Swift Composable Architecture 构建失败问题分析与解决方案
问题背景
在使用 Swift Composable Architecture (TCA) 1.12 版本构建 iOS 应用时,开发者在 CI 环境中遇到了构建失败的问题。具体表现为在 Xcode 15.4 和 macOS Sonoma 环境下,构建过程中出现 ComputeTargetDependencyGraph 命令失败的错误。值得注意的是,这个问题仅在添加了 TCA 依赖后出现,本地开发环境却能正常构建。
错误现象
构建日志中显示的主要错误信息是:
The following build commands failed:
ComputeTargetDependencyGraph
更详细的错误日志还包含了关于宏目标未启用的警告:
ComposableArchitectureMacros: error: Target 'ComposableArchitectureMacros' must be enabled before it can be used.
CasePathsMacros: error: Target 'CasePathsMacros' must be enabled before it can be used.
DependenciesMacrosPlugin: error: Target 'DependenciesMacrosPlugin' must be enabled before it can be used.
问题分析
这个问题主要涉及以下几个方面:
-
宏目标启用问题:TCA 1.12 版本引入了多个宏目标(Macros),这些目标需要在构建前被显式启用。在 CI 环境中,这些宏目标可能没有被正确配置。
-
依赖解析差异:本地开发环境和 CI 环境可能存在依赖解析的差异,特别是在 Package.resolved 文件未被纳入版本控制的情况下。
-
Xcode 构建系统限制:
ComputeTargetDependencyGraph错误通常表明 Xcode 在解析项目依赖关系图时遇到了问题,特别是在处理 Swift 宏时。
解决方案
方案一:启用宏目标
确保项目中所有相关的宏目标都被正确启用。这包括:
- ComposableArchitectureMacros
- CasePathsMacros
- DependenciesMacrosPlugin
方案二:使用构建参数跳过宏验证
在 xcodebuild 命令中添加 -skipMacroValidation 参数可以临时解决这个问题:
xcodebuild -skipMacroValidation ...
方案三:更新依赖并锁定版本
- 更新到 TCA 的最新版本
- 将 Package.resolved 文件纳入版本控制,确保 CI 环境使用与本地一致的依赖版本
最佳实践建议
-
版本控制 Package.resolved:始终将 Package.resolved 文件纳入版本控制,以确保所有开发者和 CI 环境使用完全相同的依赖版本。
-
定期更新依赖:定期检查并更新项目依赖,特别是当遇到构建问题时。
-
CI 环境配置:确保 CI 环境与本地开发环境使用相同的 Xcode 版本和构建工具链。
-
宏目标处理:对于使用 Swift 宏的依赖,需要特别注意构建配置,确保所有宏目标被正确启用。
总结
Swift Composable Architecture 是一个功能强大的状态管理框架,但在使用过程中可能会遇到构建系统相关的问题。通过理解构建错误的根本原因,并采取适当的解决措施,开发者可以确保项目在不同环境中都能顺利构建。对于这类问题,保持依赖更新、统一环境配置以及正确处理宏目标是关键所在。
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