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。
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