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。
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