跳到主要內容

JavaScript Closure usage, Closure 用法整理

JavaScript Closure usage, Closure 用法整理



在本次內部技術分享會,所看到同事分享 closure 的議題,這邊把資料做個整理,以及加上 reference 補充,如果同事們有把資料釋放出來,再繼續更新。

closure 對於 javascript 開發一定要接觸的課題,對於許多人來說大多是在於變數全域與區域上的差異。事實上在 javascript 裏面可以更爲有趣,裏面有許多好玩的地方。

最常見的方式爲 JavaScript function execution, 兩者之間的關係,就是完全沒有關係,雖然都是同一個 constructor,當然這個前提是回傳的資料必須是一個 object ,當如果回傳是 value 的時候,通常會被判斷成相同物件,實際上兩者還是不一樣的,這又關係到 JavaScript value is call by value 。會是有這樣的因果關係。

function fn () {
  return {};
} 

var foo1 = fn();
var foo2 = fn();

console.log(foo1 === foo2); // reutn false;

基礎用法 basic usage

基礎的方式大概是,這種方式在許多實作上都會看到,特別是在 JavaScript 開發中,可以很簡單的使用這種特性,達到轉換的效果
var doSomething = function () {
  return function (x) {
    return x;
  };
};

var foo = doSomething();
foo(10); // return 10

Y-combinator

如果我們需要參考到許多不同的變形,最經典應該就屬於 Y-combinator,直接應用在費式數列上,也可以試著用函式迴圈來做處理,如果用 Y-combinator 則是採用空間換取時間
function Y(dn) {
    return function(fn) {
        return fn(fn);
    }(function(fn) {
        return dn(function() {
            return fn(fn).apply(null, arguments);
        });
    });
}

var fac3 = Y(function(fn) {
    return function(n) {
        return n == 0 ? 1 : n * fn(n - 1);
    }
});

console.log(fac3(100));
在時間執行效率上就會大爲提升,當然是有一些前提,例如範圍是可以控制的,或者是機器的記憶體是一定容量以上的,當然以目前的機器來說都已經足夠,其實透過 closure 的方法可以得到許多種不同解法,以及多種變化方式,但是記得要小心 memory leak 的問題,

記憶體問題 memory leak

以下的 buffer 就是一個典型的 memory leak ,當記憶體的 reference chain 連結有開始發生內部連接外部,就會開始出現記憶體的資料錯亂,如果 work 進行數次之後,又同時進行記憶體鏈結,那會導致記憶體無限擴張。這在使用 closure 的時候必須要小心。
function work () {
  var buffer = {x: 0};
  return function (x) {
    var data = buffer;
    return function () {
      data.x = data.x + 10;
      return buffer;
    };
  };
}

var worker = work();

console.log("object reference");
var object = worker(10).call(this);
console.log(object);

console.log("call worker again");
console.log(worker(10).call(this));

console.log("memory leak object");
console.log(object);

結語

JavaScript 在程式開發其實有許多有趣,奧妙之處,特別是在於支援 functional programming 的 code style 這也是一種惡樂趣,對於開發人員來說,寫 JavaScript 最大的樂趣也在於此,可以用非常 OO style,也可以用 function style 來完成所有事情,當然就必須注意 memory leak 問題,該設定爲 null 或者該清空的時候還是需要特別注意。

Reference

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例,讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天,大家都在問一個問題: 「我能不能不只問 AI 答案,而是讓它像一位助理一樣,有流程、有反思、還有出處,真正幫我完成一件事?」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ,正是為了解這個問題而誕生。 這套系統到底是什麼? 這個範例不是傳統 Chatbot,而是展示一個完整的 AI research agent : 它會根據使用者的提問,自動發想搜尋關鍵字、查資料、整合重點,最後給出答案還附上引用來源。背後的邏輯設計得非常扎實,不只是能跑,更是具備可讀性、可擴展性與可商用性。 它的流程大致如下:  1. 使用者輸入問題(例如:「抖音是否影響台灣選舉?」)  2. Gemini LLM 幫你想出關鍵字(不只是照抄問題)  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足,自動補查  5. 整合最終答案,並產生 citation(來源說明) 你可以想像這就像一位實習助理幫你寫報告, 不只輸出一段內容,而是會 去查、會判斷、會補資料,而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色? LangGraph 就是整個 Agent 背後的控制系統 。 用白話講,它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查,甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API,而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說,它提供了從 prompt 到流程控制的設計彈性;對產品設計來說,它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構,前後端都幫你整好了,技術選型也非常實用:   前端:Vite + React + TailwindCSS + Shadcn UI  後端:FastAPI + LangGraph...