Silex Reactivity 引擎

silex_reactivity 是 Silex 框架的底层响应式引擎。它实现了一个类型擦除 (Type-Erased)、细粒度 (Fine-Grained) 的响应式图谱。

设计理念

该 crate 采用了引擎与接口分离的设计模式：

Runtime (运行时)：负责管理节点图谱、数据存储 (Arena / SparseSecondaryMap)、副作用调度和内存管理。
Algorithm (算法)：核心图算法（如 BFS 状态传播、迭代式 DFS 求值）被解耦到 algorithm.rs 模块，并通过 ReactiveGraph trait 与运行时交互。
Type Erasure (类型擦除)：所有的信号值都以 AnyValue 的形式存储。这是一种支持小对象优化 (SOO) 的异构容器，使得运行时可以统一管理不同类型的信号，且避免了小数据的堆分配。
Zero-Allocation (零分配)：利用 WorkSpace 对象池复用 Vec 和 VecDeque，在图遍历和更新传播过程中实现摊销零分配。
Arena 存储：使用定制的 Arena 和 SparseSecondaryMap 存储节点数据，提供稳定的 NodeId 引用和高效的内存访问（通过分块和代际索引）。

核心架构

1. Runtime (运行时)

Runtime 是一个线程局部 (Thread-Local) 的单例，包含了整个响应式系统的状态：

#![allow(unused)]
fn main() {
pub struct Runtime {
    pub(crate) graph: Arena<Node>,
    pub(crate) node_aux: SparseSecondaryMap<NodeAux, 32>, // 冷数据存储
    pub(crate) signals: SparseSecondaryMap<SignalData, 64>, // 信号数据
    pub(crate) effects: SparseSecondaryMap<EffectData, 64>, // 副作用数据
    pub(crate) states: SparseSecondaryMap<NodeState, 64>,   // 节点状态 (Clean/Check/Dirty)
    
    // 任务队列与工作区
    pub(crate) observer_queue: RefCell<VecDeque<NodeId>>,
    pub(crate) workspace: RefCell<WorkSpace>,
    // ...
}
}

2. Arena & SparseSecondaryMap (内存管理)

silex_reactivity 不再依赖外部的 ECS 或 Arena 库，而是实现了定制的内存分配策略：

Arena: 采用分块 (Chunk) 存储和代际索引 (Generational Index)。它使用 UnsafeCell 提供了内部可变性，允许在不违反 Rust 借用规则的前提下高效地构建自引用的响应式图谱。
SparseSecondaryMap: 配合 Arena 使用的辅助存储，用于映射 NodeId 到特定的组件数据（如 SignalData, EffectData, NodeAux）。支持可配置的块大小 (const N: usize) 以平衡内存占用和缓存局部性。

3. NodeId 与 Node (拓扑结构)

NodeId: arena::Index 的别名。包含 index (u32) 和 generation (u32)。
Node: 仅存储最核心的图谱信息（如 parent），以保持轻量级，利于 CPU 缓存。
NodeAux: 存储辅助性或“冷”数据，如子节点列表 (children)、清理回调 (cleanups) 和上下文 (context)。这些数据不常被访问，因此从 Node 中分离出来。
NodeState: 节点的响应式状态，用于惰性求值优化。
- Clean: 节点是最新的。
- Check: 依赖可能已变动，需要检查。
- Dirty: 节点已过时，必须重新计算。

4. SignalData (信号数据)

信号是响应式图谱中的数据源。

Value: 使用 AnyValue 存储。如果数据较小（如 i32, bool, f64），直接内联存储；否则才使用堆分配 (Box)。
Subscribers: 订阅了该信号变更的副作用节点列表。内部使用了优化过的枚举结构 NodeList (Empty/Single/Many) 来减少常见单订阅场景的内存占用。
Version & Tracking: 维护 version 和 last_tracked_by，用于优化依赖收集，防止重复注册。

5. EffectData (副作用数据)

副作用是响应式图谱中的观察者。

Computation: 实际执行的闭包逻辑。为了性能，以 Option<Box<dyn Fn()>> 形式存储（执行时取出所有权，避免引用计数开销）。
Dependencies: 该副作用依赖的信号列表。使用 DependencyList (List<(NodeId, u32)>) 存储依赖 ID 及其版本号，用于变更检测。

6. Memo (派生数据)

派生数据（Memo）是信号和副作用的混合体，用于缓存计算结果。

Composition (组合式): 这里没有独立的 DerivedData 结构体。一个 Memo 节点实际上是同时拥有 SignalData（作为数据源被下游消费）和 EffectData（作为观察者依赖上游）的 Node。
Lazy Evaluation (惰性求值): 利用 algorithm::evaluate 实现迭代式 DFS 求值。当 Memo 被访问时，根据 NodeState 决定是否需要重新计算。如果状态为 Check，会先检查所有依赖的版本号 (dependency_versions) 是否变更，若无变更则直接转为 Clean，避免不必要的计算。

关键机制

自动依赖追踪

当一个副作用执行时，Runtime 会将其设为 current_owner。在此期间读取的任何信号都会自动将该副作用注册为订阅者。

#![allow(unused)]
fn main() {
// 伪代码流程
effect(|| {
    // try_get_signal 内部调用 track_dependency
    let value = try_get_signal(id).unwrap(); 
    println!("Value: {}", value);
});
}

状态传播与批量更新

Propagation (BFS): 当信号更新时，algorithm::propagate 使用广度优先搜索 (BFS) 遍历所有下游节点。
- 将直接订阅者标记为 Dirty。
- 将更下游的节点标记为 Check。
- 将纯副作用节点 (EffectData only) 加入 observer_queue。
Queue Execution: 批量更新阶段（run_queue），运行时从队列中取出节点并执行。对于 Memo 节点，此时仅标记状态；对于 Effect 节点，则执行其计算闭包。
Zero-Allocation: 这一过程使用的 Vec 和 VecDeque 均从 WorkSpace 对象池中借用，用完即还。

内存管理与清理

Dispose: 调用 dispose(id) 会递归清理该节点及其所有子节点。
Cleanup: 副作用重新执行前，会自动清理旧的依赖关系（反注册订阅）和注册的清理回调 (on_cleanup)。

Keyboard shortcuts

silex