IntelliJ平台插件模板中Gradle配置问题的解决方案
背景介绍
在使用IntelliJ平台插件模板开发插件时,开发者可能会遇到Gradle构建过程中的配置问题。特别是在升级到IntelliJ IDEA Plugin 2.x版本后,某些Gradle任务的配置方式发生了变化,导致构建失败。
问题现象
当开发者尝试使用prepareSandbox任务时,可能会遇到以下错误信息:
Invocation of 'Task.project' by task ':prepareSandbox' at execution time is unsupported.
这个错误通常发生在Gradle配置缓存启用时,表明在任务执行阶段不恰当地访问了项目(project)属性。
问题根源分析
在Gradle的配置缓存机制下,任务执行阶段访问project属性是被禁止的,因为这会导致配置缓存失效。prepareSandbox任务在doFirst闭包中直接引用了rootProject.name和project.version,这违反了Gradle的最佳实践。
解决方案
正确的做法是在配置阶段就确定这些值,而不是在执行阶段动态获取。具体修改如下:
- 在build.gradle.kts文件顶部显式设置项目版本信息:
group = providers.gradleProperty("pluginGroup").get()
version = providers.gradleProperty("pluginVersion").get()
- 修改prepareSandbox任务的配置,避免在执行阶段访问project属性:
prepareSandbox {
if (properties("skipProguard").isPresent.not()) {
dependsOn("proguard")
doFirst {
val original = File("build/libs/${rootProject.name}-${version}.jar")
val obfuscated = File("build/${rootProject.name}-obfuscated.jar")
// 其余处理逻辑保持不变
}
}
}
技术要点
-
Gradle配置缓存:这是Gradle的一项性能优化功能,可以缓存任务的配置阶段结果。为了支持这一特性,任务在执行阶段不能访问可变状态。
-
配置阶段与执行阶段:Gradle构建分为配置阶段和执行阶段。配置阶段应该只包含确定性的逻辑,而执行阶段则执行实际的工作。
-
属性访问时机:项目属性(如version、name等)应该在配置阶段就确定下来,而不是在执行阶段动态获取。
最佳实践建议
-
对于插件开发,建议始终在文件顶部显式设置group和version属性。
-
在任务配置中,尽量避免在执行阶段(doFirst/doLast)访问项目属性。
-
使用providers API来延迟属性值的获取,同时保持配置缓存兼容性。
-
对于需要根据构建参数动态确定的属性,可以在配置阶段通过gradleProperty或environment来获取。
总结
通过正确设置项目属性并在适当的阶段访问它们,可以避免Gradle配置缓存相关的问题,同时提高构建性能。这一解决方案不仅适用于IntelliJ平台插件开发,也适用于一般的Gradle项目配置。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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