Puerts Unity项目中PathHelper类被代码剥离的问题分析与解决
在Unity游戏开发中,使用Puerts进行TypeScript/JavaScript与C#交互时,开发者可能会遇到一个常见问题:当将Managed Stripping Level设置为High时,Puerts的PathHelper类及其方法会被Unity的代码剥离机制错误地移除,导致WebGL平台运行时出现"CS.Puerts.PathHelper.IsRelative is not a function"等错误。
问题背景
Puerts是一个连接TypeScript/JavaScript与Unity C#的桥梁,PathHelper类提供了一些路径处理的实用方法。在WebGL平台下,Puerts的运行时JavaScript代码(puerts-runtime.js)会调用这些C#方法。然而,Unity的代码剥离机制在优化时会移除看似未被使用的代码,而由于这些方法是通过反射调用的,静态分析无法识别它们的实际使用情况。
问题表现
当项目构建为WebGL且启用高级代码剥离时,控制台会抛出类似以下的错误:
Exception: TypeError: CS.Puerts.PathHelper.IsRelative is not a function
这表明PathHelper类的方法已被错误地从最终构建中移除,而运行时JavaScript代码却尝试调用这些方法。
解决方案
解决此问题的标准方法是为PathHelper类添加UnityEngine.Scripting.Preserve特性。这个特性会明确告诉Unity的代码剥离系统:即使表面上看起来没有引用,这些代码也必须保留。
具体实现方式是在PathHelper类定义前添加[Preserve]特性:
[UnityEngine.Scripting.Preserve]
public static class PathHelper
{
// 类实现...
}
技术原理
Unity的Managed Stripping机制通过静态分析来确定哪些代码可以被安全移除。对于通过反射调用的方法,这种分析往往失效。[Preserve]特性的作用就是标记这些"隐形"被使用的代码,防止它们被错误剥离。
在Puerts的上下文中,JavaScript代码通过反射机制调用C#方法是一种常见模式,因此所有可能被JavaScript调用的C#类和方法都应该考虑添加Preserve特性。
最佳实践
- 对于Puerts项目中所有可能被JavaScript调用的C#类,都应添加[Preserve]特性
- 在WebGL平台构建前,建议将Managed Stripping Level设置为Low或Medium进行测试
- 对于关键功能类,可以考虑创建link.xml文件来确保它们不会被剥离
总结
代码剥离是Unity优化包体大小的有效手段,但对于依赖反射的框架如Puerts,需要特别注意保留必要的类型和方法。通过合理使用[Preserve]特性,可以平衡代码优化与功能完整性的需求,确保项目在各平台都能稳定运行。
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