shallowRef适用于大数据场景因其仅监听.value赋值、避免递归代理开销；需手动更新，方式包括替换.value、triggerRef()或结合computed派生视图。
shallowRef 本身不自动追踪对象内部变化，但它提供了按需手动更新的控制权——这正是高性能大数据展示的关键突破口。它不是“不响应”，而是把响应时机交到你手上，避免无意义的全量更新。
为什么大数据场景适合 shallowRef
当展示成千上万个地图标记、表格行或图表节点时，若用 ref 或 reactive 包裹整个数据集，Vue 会递归代理每一层嵌套结构，造成大量 Proxy 实例和依赖追踪开销。而 shallowRef 只监听 .value 的赋值动作，内存占用低、初始化快、更新路径明确。
- 原始数据（如 GeoJSON 数组、列表对象）保持普通 JS 对象形态，无代理开销
- 视图只在你确认“该更新了”时才重新渲染，避免频繁小修改引发抖动
- 配合虚拟滚动、分页、空间索引等策略，可实现百万级点位流畅交互
手动更新的三种可靠方式
对 shallowRef 数据做内部修改后，必须显式触发更新才能同步到视图。以下方式按推荐度排序：
-
替换整个 .value（最常用）：适用于数据整体变更（如切换区域、刷新分页），语义清晰且无需额外 API
markers.value = newMarkersArray -
triggerRef()（精准可控）：适用于局部修改后立即刷新（如单个标记高亮、状态切换），不重建对象，保留引用稳定性
markers.value[0].isActive = true; triggerRef(markers) -
结合 computed 或 watchEffect 派生视图态：将浅响应式源作为输入，用计算属性生成真正用于渲染的结构，既隔离副作用又保持响应链
const displayedMarkers = computed(() => filterAndLimit(markers.value, viewport))
典型大数据展示组合方案
以地图点聚合为例，shallowRef 不是单独使用的工具，而是性能架构中的一环：
- 用 shallowRef 管理原始坐标数组（如
allPoints = shallowRef([])），加载/过滤时不触发渲染 - 用 computed 实时计算当前缩放级别下的聚合结果（调用 turf.cluster 或自定义网格算法）
- 聚合逻辑内直接操作
allPoints.value，完成后调用 triggerRef(allPoints) 或直接赋新数组 - 渲染层绑定 computed 结果，确保每次更新都是有意义的最小集合
这样，10 万原始点不会导致 10 万响应式对象，只有几十个聚合簇参与渲染，CPU 和内存压力大幅下降。
