【设计模式】策略模式:可插拔算法,从硬编码到灵活适配,体会“算法解耦“思想

【设计模式】策略模式:可插拔算法,从硬编码到灵活适配,体会“算法解耦“思想

请添加图片描述

半桔个人主页
 🔥 个人专栏: 《设计模式》《手撕面试算法》《C++从入门到入土》

🔖恐惧囚禁人的灵魂,希望可以让你自由。《肖申克的救赎》

文章目录

一. 光头强转行

1.1 团结屯的故事

我是光头强。以前,我每天的生活就是被两头臭狗熊按在地上摩擦,不仅树砍不到,还要承受李老板的夺命连环Call和扣工资威胁。

直到有一天,我捡到了一本《C++ Primer》(虽然我也忘了森林里为啥会有这书)。那一刻,我悟了!砍树是没有前途的,计算机才是第一生产力

我狠下心来闭关修炼,左手C++,右手面向对象(OO),发际线虽然更高了(额,我好像也没什么头发),但我感觉自己强得可怕。于是,我把电锯一扔,拿起键盘,给李老板发了辞职信:“世界那么大,我想去敲代码。”

李老板一听我要走,顿时慌了:“强子!你走了,《熊出没》还怎么拍?这动画片没反派怎么行?这样,工资翻倍(虽然原来只有300),给你安排新岗位:首席架构师。你给我开发一个《狗熊模拟器》!”

为了那点窝囊费……啊不,为了展现我的技术。

1.2 新工作,新需求

项目需求文档 - 《狗熊模拟器 v1.0》
甲方
:李老板
描述:模拟团结屯狗熊的习性。
功能点:冬眠、爬树、居住习惯,以及最喜欢的食物。

二. 光头强的OO天赋

看完需求,我嘴角上扬。这不就是典型的继承题吗? 既然熊大熊二都住在团结屯,除了吃的口味不同,其他行为(冬眠、爬树、住树洞)完全一致。 我决定使用继承大法,主打一个代码复用,少写一行是一行。

请添加图片描述
classBear{public:virtual std::string FavoriteFood()=0;voidHibernation(){ std::cout <<"进行冬眠"<< std::endl;}voidClimbTree(){ std::cout <<"会爬树"<< std::endl;}voidLivingHabit(){ std::cout <<"住在树洞里面"<< std::endl;}protected:};classXiongDa:publicBear{public: std::string FavoriteFood()override{return"苹果";}};classXiongEr:publicBear{public: std::string FavoriteFood()override{return"蜂蜜";}};

代码行云流水,提交Git,李老板看后直呼内行。

三. 李老板的新需求

李老板发现这个程序很有商业价值,格局打开,要把业务扩展到全宇宙的森林,不只是团结屯。

3.1 出大问题了

新增需求:系统要支持北极熊、熊猫、甚至玩具熊。

这时候我才发现,刚刚为了偷懒把 HibernationClimbTree写死在基类里,简直是在给自己挖坑!

  • 北极熊:不冬眠啊!
  • 玩具熊:人家连活物都不是,爬个鬼的树!

如果继续用继承,我只能**覆盖基类的方法了:

请添加图片描述

为了适配新物种,我必须在每个子类里重写代码。

  • 如果有100种不冬眠的熊,我就要写100遍“不冬眠”的函数?

我希望通过继承的方式来达到代码复用的目的,但是涉及到维护时,效果并不是那么好,现在代码已经完全不能进行代码的复用了。

3.2 继承可能不是答案

我痛定思痛,回想起那本C++圣经上的教诲:

设计原则:找出应用中可能需要变化之处,把它们独立出来,不要和那些不需要变化的代码混在一起。

简单说就是:既然“怎么爬树”和“怎么冬眠”是会变的,那就把它们踢出 Bear 类,单独封装!
我要把“行为”变成一种“零件”,哪只熊需要什么零件,组装上去就行了。这就是组合
你决定将基类的方式实现进行封装起来,对代码进行重构。

现在,Bear 类不再亲自负责实现“爬树”这个动作,它只负责拥有一个“爬树行为”的接口。
具体怎么爬?让接口的实现类去操心吧!

请添加图片描述

四. 最终方案

为了代码整洁,我们专注于重构 HibernationClimbTree 这两个变化点。

  1. 先把“怎么冬眠”抽象成一个接口族:
classHibernation_Behavior{public:virtualvoidHibernation()=0;};classHibernation_able:publicHibernation_Behavior{public:voidHibernation()override{ std::cout <<"进行冬眠"<< std::endl;}};classHibernation_unable:publicHibernation_Behavior{public:voidHibernation()override{ std::cout <<"不需要冬眠"<< std::endl;}};
  1. 同理,把爬树能力也拆分出来:
classClimbTree_Behavior{public:virtualvoidClimbTree()=0;};classClimbTree_able:publicClimbTree_Behavior{public:voidClimbTree()override{ std::cout <<"会爬树"<< std::endl;}};classClimbTree_unable:publicClimbTree_Behavior{public:voidClimbTree()override{ std::cout <<"不需要爬树"<< std::endl;}};
  1. 重构 Bear 类
classBear{public:virtualvoidHibernation()=0;virtualvoidClimbTree()=0;protected: std::shared_ptr<Hibernation_Behavior> hibernation_behavior_; std::shared_ptr<ClimbTree_Behavior> climbTree_behavior_;};
  1. 各种熊的实现:
classBrownBear:publicBear{public:BrownBear(){ hibernation_behavior_ = std::make_shared<Hibernation_unable>(); climbTree_behavior_ = std::make_shared<ClimbTree_able>();}voidHibernation(){ hibernation_behavior_->Hibernation();}voidClimbTree(){ climbTree_behavior_->ClimbTree();}};classPanda:publicBear{public:Panda(){ hibernation_behavior_ = std::make_shared<Hibernation_unable>(); climbTree_behavior_ = std::make_shared<ClimbTree_able>();}voidHibernation(){ hibernation_behavior_->Hibernation();}voidClimbTree(){ climbTree_behavior_->ClimbTree();}};

五. 总结

这就是传说中的策略模式(Strategy Pattern)

通过把 Hibernation_BehaviorClimbTree_Behavior 定义为算法族,我们将行为的实现与使用行为的 Bear 类彻底解耦。

好处显而易见:

  1. 复用性起飞:如果不冬眠的代码逻辑变了,我只需要改 Hibernation_unable 这一个类,所有不冬眠的熊都会自动更新。
  2. 扩展性无敌:李老板要是让我加个“机械熊”,我只需要新写一个 RocketJump_Behavior,然后在机械熊里装配上就行,根本不用去动原来的代码。
最后策略模式定义就是: 定义算法族,分别封装起来,让它们之间可以互相替换,此模式让算法的变化独立于使用算法的客户。

好了,代码写完了,李老板对此非常满意,决定再奖励我加班修Bug。我要去砍树…啊不,去Debug了,下期见!

Read more

全网都在刷的 AI Skills 怎么用?别死磕 Claude Code,OpenCode 才是国内首选!

全网都在刷的 AI Skills 怎么用?别死磕 Claude Code,OpenCode 才是国内首选!

最近,“Skills”在AI圈子里太火了! 大家都在用它给 AI 加各种“buff”,让它自动写代码、做表格等等 但很多小伙伴看着 GitHub 上那些 Skills 兴奋不已,真到了本地想玩一把时,使用Claude code有很多不便的地方 之前就有很多小伙伴问我OpenCode,整好借着Skills,来聊聊OpenCode的安装部署和使用 很简单,不管你是想用图形界面还是命令行,这篇保姆级教程都能让你轻松上手! 咱们这就开始,带你入门OpenCode玩转 Skills! 目录: 1. 1. ✅ 如何下载安装OpenCode 2. 2. ✅ 如何安装和配置Skills 3. 3. ✅ 环境变量的设置方法 4. 4. ✅ 常用指令和操作技巧 5. 5. ✅ 遇到问题如何解决 6. 6. ✅ 如何创建自己的Skills  一、下载安装,超级简单 下载地址: https:

By Ne0inhk
Flutter 三方库 mediapipe_core 的鸿蒙化适配指南 - 实现高性能的端侧 AI 推理库集成、支持多维视觉任务与手势/表情识别实战

Flutter 三方库 mediapipe_core 的鸿蒙化适配指南 - 实现高性能的端侧 AI 推理库集成、支持多维视觉任务与手势/表情识别实战

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 mediapipe_core 的鸿蒙化适配指南 - 实现高性能的端侧 AI 推理库集成、支持多维视觉任务与手势/表情识别实战 前言 在进行 Flutter for OpenHarmony 的智能化应用开发时,集成强大的机器学习(ML)能力是打造差异化体验的关键。mediapipe_core 是谷歌 MediaPipe 框架在 Dart 侧的核心封装库。它能让你在鸿蒙真机上实现极其流畅的人脸检测、手势追踪以及实时姿态估计。本文将深入探讨如何在鸿蒙系统下构建低功耗、高响应的端侧 AI 推理链路。 一、原原理性解析 / 概念介绍 1.1 基础原理 mediapipe_core 作为 MediaPipe 的“神经中枢”

By Ne0inhk
半小时用OpenClaw搭一套AI量化系统:开源三件套实测分享

半小时用OpenClaw搭一套AI量化系统:开源三件套实测分享

作者:老余捞鱼 原创不易,转载请标明出处及原作者。 写在前面的话:见过太多人想用量化,却被各种复杂的代码和环境配置劝退。无论你是刚开始接触数据科学的学生,还是想提升自己投资工具箱的实践者,今天就把我用最近很火的OpenClaw如何搭建AI量化系统的过程完整分享给你。 自从有了OpenClaw后,说实话,个人搭建一套量化系统没你想的那么难。半小时,三行代码,不花钱。 一、先说效果:我一次跑通的回测 先别急着看代码,咱们看看效果。 用这套方案跑了一趟回测,最终跑出来的结果是 59%。当然,这是回测数据,不代表实盘收益,但足以说明这套开源工具链的潜力。 你可能要问我这个收益是怎么算的。说白了就是:系统基于历史数据,按照你设定的策略规则模拟交易,最后算出来的年化结果。 核心观点:回测收益 ≠ 实盘收益,但回测能帮你验证策略逻辑是否靠谱。 二、开源三件套:数据 + 框架 + AI 这套方案的精髓在于开源三件套的组合搭配。用个表格梳理清楚: 组件作用开源地址数据源选股基础数据供给长桥 SDK / AKshar

By Ne0inhk
AI Agent 面试八股文100问:大模型智能体高频考点全解析(附分类指南和简历模板)

AI Agent 面试八股文100问:大模型智能体高频考点全解析(附分类指南和简历模板)

AI Agent 面试八股文100问:大模型智能体高频考点全解析(附分类指南和简历模板) 如果你对学成归来的简历没有概念,可以看看以下的模板先,毕竟先看清眼前的路,比奔跑更重要: 最终的AI Agent简历模板,点我跳转! 适用人群:LLM Agent、RAG、AutoGPT、LangChain、Function Calling 等方向的求职者与开发者 随着大模型技术的飞速演进,AI Agent(智能体) 已成为工业界和学术界共同关注的焦点。无论是 AutoGPT、LangChain 还是 LlamaIndex,背后都离不开对 Agent 架构、推理机制、工具调用等核心能力的深入理解。 本文系统整理了 AI Agent 方向的 100 道高频面试问题,覆盖 基础概念、架构设计、推理决策、工具调用、记忆管理、评估方法、安全对齐、

By Ne0inhk