React Native CLI Doctor 检测 Android Studio 问题的分析与解决方案
问题背景
在使用 React Native CLI 的 doctor 命令(npx react-native doctor)进行环境检查时,部分开发者会遇到 Android Studio 检测失败的问题,即使已经正确安装了 Android Studio。这个问题在 Windows 和 macOS 系统上都可能出现,但具体原因和解决方案有所不同。
问题根源分析
Windows 系统下的问题
-
可执行文件命名差异:在 64 位 Windows 系统中,Android Studio 的可执行文件名为 studio64.exe 而非 studio.exe,导致检测失败。
-
WMIC 命令格式问题:原始代码中使用的 WMIC 命令格式在某些 Windows 版本上会报错"Unexpected switch at this level"。
-
路径转义问题:Windows 路径中的反斜杠需要特殊处理,否则会导致命令执行失败。
macOS 系统下的问题
-
非标准安装路径:通过 JetBrains Toolbox 安装的 Android Studio 不在默认的 Applications 目录下。
-
符号链接缺失:doctor 命令依赖的 envinfo 库需要特定的目录结构来识别 Android Studio。
解决方案
Windows 系统解决方案
- 代码层面修复:
const prefix = process.arch === 'x64' ? '64' : '';
const androidStudioPath = join(
getUserAndroidPath(),
'android-studio',
'bin',
`studio${prefix}.exe`
).replace(/\\/g, '\\\\');
const {stdout} = await executeCommand(
`wmic datafile where "Name='${androidStudioPath}'" get version`,
);
- 手动验证: 开发者可以手动执行以下命令验证 Android Studio 版本:
wmic datafile where "Name='C:\\path\\to\\android-studio\\bin\\studio64.exe'" get version
macOS 系统解决方案
- 创建符号链接:
ln -s /Applications/Android\ Studio.app/Contents ~/Applications/Android\ Studio.app/Contents
- 环境变量设置:
export STUDIO_JDK=~/Applications/Android\ Studio.app
export PATH="$STUDIO_JDK:$PATH"
注意事项
-
这个问题主要是 doctor 命令的检测机制问题,不影响实际的 Android 项目构建和运行。
-
如果项目能够正常编译运行,可以暂时忽略这个检测错误。
-
对于通过 JetBrains Toolbox 安装的 Android Studio,建议使用上述符号链接方法解决。
开发者建议
-
对于 Windows 用户,可以等待官方合并相关修复补丁,或手动修改本地 node_modules 中的代码。
-
对于 macOS 用户,特别是使用 Toolbox 安装的,创建符号链接是最可靠的解决方案。
-
开发者可以关注 React Native CLI 的更新,这个问题已经在相关依赖库(envinfo)中得到修复。
通过以上方法,开发者可以解决 React Native CLI doctor 命令检测 Android Studio 失败的问题,确保开发环境的完整性检查能够顺利通过。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00