Premake项目中的Android构建支持现状与未来展望
背景介绍
Premake作为一个轻量级的项目构建配置工具,长期以来为开发者提供了跨平台的解决方案。然而,随着Android开发环境的快速演进,特别是Visual Studio对Android支持的重大变更,Premake的Android构建支持面临着新的挑战。
Visual Studio对Android支持的变革
微软在Visual Studio 2022中彻底移除了基于Ant的"Native Activity"构建方式,转向了Gradle作为唯一的Android构建系统。这一变化带来了几个关键影响:
-
旧版构建方式失效:原先在VS2019中能够正常工作的Ant构建方式,在新版本中无法完成应用安装,主要原因是权限系统的变更导致无法将APK复制到临时文件夹并运行。
-
Gradle集成问题:新的Gradle构建方式在VS2022中存在诸多兼容性问题,包括Java和Gradle配置错误,且相关文档匮乏,给开发者带来了不小的困扰。
-
调试工具兼容性:内置的GDB调试器对Android 14及以上版本支持不佳,这主要是由于scoped storage限制导致的,而较新的LLDB调试器已经解决了这些问题。
Premake的应对方案
目前Premake对Android的支持主要通过两种方式:
-
传统Ant构建:仍然可以在VS2019中使用,但仅限于较旧版本的NDK(推荐R22,R23需要手动调整.props文件)。
-
社区Gradle插件:polymonster/premake-android-studio项目提供了Gradle项目生成能力,但存在以下局限:
- 使用旧的Groovy DSL而非新的Kotlin DSL
- NDK支持不够完善
- 与Visual Studio的集成度不高
技术挑战与解决方案
构建系统兼容性
开发者可以采用以下替代方案:
-
独立二进制方式:对于不需要Activity的测试用例,可编译为独立二进制直接部署到设备的/data/local/tmp目录。
-
手动集成gdbserver:在root过的设备上,可以手动将gdbserver打包进APK以实现调试功能。
构建性能优化
针对Gradle构建速度慢的问题,可以通过配置gradle.properties来提升性能:
org.gradle.jvmargs=-Xmx3g
org.gradle.parallel=true
org.gradle.configureondemand=true
org.gradle.caching=true
Premake的未来发展
讨论中提出了几个关键发展方向:
-
跨平台支持增强:当前Premake对Windows和Linux支持较好,但对Android、WASM等平台的支持需要依赖社区插件,且质量参差不齐。
-
模块化架构改进:考虑将常用模块(如Android、Ninja、Emscripten等)纳入主仓库统一维护,提高稳定性和易用性。
-
测试体系完善:建立更全面的跨平台测试套件,确保各模块的质量。
-
Premake 6.x规划:虽然6.x分支的开发目前暂停,但团队仍计划在5.0稳定版发布后继续推进,主要改进作用域机制等核心功能。
开发者建议
对于需要稳定Android构建支持的开发者,目前推荐以下方案:
- 使用VS2019配合NDK R22/R23进行开发
- 考虑社区提供的Gradle插件方案
- 对于新项目,可以评估XMake等替代构建系统的可行性
随着Premake社区的持续讨论和发展,未来有望提供更完善的Android构建支持解决方案,开发者可以关注项目的Discord讨论组获取最新进展。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09