Tamagui项目中Android平台Sheet组件内使用tRPC的注意事项
问题背景
在Tamagui项目的开发过程中,开发者发现了一个特定于Android平台的问题:当在Sheet组件内部使用tRPC的useQuery进行数据查询时,在Expo开发客户端环境下会出现错误,而在常规Expo启动方式或iOS/Web平台上则工作正常。
技术原理分析
这个问题本质上与Tamagui的Sheet组件实现机制有关。在Android平台上,Sheet组件使用了Portal技术将内容渲染到应用的根节点。这种实现方式会导致:
-
上下文丢失:由于Portal将组件移到了DOM树的更高层级,原本在组件树中传递的React上下文(如tRPC的Provider)将无法被Sheet内部的组件访问到。
-
平台差异:iOS和Web平台对Portal的实现方式不同,它们能够原生处理Portal,因此不会出现上下文丢失的问题。
解决方案
针对这个问题,开发者可以采取以下两种解决方案:
-
提升Provider层级:将tRPC的Provider组件移动到TamaguiProvider的更上层,确保它能够覆盖整个应用,包括通过Portal渲染的内容。
-
在Sheet内部重新提供上下文:在Sheet组件内部重新包装tRPC的Provider,确保内部组件能够访问到必要的上下文。
最佳实践建议
-
统一上下文管理:对于跨平台应用,建议将全局状态和API客户端Provider放在应用的最顶层组件中。
-
组件隔离测试:在开发过程中,特别是在使用Portal类组件时,应该在不同平台上进行充分测试。
-
错误边界处理:对于可能通过Portal渲染的组件,添加适当的错误边界处理,提高应用健壮性。
总结
这个案例展示了跨平台开发中常见的上下文管理问题。理解不同平台对组件渲染机制的差异,对于构建稳定的跨平台应用至关重要。Tamagui作为优秀的跨平台UI库,虽然抽象了大部分平台差异,但在某些特定场景下仍需要开发者注意这些底层实现细节。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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