Compose Destinations 嵌套导航图目的地获取问题解析
2025-06-25 01:19:41作者:伍霜盼Ellen
问题背景
在 Compose Destinations 2.0.0-beta01 版本中,开发者发现了一个关于嵌套导航图目的地获取的问题。当使用 allDestinations 扩展函数时,父级导航图无法正确获取嵌套子图中的所有目的地。
问题现象
以一个典型的导航结构为例:
MenuNavGraph
├── Page1NavGraph
│ └── Page1Screen
├── SettingsNavGraph
│ └── SettingsScreen
├── FromSettingsLoginGraph
│ ├── LoginScreen
│ └── FromSettingsRegisterGraph
│ └── RegisterScreen
└── Page2NavGraph
├── Page2Route
├── Page2-1Route
└── Page2-3Route
开发者期望 FromSettingsLoginGraph 的 allDestinations 能够返回 LoginScreen 和 RegisterScreen 两个目的地,但实际上只返回了 LoginScreen 一个目的地。
技术分析
这个问题源于 Compose Destinations 在处理嵌套导航图时的递归逻辑存在缺陷。虽然代码设计上确实考虑了递归获取嵌套导航图的目的地,但在实际实现中未能完全覆盖所有嵌套情况。
开发者通过以下检查方法确认了问题:
appCurrentDestinationState?.route?.let {
topLevelDestination.graph.findDestination(it)
} != null
这个检查确认了 RegisterScreen 确实是 FromSettingsLoginGraph 的一部分,因此 allDestinations 应该包含它。
解决方案
Compose Destinations 的维护者 raamcosta 确认了这是一个 bug,并在 2.0.0-beta07 版本中修复了这个问题。修复的核心是完善了递归获取嵌套导航图目的地的逻辑,确保所有层级的嵌套目的地都能被正确包含。
最佳实践
对于使用 Compose Destinations 的开发者,在处理嵌套导航时应注意:
- 确保使用最新版本以获得最稳定的嵌套导航支持
- 对于复杂的嵌套结构,建议先验证
allDestinations是否返回了预期结果 - 可以通过打印导航树结构来辅助调试
总结
这个问题的解决体现了 Compose Destinations 对复杂导航场景的支持正在不断完善。嵌套导航是现代移动应用开发中常见的需求,正确处理嵌套结构对于构建复杂的应用导航至关重要。开发者可以放心地在项目中使用嵌套导航功能,只需确保使用修复后的版本即可。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781