Shorebird项目iOS通知服务扩展构建失败问题分析与解决
问题背景
在使用Shorebird构建工具进行iOS应用发布时,开发人员遇到了一个与Firebase通知服务扩展(NotificationService Extension)相关的构建问题。当应用包含Firebase云消息通知服务扩展时,使用Shorebird release命令构建的IPA文件在上传到App Store时会失败,而普通的Flutter构建则能成功上传。
错误现象
构建过程中出现的错误信息表明,应用扩展包(NotificationService.appex)的Info.plist文件中缺少必需的CFBundleVersion键值。具体错误包括:
- 资产验证失败:通知服务扩展包无效,Info.plist文件缺少CFBundleVersion键
- 缺少Info.plist值:通知服务扩展包中必须提供CFBundleVersion键的值
问题根源分析
经过深入调查,发现这个问题主要由以下几个因素共同导致:
-
版本号继承问题:通知服务扩展没有正确继承主应用的版本号和构建号。在Xcode项目中,扩展目标需要显式设置MARKETING_VERSION和CURRENT_PROJECT_VERSION,或者通过xcconfig文件继承这些值。
-
构建工具差异:使用Xcode直接构建时,Xcode会自动处理扩展的版本号设置;而通过Shorebird命令行工具构建时,这部分逻辑需要手动配置。
-
Fastlane工具变更:从gym工具切换到altool工具后,不再自动处理扩展版本号的更新。
解决方案
要解决这个问题,需要采取以下步骤:
1. 移除错误的flavor配置
在shorebird.yaml文件中,不应将NotificationService列为flavor。这是早期版本的一个错误配置,正确的shorebird.yaml文件不应包含通知服务扩展作为flavor。
2. 配置xcconfig文件
确保通知服务扩展目标的xcconfig文件正确包含必要的配置。扩展的xcconfig文件应该包含以下内容:
#include "Pods/Target Support Files/Pods-NotificationService/Pods-NotificationService.debug.xcconfig"
#include "Flutter/Generated.xcconfig"
3. 显式设置版本信息
在扩展的Info.plist文件中,需要显式设置CFBundleVersion和CFBundleShortVersionString,确保它们的值与主应用的Info.plist中的值一致。
4. 使用正确的构建变量
在Xcode中,将扩展的MARKETING_VERSION设置为$(FLUTTER_BUILD_NAME),确保它能正确获取Flutter构建时传入的版本号。
实施建议
-
对于新项目,建议在创建通知服务扩展时就按照上述方案进行配置。
-
对于已有项目出现此问题,建议:
- 检查并修正shorebird.yaml文件
- 验证扩展的xcconfig文件配置
- 确保Info.plist中的版本信息设置正确
- 测试构建流程是否恢复正常
总结
Shorebird构建工具与iOS通知服务扩展的集成问题主要源于版本号配置的继承和传递机制。通过正确配置xcconfig文件和显式设置版本信息,可以确保扩展包在构建过程中获得正确的版本号,从而解决上传失败的问题。这一解决方案不仅适用于Firebase通知服务扩展,也适用于其他类型的应用扩展。
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