Compose Destinations 依赖注入问题解析:如何正确使用 destination 作用域
2025-06-25 06:31:14作者:袁立春Spencer
问题背景
在使用 Compose Destinations 2.1.0 版本时,开发者遇到了一个依赖注入相关的问题。具体表现为:当尝试为特定目的地(Destination)提供依赖时,使用 destination 作用域的方式无法正常工作,而使用全局 dependency 方式则可以。
问题现象
开发者提供了两种不同的依赖注入方式:
- 全局依赖方式(正常工作):
DestinationsNavHost(
dependenciesContainerBuilder = {
dependency(checkoutExpirationDialogHandler)
dependency(hiltViewModel<DeparturesViewModel>())
}
)
- 目的地作用域方式(不工作):
DestinationsNavHost(
dependenciesContainerBuilder = {
destination(DeparturesScreenDestination) { checkoutExpirationDialogHandler }
destination(DeparturesScreenDestination) { hiltViewModel<DeparturesViewModel>() }
}
)
问题根源
经过分析,发现问题出在使用 destination 作用域时缺少了关键的 dependency() 包装方法。正确的做法应该是:
destination(DeparturesScreenDestination) {
dependency(hiltViewModel<DeparturesViewModel>())
}
技术解析
Compose Destinations 依赖注入机制
Compose Destinations 提供了两种依赖注入方式:
- 全局依赖:使用
dependency()方法注册的依赖对所有目的地都可用 - 目的地作用域依赖:使用
destination(DestinationSpec) { ... }方法注册的依赖仅对特定目的地可用
为什么需要 dependency() 包装
destination 作用域内的代码块实际上是一个 DSL 构建器,它需要明确的指令来注册依赖。直接返回依赖实例而不使用 dependency() 方法,会导致依赖没有被正确注册到依赖容器中。
正确用法对比
错误用法:
destination(DeparturesScreenDestination) {
hiltViewModel<DeparturesViewModel>()
}
正确用法:
destination(DeparturesScreenDestination) {
dependency(hiltViewModel<DeparturesViewModel>())
}
最佳实践建议
- 明确依赖作用域:根据依赖的使用范围选择全局注册或目的地作用域注册
- 使用依赖包装:在目的地作用域内必须使用
dependency()方法包装依赖 - 依赖查找:在目的地内部使用
buildDependencies().require()获取依赖时,确保类型匹配 - 版本适配:注意不同版本间的 API 变化(如 v1 中的
dependency方法在 v2 中更名为destination)
总结
Compose Destinations 提供了灵活的依赖注入机制,但使用时需要注意 API 的正确调用方式。特别是在使用目的地作用域依赖时,必须使用 dependency() 方法包装依赖实例,否则依赖将无法正确注册。理解这一机制可以帮助开发者更好地组织和管理 Compose 应用中的依赖关系。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781