Dagger 2.55 发布:支持Jakarta Provider与绑定图修复
关于Dagger依赖注入框架
Dagger是一个由Google维护的轻量级依赖注入框架,它通过编译时代码生成的方式实现依赖注入,避免了传统依赖注入框架在运行时带来的性能开销。Dagger特别适合Android开发,但也可用于任何Java/Kotlin项目。其核心优势在于严格的依赖关系检查和高效的代码生成机制。
Dagger 2.55版本重要更新
最新发布的Dagger 2.55版本带来了两个主要变化:对Jakarta Provider的支持以及绑定图相关问题的修复。
1. Jakarta Provider支持
在依赖注入中,Provider模式是一种延迟获取依赖项的方式。Dagger原本支持的是javax.inject.Provider接口,而2.55版本新增了对jakarta.inject.Provider的支持。
技术背景:
Jakarta EE是Java EE的新名称,随着Java EE从Oracle转移到Eclipse基金会,相关规范包名也从javax变更为jakarta。Dagger的这一更新保持了与现代Java生态系统的兼容性。
使用注意:
- 现在可以在任何使用
javax.inject.Provider的地方使用jakarta.inject.Provider - 这是一个潜在的破坏性变更,因为现在禁止直接提供
jakarta.inject.Provider类型,这与对javax.inject.Provider的限制一致
迁移建议:
如果项目正在从Java EE迁移到Jakarta EE,可以逐步将Provider引用从javax包迁移到jakarta包,Dagger 2.55将同时支持这两种形式。
2. 绑定图修复
Dagger 2.55修复了多个与绑定图相关的问题,这些修复可以显著改善一些令人困惑的错误消息。
新特性说明:
通过编译器选项-Adagger.useBindingGraphFix=ENABLED可以启用这些修复。考虑到这可能是一个破坏性变更,默认情况下该选项被设置为"disabled"。
技术细节: 绑定图是Dagger在编译时构建的依赖关系图,它描述了各个依赖项之间的关系。之前的版本在某些边缘情况下可能会产生不准确的绑定图,导致:
- 错误的依赖循环检测
- 不准确的缺失绑定错误
- 混淆的限定符冲突报告
未来计划: Google计划在未来的版本中将此修复设为默认启用,并最终移除该标志。开发者可以现在就开始测试这些修复,为未来的平滑升级做准备。
其他改进
ProGuard/R8支持增强
修复了增量处理中LazyClassKey ProGuard文件的问题,通过将原始元素添加到writeResource调用中。这一改进使得使用代码混淆工具时能更准确地保留必要的依赖注入类。
升级建议
对于现有项目升级到Dagger 2.55:
- 如果使用了Provider模式,检查是否有直接提供Provider类型的情况
- 考虑测试绑定图修复功能,评估对项目的影响
- 对于Android项目,验证ProGuard/R8配置是否仍然按预期工作
对于新项目,建议直接采用2.55版本并启用绑定图修复功能,以获得更稳定的依赖注入体验。
Dagger持续改进其核心功能,同时保持向后兼容性,这使得它成为Java/Kotlin生态系统中依赖注入的首选解决方案之一。2.55版本的这些改进进一步巩固了其地位,特别是在现代Java EE/Jakarta EE环境中的应用。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07