格子，向上询问依赖，若依赖是脏的则递归计算并擦除标记，最终所有格子更新为最新值。
推拉混合模式相比推模式和拉模式有什么优势？
它结合了两者优点：效率高（每个脏格子只访问一次），只计算受影响的格子，无中间状态（计算集中在拉阶段），支持动态依赖，且不需要全局顺序。
在实际开发中如何选择推、拉或推拉混合模式？
根据数据规模、改动频率和中间状态容忍度选择：推模式适合事件驱动且影响范围小的场景；拉模式适合依赖复杂但数据量不大的场景（如React组件树）；推拉混合适合大型电子表格或复杂GUI，但需保证更新能在单次循环完成。
