Apache Drools Quarkus 扩展中无DRL资源时的构建问题解析
问题背景
在使用 Apache Drools 与 Quarkus 框架集成时,开发人员可能会遇到一个特定的构建错误。当项目中没有包含任何 DRL(Drools Rule Language)规则文件时,Quarkus 应用启动会失败并抛出 UnsupportedOperationException 异常。这种情况尤其常见于那些选择动态加载规则而非静态编译规则的场景。
问题根源分析
该问题的核心在于 Drools Quarkus 扩展的构建处理器 DroolsAssetsProcessor 的实现逻辑。具体来说,当处理器检测到项目中没有任何 DRL 资源时,会返回一个不可修改的空集合(Collections.emptySet())。然而,后续处理步骤却尝试向这个集合添加热重载支持类,导致了 UnsupportedOperationException。
从技术实现角度来看,这暴露了两个设计问题:
-
集合可变性问题:
RuleCodegen.generate()方法在无 DRL 资源时返回不可变集合,但后续处理却需要可变集合 -
热重载逻辑问题:热重载支持类的添加条件判断可能存在逻辑倒置,与预期行为不符
解决方案
针对这一问题,社区提供了两种解决路径:
-
移除扩展依赖:如果项目完全采用动态规则加载方式,可以考虑移除
drools-quarkus扩展依赖,直接使用 Drools 作为普通库。这种情况下,建议将drools-ruleunits-engine替换为更基础的drools-engine(除非明确需要使用 RuleUnit 功能) -
代码修复:对于确实需要扩展功能的情况,修复方案包括:
- 确保
generate()方法始终返回可变集合 - 重新评估热重载支持类的添加条件
- 确保
技术深入
值得注意的是,热重载支持类的生成逻辑有其特殊考虑。即使在热重载模式下,首次构建时 liveReload.isLiveReload() 也会返回 false。这种设计是故意的,因为热重载支持类只需要在初始构建时生成一次,后续的热重载过程会由 Quarkus 的编译提供程序自动处理。
最佳实践建议
对于采用动态规则加载策略的项目,建议:
- 评估是否真正需要 Drools Quarkus 扩展的全部功能
- 如果仅需要核心规则引擎功能,考虑使用基础依赖而非完整扩展
- 对于必须使用扩展的场景,确保至少包含一个占位 DRL 文件以避免构建问题
- 关注社区对该问题的修复进展,及时更新依赖版本
总结
这个问题揭示了框架扩展在应对不同使用场景时的灵活性挑战。作为开发者,理解底层机制有助于做出更合理的技术选型。同时,这也提醒我们,在使用任何框架扩展时,都需要仔细评估其设计假设是否与项目的具体需求相匹配。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00