Shorebird项目中的Flutter本地化文件生成与构建冲突问题分析
问题背景
在Flutter应用开发中,使用Shorebird进行iOS版本发布时,开发者遇到了一个关于本地化文件生成的构建问题。具体表现为:当执行flutter gen-l10n命令成功生成本地化文件后,紧接着运行Shorebird的发布命令会导致这些本地化文件被意外删除,最终导致构建失败。
问题现象
构建过程中出现的错误信息显示,系统无法找到.dart_tool/flutter_gen/gen_l10n/app_localizations.dart文件。这个文件是Flutter国际化支持的关键文件,由flutter gen-l10n命令生成。错误表明在Shorebird执行构建流程时,这个文件被删除或丢失了。
根本原因分析
经过技术分析,这个问题源于Shorebird在构建过程中调用了底层的flutter build ipa命令,而这个命令默认会执行dart pub get操作。dart pub get操作会重新生成.dart_tool目录,从而覆盖了之前flutter gen-l10n生成的本地化文件。
解决方案
针对这个问题,目前有两种可行的解决方案:
-
使用--no-pub参数:在执行Shorebird发布命令时,可以添加
--no-pub参数来禁止pub get操作。具体命令格式为:shorebird release ios -- --no-pub这个解决方案简单直接,可以有效避免本地化文件被覆盖的问题。
-
调整构建流程顺序:另一种方法是在项目配置中确保本地化文件的生成是构建流程的最后一步。这可以通过修改构建脚本或CI/CD流程来实现,确保在pub get操作之后才执行本地化文件的生成。
技术建议
对于使用Flutter国际化功能的项目,建议开发者:
-
将本地化相关文件(包括
.dart_tool/flutter_gen/目录)纳入版本控制系统,这样可以确保在构建失败时能够快速恢复。 -
在项目的CI/CD流程中,明确区分依赖安装阶段和代码生成阶段,确保代码生成操作在依赖安装完成后执行。
-
考虑使用Flutter的国际化包管理工具(如intl_utils)来更可靠地管理本地化资源。
长期解决方案
从Shorebird项目的角度来看,这个问题已经被识别为一个已知问题,并计划在后续版本中修复。理想的长期解决方案应该包括:
-
在Shorebird的构建流程中增加对本地化文件生成的特殊处理。
-
提供更明确的构建阶段划分,让开发者能够更精细地控制构建过程中各个步骤的执行顺序。
-
改进错误提示信息,当检测到本地化文件丢失时,提供更明确的解决方案建议。
总结
Flutter应用的国际化支持是现代移动应用开发中的重要功能,而Shorebird作为热更新解决方案,需要与这一功能良好兼容。通过理解问题的根本原因并应用上述解决方案,开发者可以顺利解决本地化文件在构建过程中被删除的问题,确保应用的国际化功能正常工作。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00