NowInAndroid项目中的Windows平台测试问题分析与解决
问题背景
在NowInAndroid项目的开发过程中,开发者在Windows操作系统上运行DemoDebug变体的本地测试时遇到了测试失败的问题。具体表现为运行./gradlew testDemoDebug命令时,测试无法通过,主要出现了两类错误:Robolectric原生运行时资源未找到错误和DataStore文件操作冲突错误。
问题分析
Robolectric原生运行时问题
测试失败的第一类错误是resource native/windows/x86_64/robolectric-nativeruntime.dll not found。这个问题源于项目使用的Roborazzi截图测试库,它内部依赖Robolectric的NATIVE GraphicsMode。虽然Robolectric从4.12版本开始增加了对Windows平台原生运行时(包括原生SQLite和图形模式)的支持,但在实际使用中仍然存在一些问题。
Windows操作系统对已打开的原生代码文件有更严格的保护机制。与Mac和Linux不同,在Windows上无法在同一个进程中删除已打开的原生运行时DLL临时文件。类似的问题也出现在字体文件的操作上。这导致了测试过程中资源访问冲突的问题。
DataStore文件冲突问题
第二类错误是Unable to rename user_preferences_test.pb.tmp的IO异常。这表明存在多个DataStore实例尝试操作同一个文件的情况。DataStore设计上要求对每个文件只能创建一个实例,当多个实例同时操作时就会出现这种文件重命名冲突。
这个问题与平台无关,是DataStore使用方式上的问题。Google团队已经意识到这个问题,并计划在未来的DataStore版本中解决。
解决方案
针对Robolectric问题的解决
-
版本升级:确保使用Robolectric 4.12或更高版本,这些版本已经增加了对Windows平台原生运行时的基本支持。
-
日志优化:Robolectric 4.12.1版本减少了Windows平台上的日志噪音,虽然不能完全解决根本问题,但能改善开发体验。
-
平台差异认知:开发者需要认识到不同平台(Linux/Mac/Windows)上的渲染结果可能存在差异。这是因为底层原生库(如skia、minikin等)有平台特定的实现细节。
针对DataStore问题的解决
-
单例模式:确保对每个DataStore文件只创建一个实例,避免多实例冲突。
-
等待官方修复:关注DataStore的后续版本更新,官方已承诺会解决这个问题。
测试建议
对于Windows平台的开发者,在进行NowInAndroid项目开发时:
- 理解某些测试(特别是涉及原生图形操作的测试)可能在Windows上表现不同
- 关注Robolectric和DataStore的版本更新,及时升级到修复了相关问题的版本
- 对于必须通过的测试,可以考虑在Linux或Mac环境下运行
- 对于截图比较测试,允许存在合理的平台差异
总结
NowInAndroid项目在Windows平台上的测试问题主要来自两个方面:Robolectric原生运行时的平台兼容性和DataStore的文件操作机制。通过版本升级、正确使用API以及对平台差异的正确认知,开发者可以有效地解决或规避这些问题。随着相关库的不断更新完善,这些问题的最终解决方案也在逐步推进中。
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