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。
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