Android Beacon Library 2.21版本中长扫描强制启用设置问题解析
背景介绍
在Android Beacon Library 2.21.0-beta2版本中,开发团队引入了一个新的Settings API,旨在提供更灵活的方式来配置库的行为。这个新API设计用来替代传统的AndroidManifest.xml配置方式,使开发者能够以编程方式动态调整库的设置。
问题描述
新API中有一个关键功能是控制"长扫描强制启用"(longScanForcingEnabled)的设置。这个设置对于需要持续扫描蓝牙信标的应用程序非常重要,特别是在Android 7.1及以上版本的设备上。当启用此设置时,可以防止系统在30分钟后自动停止扫描。
然而,在2.21.0-beta2版本中,开发者发现通过新API设置longScanForcingEnabled属性并没有实际生效。这意味着开发者仍然需要依赖旧的AndroidManifest.xml配置方式,这显然违背了新API的设计初衷。
技术细节
longScanForcingEnabled设置主要用于解决Android系统的一个限制:在Android 7.1及以上版本中,系统会在30分钟后自动停止后台扫描以节省电量。对于需要长时间运行的信标扫描应用来说,这是一个严重的问题。
正确的配置方式应该是:
val settings = Settings(
longScanForcingEnabled = true
)
beaconManager.replaceSettings(settings)
但在受影响版本中,这种配置方式无法正常工作。类似的问题也出现在RSSI过滤器实现类(settings.getRssiFilterImplClass)的设置上。
解决方案
开发团队在后续的2.21.0-beta5版本中修复了这个问题。修复后,开发者可以完全通过新的Settings API来配置这些参数,不再需要依赖AndroidManifest.xml。
最佳实践
对于需要使用长时间扫描功能的开发者,建议:
- 确保使用2.21.0-beta5或更高版本
- 在应用初始化时通过代码配置Settings
- 不再需要在AndroidManifest.xml中添加相关配置
- 对于关键功能,仍然应该测试配置是否生效
总结
这个问题的修复标志着Android Beacon Library向更现代化的配置方式迈出了重要一步。通过完全支持编程式配置,开发者现在可以更灵活地管理库的行为,特别是在需要动态调整扫描参数的场景下。这也为未来可能引入的更多运行时配置选项奠定了基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00