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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00