React Native Bottom Sheet 在 Expo 51 新架构下的兼容性问题解析
问题背景
React Native Bottom Sheet 是一个流行的底部弹窗组件库,在 Expo 51 版本中,当启用新架构(Bridgeless 模式)时,开发者遇到了一个关键错误:"Unexpected nativeTag: function"。这个错误主要出现在使用 BottomSheetScrollView 或 BottomSheetFlatList 组件时,导致应用无法正常渲染这些组件。
错误原因分析
该问题的根源在于 React Native 新架构(Fabric)与旧架构在组件引用处理方式上的差异。具体来说:
-
引用获取机制变化:在新架构下,组件引用的获取方式发生了变化,导致 getRefNativeTag 工具函数无法正确获取 nativeTag。
-
findNodeHandle 的兼容性:React Native Reanimated 在新架构中保留了 findNodeHandle 方法,但 Web 平台不支持此方法,这造成了跨平台兼容性问题。
-
版本引入点:这个问题是在 v4.4.5 版本中引入的,与 #1100 这个改动有关。
技术细节
问题的核心在于 getRefNativeTag.ts 文件中的引用检查逻辑。在新架构下,组件引用不再直接包含 nativeTag 属性,而是需要通过其他方式获取。当检查失败时,系统会抛出错误信息:
Unexpected nativeTag: function; nativeTag=[object Object]
createBottomSheetScrollableComponent's ScrollableComponent needs to return
a reference that contains a nativeTag to a Native HostComponent.
解决方案
目前社区提供了几种解决方案:
-
临时补丁方案:通过 patch-package 临时注释掉 getRefNativeTag.ts 中的错误抛出代码,这可以暂时解决问题但非长久之计。
-
版本降级:回退到 v4.4.5 之前的版本,避免这个问题的出现。
-
平台特定代码:对于 Web 平台,避免使用 BottomSheetFlatList 和 BottomSheetScrollView 组件。
-
等待官方修复:Discord 团队已经在其 fork 版本中修复了这个问题,合并了 #1823 这个 PR,并在 v4.6.4 版本中发布。
最佳实践建议
对于正在使用 Expo 51 和新架构的开发者:
-
如果急需解决问题,可以采用临时补丁方案,但需要密切关注官方更新。
-
考虑使用 react-native-gesture-handler 中的 FlatList 作为临时替代方案。
-
对于新项目,建议直接使用 v4.6.4 或更高版本。
-
在跨平台开发时,注意添加平台判断逻辑,避免在 Web 平台使用不兼容的组件。
未来展望
随着 React Native 新架构的逐步成熟,这类兼容性问题将逐渐减少。组件库开发者需要:
-
加强对新架构的适配测试
-
提供更清晰的版本兼容性说明
-
考虑为不同架构提供不同的实现方案
这个问题也提醒我们,在大型框架升级时,需要特别注意核心组件库的兼容性,做好充分的测试和回退方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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