Gradle项目中的DefaultArtifactPublicationSet回归问题分析
问题背景
在Gradle 8.14-rc-1版本中,出现了一个关于DefaultArtifactPublicationSet的回归问题。这个问题主要影响了那些通过插件配置Jar任务并修改配置项输出artifact的项目。
问题现象
当开发者尝试在Java插件环境中配置bootJar任务,并将其作为artifact添加到apiElements和runtimeElements配置项时,Gradle会抛出IllegalArgumentException异常。异常发生在DefaultArtifactPublicationSet内部计算artifact值时,因为defaultArtifacts被意外重置。
技术细节
这个问题的核心在于DefaultArtifactPublicationSet类中处理artifact的方式发生了变化。在Gradle 8.14-rc-1中,当尝试计算artifact值时,系统发现defaultArtifacts已经被重置,导致无法正确获取artifact信息。
问题的触发场景通常出现在以下情况:
- 项目应用了Java插件
- 插件尝试配置bootJar任务
- 将bootJar任务作为artifact添加到配置项的输出中
简化重现案例
为了更清楚地理解这个问题,我们可以看一个简化的重现案例:
plugins {
id("base")
}
def jar = tasks.register("jar", Jar)
def apiElements = configurations.create("apiElements") {
outgoing.artifact(jar)
}
def bootJar = tasks.register("bootJar", Jar)
configurations.create("bootArchives") {
outgoing.artifact(bootJar)
}
bootJar.configure {
apiElements.outgoing.artifact(bootJar)
}
这个简化案例清晰地展示了问题发生的条件:当我们在任务配置阶段尝试修改已存在的配置项的artifact时,就会出现问题。
影响范围
这个问题主要影响:
- 使用Gradle 8.14-rc-1版本的项目
- 自定义插件中需要修改配置项artifact的项目
- 特别是那些基于Spring Boot的项目,因为它们通常会配置bootJar任务
解决方案
Gradle团队已经通过PR #33102修复了这个问题。对于遇到此问题的开发者,建议:
- 升级到修复后的Gradle版本
- 如果暂时无法升级,可以考虑回退到8.13版本
- 检查插件中所有修改配置项artifact的代码,确保它们不会在任务配置阶段执行
技术启示
这个问题提醒我们:
- 在Gradle插件开发中,修改配置项artifact时需要特别注意执行时机
- 升级Gradle版本时,应该充分测试artifact相关的配置
- 理解Gradle内部如何处理和缓存artifact信息对于编写健壮的插件非常重要
总结
Gradle 8.14-rc-1中出现的DefaultArtifactPublicationSet回归问题是一个典型的版本升级引入的兼容性问题。通过分析这个问题,我们不仅了解了具体的修复方案,更重要的是加深了对Gradle artifact处理机制的理解。这对于开发高质量的Gradle插件和构建脚本具有重要的指导意义。
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