Spotless项目7.0.0版本发布:全面支持Gradle配置缓存与代码检查
项目简介
Spotless是一个流行的代码格式化工具,支持多种编程语言和构建工具。它能够帮助开发团队保持代码风格的一致性,自动格式化代码以符合预定义的规范。Spotless特别适合在持续集成环境中使用,可以确保每次提交的代码都符合团队的格式标准。
7.0.0版本核心特性
1. 全面支持Gradle配置缓存
7.0.0版本最重要的改进是完整支持Gradle的配置缓存功能,没有任何限制条件。配置缓存是Gradle的一项性能优化功能,可以显著加快构建速度,特别是对于大型项目。在之前的版本中,Spotless对配置缓存的支持存在一些限制,现在这些问题已经完全解决。
2. 新增代码检查功能
除了原有的代码格式化能力外,7.0.0版本新增了代码检查(linting)功能。这意味着Spotless现在不仅能自动格式化代码,还能识别代码中的潜在问题和不规范之处,为开发者提供更全面的代码质量保障。
重要变更与改进
格式化工具默认版本更新
- Ktlint默认版本从1.3.0升级到1.5.0
- Jackson默认版本从2.18.0升级到2.18.1
- Ktfmt默认版本从0.52升级到0.53
- Eclipse默认版本从4.32升级到4.34
Eclipse配置增强
现在可以通过字符串直接设置Eclipse的格式化配置,而不仅限于从文件读取。这为自动化配置提供了更大的灵活性。
废弃和替代功能
indentWithSpaces和indentWithTabs方法已被标记为废弃,推荐使用新的leadingTabsToSpaces和leadingSpacesToTabs方法替代。这一变更解决了长期存在的缩进处理问题,提供了更精确的缩进控制。
问题修复
- toggleOffOn功能修复:现在可以与配置缓存正常工作,解决了之前存在的兼容性问题。
- Groovy闭包自定义格式化修复:使用Groovy闭包进行自定义格式化现在无论是否启用配置缓存都能正常工作。
- Google Java Format与移除未使用导入共存问题:修复了同时使用这两个功能时出现的问题。
- 类型注解支持扩展:默认支持的类型注解列表现在包含了Jakarta Validation的
Valid和约束验证注解。
技术细节与开发者建议
对于使用自定义格式化的项目,需要注意最低Gradle版本要求已从8.0提高到8.4。此外,全局git系统配置现在不再影响行尾设置,这有助于保持跨环境的一致性。
对于缩进处理,建议开发者尽快迁移到新的leadingTabsToSpaces和leadingSpacesToTabs方法,以获得更可靠的缩进格式化效果。
总结
Spotless 7.0.0版本是一个重要的里程碑,不仅解决了长期存在的配置缓存兼容性问题,还扩展了功能边界,从单纯的格式化工具发展为兼具代码检查能力的综合代码质量管理工具。这些改进使得Spotless在现代软件开发流程中能够发挥更大的作用,特别是在持续集成和团队协作场景下。
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 StartedRust0198
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 Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07