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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00