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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00