Python:设计模式之命令模式

简介: Python:设计模式之命令模式

命令模式

命令模式属于行为型模式

行为型模式侧重于对象的响应性,利用对象之间的交互实现更强大的功能

其中对象用于封装在完成一项操作或在触发一个事件时所需的全部信息:

1、方法名称

2、拥有方法的对象

3、方法参数的值


命令模式术语

Command: 声明执行操作的接口

ConcreteCommand:将一个Receiver对象和一个操作绑定在一起

Receiver:创建ConcreteCommand对象并设定其接收者

Invoker:要求该ConcreteCommand执行这个请求

Client:知道如何实施与执行一个请求相关的操作


执行流程:

客户端请求执行命令,

调用者接受命令,封装它并将其放置到队列中,

ConcreteCommand类根据所请求的命令来知道接收者执行特定的动作


命令模式主要意图

1、将请求封装为对象

2、可用不同的请求对客户进行参数化

3、允许将请求保存在队列中

4、提供面向对象的回调


命令模式适用场景

1、根据需要执行的操作对对象进行参数化

2、将操作添加到队列并在不同地点执行请求

3、创建一个结构来根据较小操作完成高级操作


命令模式应用

1、重做或回滚操作

2、异步任务执行


命令模式的优点

1、将调用操作的类与知道如何执行该操作的对象解耦

2、提供队列系统后,可以创建一系列命令

3、添加新命令更容易,并且无需更改现有代码

4、可以使用命令模式定义回滚系统


命令模式的缺点

1、为了实现目标,需要大量的类和对象进行协作

2、每个单独的命令都是一个ConcreteCommand类,从而增加了需要实现和维护的类的数量


代码实例:

# -*- coding: utf-8 -*-

from abc import ABCMeta, abstractmethod


# 提供接口Command
class Order(metaclass=ABCMeta):
    @abstractmethod
    def execute(self):
        pass


# 具体命令 ConcreteCommand
class BuyStockOrder(Order):
    def __init__(self, stock):
        self.stock = stock

    def execute(self):
        self.stock.buy()


class SellStockOrder(Order):
    def __init__(self, stock):
        self.stock = stock

    def execute(self):
        self.stock.sell()


# Receiver对象
class StockTrade(object):
    def buy(self):
        print("buy stock")

    def sell(self):
        print("sell stock")


# 调用者Agent,中介
class Broker(object):
    def __init__(self):
        self.__order_list = []  # 订单队列

    def add_order(self, order):
        self.__order_list.append(order)

    def place_order(self):
        for order in self.__order_list:
            order.execute()

        self.__order_list.clear()


if __name__ == '__main__':
    # client
    stock = StockTrade()
    buy_stock = BuyStockOrder(stock)
    sell_stock = SellStockOrder(stock)

    # invoker
    broker = Broker()
    broker.add_order(buy_stock)
    broker.add_order(sell_stock)

    broker.place_order()
"""
buy stock
sell stock
"""

参考

Python设计模式第2版》第七章 命令模式-封装调用

            </div>
目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
268 156
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
206 105
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
730 5
|
13天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
818 153