Apollo Kotlin 多风味构建中如何按需启用 GraphQL 代码生成
在 Android 多风味(Flavor)开发中,我们经常会遇到不同风味需要不同技术栈的场景。本文将以 Apollo Kotlin 为例,详细介绍如何在项目中实现仅针对特定风味启用 GraphQL 代码生成功能。
问题背景
假设我们有一个 Android 项目包含两种 API 连接方式:
rest风味:使用 Ktor 实现 REST APIgraphql风味:使用 Apollo Kotlin 实现 GraphQL API
我们希望只在 graphql 风味中启用 Apollo 的代码生成功能,而在 rest 风味中完全跳过这一步骤,以避免不必要的构建时间和依赖。
解决方案
1. 基础配置
首先在模块级 build.gradle.kts 中进行基本配置:
plugins {
alias(libs.plugins.apollo)
// 其他插件...
}
flavorDimensions += "apiType"
productFlavors {
create("rest") {
dimension = "apiType"
}
create("graphql") {
dimension = "apiType"
}
}
// 仅对 graphql 风味添加运行时依赖
"graphqlImplementation"(libs.apollo.runtime)
2. 关键配置:按风味连接代码生成
Apollo Kotlin 提供了 outputDirConnection 配置项,允许我们将生成的代码连接到特定的源集:
apollo {
service("service") {
packageNamesFromFilePaths()
srcDir("src/graphql/apollo")
generateKotlinModels.set(true)
outputDirConnection {
connectToAndroidSourceSet("graphql")
}
}
}
原理分析
这种配置方式利用了 Gradle 的任务依赖机制:
- 通过
connectToAndroidSourceSet("graphql")将生成的代码显式关联到graphql风味 - 构建系统会自动识别这种关联关系
- 当构建
rest风味时,Gradle 会跳过所有 Apollo 相关的代码生成任务 - 只有当构建
graphql风味时,才会执行完整的代码生成流程
进阶建议
-
目录结构优化:建议将 GraphQL 相关文件(如 .graphql 查询文件和 schema.json)放在
src/graphql/apollo目录下,保持清晰的代码结构 -
依赖管理:使用版本目录(version catalogs)管理 Apollo 相关依赖,确保版本一致性
-
构建性能:这种按风味连接的方式不仅能解决功能需求,还能显著提升
rest风味的构建速度
常见问题
Q: 为什么不能直接条件化应用插件? A: Gradle 插件应用是全局性的,无法在配置阶段根据风味条件化应用。我们的解决方案是在任务执行层面进行优化。
Q: 如果我有更多风味需要处理怎么办?
A: 同样的原理可以扩展到任意数量的风味,只需确保每个使用 Apollo 的风味都有对应的 connectToAndroidSourceSet 配置。
通过这种配置方式,我们实现了 Apollo Kotlin 在多风味项目中的精细化控制,既满足了不同风味的技术需求,又保持了构建系统的高效性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
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