【亲测免费】 Compose Destinations 开源项目教程
项目介绍
Compose Destinations 是一个基于 Kotlin 的导航库,专为 Jetpack Compose 设计。它旨在简化和标准化应用程序内的导航逻辑,提供了一套清晰的 API 来管理目的地之间的交互,使得开发者能够更专注于业务逻辑,而无需在导航实现上花费过多精力。通过使用 Compose Destinations,开发者可以享受到类型安全的导航体验,以及易于测试和维护的架构。
项目快速启动
要快速启动并运行 Compose Destinations,首先确保你的开发环境已经配置了 Kotlin 和 Android Studio,且支持 Jetpack Compose。
添加依赖
在你的 build.gradle.kts 文件中的 dependencies 块添加以下依赖:
dependencies {
implementation("com.raamcosta.compose:compose-destinations:<latest-version>")
}
替换 <latest-version> 为你查找到的最新版本号。可以通过项目 GitHub 页面的 Release 部分查找。
初始化导航
在应用的入口点(如 MainActivity),初始化 Compose Destinations:
class MainActivity : ComponentActivity() {
override fun onCreate(savedInstanceState: Bundle?) {
super.onCreate(savedInstanceState)
// 初始化 DestinationRegistry
DestinationsInstaller.install(this) {
addDestinations(Destinations())
}
// 使用 Compose 安装视图
setContent {
AppTheme {
Surface(color = MaterialTheme.colors.background) {
NavHost(
navController = rememberNavController(),
startDestination = "home"
) { backStackEntry ->
ComposeDestinations(backStackEntry)
}
}
}
}
}
}
创建目的地
创建一个简单的目的地示例,在 Destinations.kt 中定义:
object Destinations {
@Composable
fun HomeScreen() {
Text(text = "欢迎来到主页")
}
val home by destination(Screen.Home)
}
这里 @Composable 函数代表你的屏幕界面,destination 注解用于注册这个目的地。
应用案例和最佳实践
类型安全的导航
利用 Kotlin 协程和 NavBackStackEntry,你可以安全地传递参数和处理导航结果:
navController.navigateTo(Destinations.home) {
extras = mapOf("message" to "Hello World!")
}
在目的地中接收参数:
val message by rememberSaveable { navBackStackEntry.data["message"] as? String }
Text(text = message ?: "无消息")
生命周期管理和深度链接
Compose Destinations 提供了对屏幕生命周期的管理支持,及如何集成深度链接到你的应用中,这有助于提升用户体验和应用发现性。
典型生态项目
虽然本开源项目本身是独立的,但它与 Jetpack Compose 生态紧密相连,可以与其他流行库如 Accompanist 系列(例如用于处理屏幕适配或网络图片加载)无缝集成,增强应用功能。开发者应探索这些生态系统的结合,以构建更为复杂和功能丰富的应用。
此教程仅提供了 Compose Destinations 最基础的使用指南,深入掌握其全部特性和最佳实践,还需参考官方文档和实战经验积累。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust017
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00