Protobuf Java与Kotlin库中的类重复问题解析
在Protobuf 4.30.0版本中,Android开发者遇到了一个关于Java和Kotlin库之间类重复的问题。这个问题表现为在同时使用protobuf-java和protobuf-kotlin依赖时,系统检测到了重复的类定义,特别是DescriptorProtos和JavaFeaturesProto相关类。
问题背景
Protobuf作为Google开发的高效数据序列化工具,提供了多种语言支持。在Java生态中,protobuf-java是核心实现,而protobuf-kotlin则是为Kotlin开发者提供的扩展库。理论上,Kotlin库应该依赖于Java库,不应该包含重复的类定义。
问题根源分析
经过深入调查,发现这个问题实际上由来已久,但在4.30.0版本中变得更加明显。根本原因在于构建系统对依赖关系的处理方式:
-
构建配置问题:protobuf-kotlin的构建配置中,
deploy_env参数只列出了核心目标(core),而没有包含lite目标。这导致构建系统无法正确识别和排除lite相关的符号。 -
历史遗留问题:在4.29.x版本中,虽然也存在类似问题,但仅限于枚举验证器类(enum verifiers),因此没有引起广泛注意。实际上,那时就已经存在ODR(单一定义规则)违规的情况。
-
4.30.0版本的变化:在这个版本中,开发团队修复了一个问题,将DescriptorProtos和JavaFeaturesProto完全移到了lite实现中。这一改动使得原本隐藏的问题浮出水面,导致了更明显的类重复冲突。
技术细节
问题的技术本质在于:
- Protobuf的Java实现分为核心(core)和精简(lite)两个版本
- Kotlin扩展库应该只包含Kotlin特有的扩展,而不应该重复Java库中的类
- 构建系统需要明确知道哪些类应该被排除在Kotlin库之外
- 当前的构建配置没有正确处理lite目标中的类排除
解决方案
解决这个问题的正确方法是修改构建配置,将lite目标添加到deploy_env参数中。这样构建系统就能正确识别并排除lite相关的符号,避免它们被包含在Kotlin库中。
对于开发者来说,临时的解决方案可以是:
- 只使用protobuf-java依赖
- 或者等待官方发布修复后的版本
经验教训
这个问题给我们的启示是:
- 构建系统的依赖排除配置需要全面考虑所有相关目标
- 看似微小的构建配置变化可能会在后续版本中引发更大的问题
- 跨语言扩展库的构建需要特别注意避免核心类的重复
- 在架构调整时(如将类移动到不同模块)需要全面评估对依赖关系的影响
总结
Protobuf Java与Kotlin库之间的类重复问题揭示了构建系统配置的重要性。通过正确配置deploy_env参数,可以确保Kotlin扩展库只包含必要的扩展内容,而不重复Java库中的核心类定义。这个问题也提醒我们在进行架构调整时需要全面考虑对依赖关系的影响,特别是在跨语言支持的情况下。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00