Ignite项目中Expo CNG工作流的原生文件夹生成问题解析
背景介绍
在使用Ignite框架创建React Native应用时,开发者选择Expo CNG(Configurable Native Generation)工作流时遇到了一个预期与实际行为不符的情况。根据文档描述,选择CNG工作流不应生成原生iOS和Android文件夹,但实际上却生成了这些文件夹,并且运行开发构建时出现了兼容性问题。
问题本质
这个现象实际上不是bug,而是Ignite框架在版本10中的设计决策。Ignite团队为了提升开发体验,在CNG工作流中默认生成了原生文件夹,但将这些文件夹添加到了.gitignore中。这样做的目的是:
- 允许开发者在本地直接运行构建,而不必一开始就构建开发客户端
- 保持项目整洁,避免将生成的原生代码提交到版本控制
- 为开发者提供更灵活的选项,可以根据需要选择工作流
技术细节解析
在Ignite 10版本中,框架不再默认支持Expo Go,这是为了能够集成更多原生功能模块,如MMKV(高性能键值存储)和键盘控制器等。这些模块无法在标准的Expo Go环境中运行,因此需要以下两种方式之一:
- 使用EAS(Expo Application Services)预构建
- 完全弹出(eject)到裸工作流(bare workflow)
解决方案
对于仍希望使用Expo Go的开发者,可以采取以下方法:
-
移除原生文件夹:直接删除生成的ios和android文件夹不会影响项目功能
-
构建开发客户端:通过Expo的dev client功能来获得与Expo Go类似的体验
-
降级使用Ignite 9.x版本:最后一个支持Expo Go开箱即用的版本
-
替换不兼容的依赖:
- 将MMKV替换为react-native-community的async storage
- 重写Screen组件,使用React Native核心的KeyboardAvoidingView替代自定义键盘控制器
最佳实践建议
-
评估项目需求:如果需要使用Expo Go,建议在项目初期就做好技术选型
-
理解工作流差异:CNG工作流提供了更大的灵活性,但也带来了一些复杂性
-
关注版本变化:Ignite 10.x在架构上做了重大调整,开发前应仔细阅读更新日志
-
渐进式采用:可以先使用CNG工作流进行开发,再根据需要决定是否保留原生文件夹
总结
Ignite框架在版本10中对Expo集成策略进行了调整,这是为了支持更多原生功能而做出的权衡。开发者需要根据项目实际需求选择合适的工作流,并理解不同选择带来的技术影响。通过合理配置和依赖管理,可以在保持开发效率的同时获得更好的应用性能。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00