Ktorfit与KSP2及JetBrains多平台资源库的循环依赖问题分析
问题背景
Ktorfit是一个基于Kotlin的HTTP客户端库,它简化了与RESTful API的交互过程。在最新发布的2.4.0版本中,当项目同时使用KSP2(Kotlin Symbol Processing)和JetBrains的多平台资源库(compose.components.resources)时,出现了构建过程中的循环依赖问题。
问题现象
当开发者在项目中配置了以下两项时:
- 启用了KSP2处理(
ksp.useKSP2=true) - 添加了JetBrains多平台资源库依赖(
implementation(compose.components.resources))
构建系统会报告循环依赖错误,具体表现为convertXmlValueResourcesForCommonMain任务与kspCommonMainKotlinMetadata任务之间形成了循环依赖链。
技术分析
循环依赖链的形成
构建系统检测到的循环依赖路径如下:
convertXmlValueResourcesForCommonMain任务依赖于kspCommonMainKotlinMetadatakspCommonMainKotlinMetadata又依赖于多个任务,包括generateComposeResClass等- 这些任务又反过来依赖于
kspCommonMainKotlinMetadata
根本原因
问题出在Ktorfit 2.4.0版本中处理任务依赖关系的代码逻辑。在KSP2启用的情况下,当前实现对所有任务(除了kspCommonMainKotlinMetadata本身)都添加了对kspCommonMainKotlinMetadata的依赖,而没有考虑任务类型。
具体来说,问题代码段如下:
tasks.filter { it.name != "kspCommonMainKotlinMetadata" }.forEach {
it.dependsOn("kspCommonMainKotlinMetadata")
}
这段代码过于宽泛地为所有任务添加了依赖关系,包括那些不应该直接依赖于KSP处理任务的资源处理任务。
解决方案
推荐的修复方式
正确的做法应该是只对特定类型的任务(KSP处理任务)添加依赖关系。修改后的代码应该如下:
tasks.withType(KspAATask::class.java).configureEach {
if (name != "kspCommonMainKotlinMetadata") {
dependsOn("kspCommonMainKotlinMetadata")
}
}
这种修改方式有以下优点:
- 精确控制依赖关系,只影响KSP处理任务
- 避免了与资源处理任务形成循环依赖
- 更符合Gradle任务依赖管理的最佳实践
临时解决方案
对于急需解决问题的开发者,可以考虑以下临时方案:
- 回退到Ktorfit 2.3.x版本
- 暂时移除JetBrains多平台资源库依赖
- 在本地修改Ktorfit插件代码并重新编译
技术影响
这个问题不仅影响构建过程,还可能对以下方面产生影响:
- 增量构建的性能
- 多模块项目的构建顺序
- 资源处理与代码生成的正确性
最佳实践建议
为了避免类似问题,建议开发者在集成多个代码生成工具时:
- 仔细检查任务依赖关系图
- 使用Gradle的
--dry-run选项测试构建顺序 - 为不同类型的任务使用明确的类型过滤
- 定期检查构建扫描报告中的依赖关系
总结
Ktorfit 2.4.0版本中引入的任务依赖管理逻辑在特定配置下会导致循环依赖问题。通过精确控制任务依赖范围,只对KSP处理任务添加依赖关系,可以有效解决这个问题。这个问题也提醒我们在处理构建系统任务依赖时需要更加谨慎,特别是在集成多个代码生成工具时。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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