В разработке часто возникают ситуации, когда нужно залогировать большой объем данных (например, JSON-объекты для отладки), но делать это постоянно нерационально из-за высоких затрат на сериализацию. Решение — логировать такие данные только при активном уровне Trace.

Проблема​

При использовании стандартного подхода:

Effect.logTrace(JSON.stringify(bigData, null, 2))

Сериализация в JSON будет выполняться при каждом вызове, даже если уровень трассировки отключен.

Решение: Effect.whenLogLevel​

Библиотека Effect предоставляет инструмент для условного выполнения эффектов:

pipe(
  bigData,
  Effect.tap((res) =>
    Effect.whenLogLevel(
      Effect.suspend(() => 
        Effect.logTrace("Данные:", JSON.stringify(res, null, 2))
      ),
      LogLevel.Trace
    )
  )
)

Как это работает:

• Effect.suspend откладывает выполнение кода до момента активации эффекта
• Effect.whenLogLevel проверяет текущий уровень логирования
• Сериализация и логирование происходят только при активном уровне Trace

Упрощаем с помощью logWhenTrace​

Создаем универсальный хелпер для удобства:

import { Effect, LogLevel, Function } from "effect";

export const logWhenTrace = (...message: ReadonlyArray<any | (() => any)>) =>
  Effect.whenLogLevel(
    Effect.suspend(() =>
      Effect.logTrace(
        ...message.map((item) => 
          Function.isFunction(item) ? item() : item
        )
      )
    ),
    LogLevel.Trace
  );

Особенности реализации:

• Поддерживает как значения, так и функции для ленивых вычислений
• Автоматически определяет тип переданных аргументов
• Сохраняет семантику стандартного Effect.logTrace

Использование​

pipe(
  bigData,
  Effect.tap((res) =>
    logWhenTrace(
      "Полученные данные:",
      () => JSON.stringify(res, null, 2) // Выполнится только при Trace
    )
  )
)

Преимущества​

1. Производительность — избегаем ненужной сериализации
2. Чистота кода — лаконичный и выразительный синтаксис
3. Безопасность — строгая типизация и контроль уровня логирования
4. Гибкость — поддерживает разные форматы данных и логирования

Заключение​

Использование условного логирования через logWhenTrace помогает соблюдать баланс между детальностью отладки и производительностью приложения. Этот подход особенно полезен при работе с большими объектами данных и в высоконагруженных приложениях.

Осталось создать аналогичные хелперы для других уровней логирования (Debug, Error) для сохранения консистентности кода.

В современных CI/CD-процессах важно быстро и гибко настраивать окружение для сборки проектов. Традиционно для этого используются Docker-образы с предустановленными инструментами, но этот подход имеет ограничения: не всегда существует образ со всеми необходимыми инструментами, а создание кастомных образов требует дополнительных усилий.

Альтернативное решение — использование менеджера инструментов pkgx, который позволяет динамически устанавливать необходимые утилиты прямо во время выполнения пайплайна. В этой статье мы рассмотрим, как настроить окружение для сборки в GitLab CI/CD с помощью pkgx.

Соображения по поводу того, каким хотелось бы видеть инструмент для запуска многошагового CI/CD процесса проектов

Используем плагины и инструменты​

• Shell Script - IntelliJ IDEs Plugin | Marketplace
• https://explainshell.com/ - вставляем непонятную команду с параметрами, получаем справку по ней и заданным параметрам

Процесс создания блога на базе статического генератора Docusaurus и Tina CMS.

Задача​

Сделать статический сайт, ядром которого будет блог. Сайт не будет требовать ни веб-сервера ни базы данных. По содержимому будет создаваться набор статических файлов. Они будут заливаться в S3 хранилище, которое будет предоставлено как веб-сайт через сервис Хостинг статических сайтов от Yandex Cloud.