Apollo Kotlin 中实现 Schema 类型树摇优化的探索
在 Apollo Kotlin 这个 GraphQL 客户端库的使用过程中,开发者经常会遇到需要处理接口(interface)和联合类型(union)的场景。特别是在 Android 平台上,如何在不牺牲功能的前提下优化应用体积,成为了一个值得探讨的技术话题。
问题背景
当开发者使用 Apollo Kotlin 生成类型安全的 GraphQL 查询代码时,经常会配置 alwaysGenerateTypesMatching 选项来确保所有类型都被生成,即使某些类型在查询中没有显式引用。这种做法特别适用于需要通过 __typename 进行类型匹配的场景。
然而,当同时启用 generateSchema = true 时,生成的 __Schema.possibleTypes() 方法会保留所有可能的类型信息。由于这个方法在运行时操作,导致 R8 或 ProGuard 无法移除未使用的类型,从而增加了最终 APK 的体积。
技术挑战
核心问题在于如何平衡两个需求:
- 保留运行时类型检查的能力
- 允许构建工具移除未使用的代码
传统的 __Schema.possibleTypes() 实现方式将所有类型硬编码在方法中,这使得构建工具难以判断哪些类型是真正需要的。
解决方案探索
Apollo Kotlin 团队提出了几种可能的改进方向:
-
按接口分组的方法:为每个接口或联合类型生成独立的 possibleTypes 方法,如
videoPossibleTypes()、gamePossibleTypes()等。这样构建工具可以更精确地分析哪些方法被使用。 -
字符串替代对象:返回类型名称字符串列表而非对象类型引用,减少对实际类型类的依赖。
-
利用类型继承关系:通过检查类型的
implements列表来判断其所属的接口,而不是维护一个可能的类型列表。
实际应用场景
在缓存键生成和类型分发处理中,开发者通常需要根据 __typename 判断对象的实际类型。例如:
// 缓存键生成示例
override fun cacheKeyForObject(obj: Map<String, Any?>, context: CacheKeyGeneratorContext): CacheKey? {
val typename = obj["__typename"] as? String ?: return null
val type = __Schema.object(typename)
if (type.implements.any { it.name == "Video" }) {
// 处理视频类型
}
// 其他类型处理...
}
// 类型分发示例
fun getEntityId(entity: Entity): String {
val typename = entity.unifiedEntity?.__typename ?: return ""
val superTypes = __Schema.object(typename).implements.map { it.name }.toSet()
return when {
superTypes.contains("Video") -> entity.unifiedEntity?.onVideo?.videoSummary?.videoId?.toString().orEmpty()
superTypes.contains("Game") -> entity.unifiedEntity?.onGame?.gameSummary?.gameId?.toString().orEmpty()
else -> ""
}
}
树摇优化考量
真正的挑战在于如何让构建工具能够移除未使用的类型。即使采用了按接口分组的方法,只要类型被引用,构建工具可能仍然会保留它们。使用字符串表示类型名称可以部分缓解这个问题,因为字符串常量比类引用更容易被优化。
最佳实践建议
-
优先使用类型继承信息:相比维护可能的类型列表,检查类型的
implements关系更加灵活和精确。 -
谨慎使用全局类型查询:避免在性能关键路径上频繁查询完整类型信息。
-
考虑混合方案:对于明确知道所有可能类型的场景,可以使用预定义的字符串列表;对于需要灵活性的场景,使用运行时类型检查。
-
测试构建结果:始终检查最终 APK 或 bundle 的内容,确认未使用的类型确实被移除。
结论
Apollo Kotlin 的类型系统提供了多种处理接口和联合类型的方式。在追求应用体积优化的同时,开发者需要根据具体场景选择最适合的方法。通过合理利用类型继承关系和构建工具的能力,可以在保持功能完整性的同时实现有效的代码优化。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00