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-5.1GLM-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
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
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
506
612
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
392
290
暂无简介
Dart
909
219
🔥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
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108