探秘Flutter JS Plugin:原生JavaScript引擎的强力助手
Flutter JS Plugin是一个强大的开源工具,它允许你在Flutter应用中无缝地运行JavaScript代码。借助Dart FFI(Foreign Function Interface),这个插件在Android上利用小巧高效的QuickJS引擎,在iOS上则使用Apple的JavaScriptCore,实现了对移动设备和桌面平台(包括Windows、Linux和macOS)的全平台支持。
项目介绍
Flutter JS的最新版本不再仅限于返回字符串形式的评估结果,而是扩展了功能,如支持XMLHttpRequest(xhr)、Fetch API以及Promise对象。这使得你能够直接利用JavaScript库,如ajv(JSON Schema验证器)和moment(日期时间处理库),而无需依赖Platform Channels。
在iOS上,你可以通过设置javascriptRuntime.setInspectable(true)并传递源URL来调试JS代码,例如sourceUrl: 'script.js'。而在Android上,如果你想使用JavaScriptCore而非QuickJS,只需在调用getJavascriptRuntime时传入forceJavascriptCoreOnAndroid: true即可。
技术分析
Flutter JS的核心是其跨平台的JavaScript运行时——JavascriptRuntime。在iOS和macOS上,它基于Apple的JavaScriptCore;在Android、Windows和Linux上,则使用了Fabrice Bellard和Charlie Gordon开发的小巧且快速的QuickJS。对于开发者来说,这意味着可以方便地在各种平台上执行JavaScript代码,并与Dart进行交互。
此外,Flutter JS还提供了与JavaScript交互的统一API,使得在不同的JavaScript引擎之间切换变得简单,无需修改大量代码。
应用场景
- 表单验证:利用JavaScript的表达式和库,如ajv,实现复杂表单字段的验证逻辑。
- 规则引擎:执行从Web应用共享的规则引擎逻辑。
- 共享业务逻辑:如果你有Web和Flutter两个版本的应用,可以通过JavaScript将一些共享的业务逻辑引入到Flutter应用中。
项目特点
- 多平台支持:不仅覆盖Android和iOS,也包括Windows、Linux和macOS。
- 完整的API:提供xhr/fetch功能,支持Promise,使JavaScript代码能充分利用Dart的HTTP库。
- 灵活性:在iOS上可以选择使用JavaScriptCore以避免App Store审核问题。
- 小巧的APK尺寸:即使包含了JavaScript引擎,应用大小依然可控,不会大幅增加APK体积。
- 强大的示例:提供了包括ajv在内的实例代码,便于开发者快速上手。
要使用Flutter JS,只需在你的pubspec.yaml文件中添加依赖:
dependencies:
flutter_js: 0.1.0+0
然后按照文档中的示例代码,轻松集成到你的Flutter应用中。
总的来说,Flutter JS Plugin为开发者带来了一个高效且灵活的解决方案,让JavaScript代码能在Flutter环境中无缝运行,极大地扩展了Flutter应用的功能边界。无论是移动还是桌面应用,都值得尝试这一强大工具。
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 StartedRust0195
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 Notebook0124
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。Python05
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