Dependency Analysis Gradle Plugin 1.29.0版本升级导致的Android项目构建失败分析
问题概述
近期在升级Dependency Analysis Gradle Plugin到1.29.0版本时,部分Android项目出现了构建失败的问题。具体表现为在项目配置阶段抛出异常,提示"too late to add actions as the callbacks already executed"错误。
错误现象
当使用1.29.0版本插件时,Android项目在构建初期就会失败,错误信息明确指出:
It is too late to add actions as the callbacks already executed.
Did you try to call beforeVariants or onVariants from the old variant API
'applicationVariants' for instance ? you should always call beforeVariants or
onVariants directly from the androidComponents DSL block.
问题根源
经过分析,这个问题主要与以下因素相关:
-
插件配置时机问题:插件在
afterEvaluate块中配置Android项目,而此时Android组件的回调已经执行完毕。 -
auto-apply设置的影响:当设置
dependency.analysis.autoapply=false时,问题会显现。这是因为手动应用插件的方式与自动应用在时机上存在差异。 -
Android Gradle Plugin的严格检查:新版AGP对variant API的使用时机有更严格的限制,要求必须在
androidComponentsDSL块中直接调用beforeVariants或onVariants。
技术背景
在Gradle构建过程中,Android项目的variant配置有其特定的生命周期。当使用新的Android组件API时,对variant的操作必须在正确的时机进行。1.29.0版本的插件在afterEvaluate中配置Android项目,这可能导致:
- 错过了Android组件配置的最佳时机
- 与AGP的内部执行顺序产生冲突
- 违反了variant API的使用规范
解决方案
目前有以下几种临时解决方案:
-
保持auto-apply启用:不设置
dependency.analysis.autoapply=false,让插件自动应用。 -
等待插件修复:插件作者已确认移除
afterEvaluate块可以解决此问题,预计在后续版本中修复。 -
回退到旧版本:如果项目紧急,可以暂时回退到1.28.0版本。
最佳实践建议
对于Android项目使用依赖分析插件时,建议:
- 了解插件的配置时机对构建的影响
- 谨慎使用
afterEvaluate,特别是在涉及variant API时 - 关注插件更新日志,及时了解兼容性变化
- 在CI环境中先进行小范围测试再全面升级
总结
这个问题展示了Gradle插件开发中生命周期管理的重要性,特别是在与Android构建系统交互时。插件开发者需要精确把握配置时机,而使用者则需要理解不同配置方式可能带来的影响。随着Android构建系统的演进,这类时序相关的问题可能会更加常见,开发者应当提高对构建生命周期敏感性的认识。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00