Orbit-MVI 10.0.0 发布:全面拥抱 Kotlin 多平台开发
Orbit-MVI 是一个基于 Kotlin 的现代化 MVI(Model-View-Intent)架构框架,它通过响应式编程和单向数据流的设计理念,帮助开发者构建可维护、可测试的应用程序。在最新发布的 10.0.0 版本中,Orbit-MVI 实现了对 Kotlin 多平台(KMP)的全面支持,为跨平台开发带来了全新的可能性。
多平台支持成为核心特性
10.0.0 版本最显著的改进是全面支持 Kotlin Multiplatform 的所有目标平台。这意味着开发者现在可以在 iOS、Android、Web、桌面等多个平台上共享业务逻辑代码,同时保持各平台原生 UI 的优势。这一变化使 Orbit-MVI 成为跨平台开发的强大工具。
ViewModel 与 Compose 多平台支持
新版本特别强化了对 ViewModel 和 Compose 多平台的支持:
-
ViewModel 多平台:现在可以在共享代码中直接使用 ViewModel,而不必担心平台差异。这为状态管理提供了统一的解决方案。
-
Compose 多平台:新增的 Compose 多平台支持允许开发者在不同平台上使用相同的声明式 UI 代码。框架还提供了一个全新的 Compose 多平台示例应用,帮助开发者快速上手。
测试功能增强
测试方面有两个重要改进:
-
自动初始状态检查:测试时框架会自动验证初始状态,不再需要手动调用
expectInitialState()。如果需要自定义行为,可以通过TestSettings.autoCheckInitialState进行配置。 -
expectStateOn 方法:新增的这个方法特别适合测试密封类(sealed class)表示的状态,使状态断言更加直观和类型安全。
API 变更与优化
核心模块变更
blockingIntent 现在改为扩展函数,这一变化虽然带来了轻微的 API 破坏性变更,但使 API 设计更加一致和 Kotlin 友好。
Compose 模块清理
移除了 ContainerHostExtensionsKt 中已弃用的 collectState 函数,简化了 API 表面。
ViewModel 模块增强
新增了对 kotlinx 序列化的支持,使得通过 SavedStateHandle 保存和恢复状态变得更加方便和安全。
技术实现亮点
-
移除了 AtomicFu 依赖:改用 Kotlin 标准库的实现,减少了外部依赖,提高了框架的稳定性。
-
测试包装改进:确保
runTest正确包装测试,提供更可靠的测试环境。 -
性能优化:移除了
RealContainer中的runBlocking调用,提升了协程使用的效率。
开发者体验提升
新版本提供了丰富的示例代码,特别是新增的 Compose 多平台示例应用,展示了如何在实践中使用这些新特性。例如,示例中包含了 Compose TextField 状态提升的典型用法,帮助开发者理解如何在 MVI 架构中处理用户输入。
Orbit-MVI 10.0.0 的这些改进标志着框架向多平台开发迈出了重要一步,为 Kotlin 全栈开发者提供了更强大的工具集。无论是构建跨平台应用,还是需要在不同平台上共享业务逻辑,新版本都能提供优雅的解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01