Dagger项目中实现ViewModel的Assisted注入详解
概述
在Android开发中使用Dagger进行依赖注入时,ViewModel的注入是一个常见需求。传统方式通常使用@Inject注解,但当ViewModel需要接收动态参数时,这种方式就显得不够灵活。本文将详细介绍如何使用Dagger的Assisted Injection功能来实现带参数的ViewModel注入。
传统ViewModel注入的问题
传统的ViewModel注入方式是通过@Inject注解构造函数:
class MyViewModel @Inject constructor(
private val repository: MyRepository
) : ViewModel()
这种方式简单直接,但当ViewModel需要接收Activity/Fragment传递的参数时(如ID等),就无法直接在构造函数中注入,因为参数是运行时动态确定的。
Assisted Injection解决方案
Dagger的Assisted Injection功能允许我们将部分参数通过构造函数注入,另一部分参数在创建实例时动态传入。
基本实现步骤
-
添加依赖:确保使用Dagger 2.31或更高版本,这是引入Assisted Injection功能的最低版本要求。
-
ViewModel改造:
class DetailsViewModel @AssistedInject constructor(
application: Application,
val repository: DetailsRepository,
@Assisted val id: String // 动态参数
) : BaseViewModel(application) {
@AssistedFactory
interface Factory {
fun create(id: String): DetailsViewModel
}
}
- 创建ViewModelProvider.Factory:
companion object {
fun factory(
factory: Factory,
id: String
) : ViewModelProvider.Factory {
return object : ViewModelProvider.Factory {
override fun <T : ViewModel> create(modelClass: Class<T>): T =
factory.create(id) as T
}
}
}
- 在Activity中使用:
class DetailsActivity : AppCompatActivity() {
@Inject
lateinit var viewModelFactory: DetailsViewModel.Factory
private lateinit var viewModel: DetailsViewModel
override fun onCreate(savedInstanceState: Bundle?) {
super.onCreate(savedInstanceState)
(application as MyApplication).appComponent.inject(this)
val id = intent.getStringExtra("ID").orEmpty()
viewModel = ViewModelProvider(this,
DetailsViewModel.factory(viewModelFactory, id)
)[DetailsViewModel::class.java]
}
}
常见问题解决
-
版本兼容性问题:确保所有Dagger相关依赖使用相同版本,且不低于2.31。
-
绑定错误:使用Assisted Injection后,不需要在Dagger模块中为ViewModel提供绑定,否则会导致冲突。
-
Factory注入问题:确保Factory接口被正确注入,通常不需要额外配置,Dagger会自动处理。
最佳实践
-
将ViewModel的创建逻辑封装在companion object中,保持Activity/Fragment代码简洁。
-
为动态参数使用明确的命名,如@Assisted val itemId: String,提高代码可读性。
-
考虑将ViewModelFactory的创建逻辑提取到基类中,减少重复代码。
总结
通过Dagger的Assisted Injection功能,我们可以在保持依赖注入优势的同时,灵活处理ViewModel需要的动态参数。这种方式比传统通过方法传递参数更加优雅,也更符合依赖注入的设计原则。正确配置后,可以大大简化Android应用中ViewModel的管理和使用。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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