Circuit 0.28.1版本发布:Android生命周期管理优化与导航修复
项目简介
Circuit是一个由Slack开源的现代化Android和跨平台UI框架,它基于Jetpack Compose构建,提供了一套声明式的UI开发模式。Circuit框架特别注重状态管理和导航系统的设计,帮助开发者构建可维护且高效的应用架构。
核心变更解析
Android生命周期管理的重大改进
本次0.28.1版本最重要的变更是对rememberRetained行为的调整。框架移除了rememberContinuityCanRetainChecker()方法,转而采用CanRetainChecker.Always策略。这一改变使得Android平台上的rememberRetained现在基于ViewModel的生命周期来管理状态保留,而非之前的仅依赖Activity配置变更。
技术影响分析:
- 修复了在Fragment中使用
rememberRetained时可能出现的状态保留失效问题 - 使状态保留行为更加符合Android开发者的预期
- 提升了跨组件状态管理的一致性
导航系统修复
版本修复了两个重要的导航相关问题:
- 修复了
rememberCircuitNavigator和rememberInterceptingNavigator在根级弹出操作时可能重复触发同一屏幕的问题 - 改进了
BackHandler对根级弹出操作的保护机制
这些改进使得导航行为更加稳定可靠,特别是在处理复杂的导航栈操作时。
依赖项更新
框架同步更新了多个关键依赖项:
- Kotlin版本升级至2.1.21
- KSP更新至2.1.21-2.0.1
- Compose Android BOM更新至2025.06.00
- Compose Android更新至1.8.2
- Compose Multiplatform更新至1.8.1
- androidx.lifecycle更新至2.9.1
这些更新带来了最新的编译器优化和API改进,同时确保了框架的兼容性和稳定性。
其他改进
-
自定义ViewModel支持:修复了无法向
continuityRetainedStateRegistry()提供自定义ViewModel的问题,为开发者提供了更大的灵活性。 -
文档更新:更新了文档以更好地引用circuitx导航库,帮助开发者更轻松地找到相关资源。
-
构建系统优化:迁移了已弃用的dependencyProject API,使构建配置更加现代化。
技术建议
对于正在使用Circuit框架的开发者,建议:
-
状态管理升级:检查项目中所有使用
rememberRetained的地方,特别是在Fragment中的使用场景,确保它们在新版本中的行为符合预期。 -
导航逻辑验证:如果应用中使用了复杂的导航栈操作,建议测试根级弹出场景,确认导航行为是否符合预期。
-
依赖同步:考虑同步更新项目中的相关依赖项,特别是Compose相关库,以获得最佳兼容性。
总结
Circuit 0.28.1版本虽然在版本号上是一个小版本更新,但带来了几个重要的行为变更和修复。这些改进主要集中在Android生命周期管理和导航系统两个核心领域,进一步提升了框架的稳定性和开发者体验。对于已经使用Circuit的项目,建议尽快评估并升级到这个版本,特别是那些在Fragment中大量使用状态保留功能的项目。
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