深入理解ruoyi-vue-pro项目中的flatten-maven-plugin配置优化
在基于Maven的多模块Java项目中,版本管理和依赖处理是一个需要特别注意的技术点。本文将以ruoyi-vue-pro项目为例,深入分析flatten-maven-plugin插件的使用方式及其优化方案。
flatten-maven-plugin插件的作用
flatten-maven-plugin是Maven生态中一个重要的插件,主要用于生成"扁平化"的POM文件。在多模块项目中,原始POM可能包含变量、父POM引用等动态内容,而扁平化POM则将这些内容解析为具体的值,便于发布到Maven仓库后被其他项目正确引用。
原配置的问题分析
ruoyi-vue-pro项目原先使用的是resolveCiFriendliesOnly模式:
<flattenMode>resolveCiFriendliesOnly</flattenMode>
这种模式下,插件只会解析CI友好的变量(如{sha1}等),但不会替换依赖中的版本变量。这会导致生成的POM中依赖版本仍保留变量形式:
<dependency>
<groupId>cn.iocoder.boot</groupId>
<artifactId>yudao-module-system-api</artifactId>
<version>${revision}</version>
</dependency>
当其他项目引用这些模块时,由于无法正确解析${revision}变量,会导致依赖无法下载的问题。
优化方案探讨
方案一:使用oss或ossrh模式
将flattenMode改为oss或ossrh模式:
<flattenMode>oss</flattenMode>
这种模式专为开源项目设计,会完全解析所有变量,生成包含具体版本号的POM:
<dependency>
<groupId>cn.iocoder.boot</groupId>
<artifactId>yudao-module-system-api</artifactId>
<version>2.1.0-jdk8-snapshot</version>
<scope>compile</scope>
</dependency>
这种方式的优点是简单直接,生成的POM文件可以被任何项目直接引用。缺点是如果项目内部模块间有大量相互依赖,版本更新时需要同步修改多处。
方案二:分离版本变量
另一种更精细的控制方案是分离版本变量的使用:
- 在根POM中定义两个版本属性:
<properties>
<revision>2.1.0-jdk8-snapshot</revision>
<yudao.version>${revision}</yudao.version>
</properties>
- 在子模块中,parent块使用${revision}:
<parent>
<groupId>cn.iocoder.boot</groupId>
<artifactId>yudao-module-infra</artifactId>
<version>${revision}</version>
</parent>
- 依赖声明中使用${yudao.version}:
<dependency>
<groupId>cn.iocoder.boot</groupId>
<artifactId>yudao-module-system-api</artifactId>
<version>${yudao.version}</version>
</dependency>
这种方式的优点是:
- 保持了版本号的集中管理
- 允许其他项目使用自己的${revision}变量
- 生成的POM中依赖版本会被正确解析
最佳实践建议
对于类似ruoyi-vue-pro这样的开源多模块项目,推荐采用以下策略:
-
使用
oss或ossrh模式的flatten-maven-plugin配置,确保发布的POM文件完全解析所有变量。 -
对于项目内部模块间的依赖,可以考虑使用项目级别的版本属性(如{revision},提高灵活性。
-
在持续集成环境中,确保版本号能够被正确替换,可以使用Maven的release插件或CI脚本自动设置版本号。
ruoyi-vue-pro项目最终采用了第一种优化方案,将flattenMode改为oss模式,这是一个合理的选择,特别适合需要频繁发布到中央仓库的开源项目。这种配置确保了项目模块在被其他项目引用时,所有依赖都能被正确解析,提高了项目的可用性和易用性。
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 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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 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
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