Compose Destinations 中 BottomSheet 导航的迁移指南
背景介绍
在 Android 开发中,Compose Destinations 是一个流行的导航库,它简化了 Jetpack Compose 中的导航逻辑。随着 Compose 1.7 版本的发布,BottomSheet 导航的实现方式发生了变化,从原来的 Accompanist 迁移到了官方的 Material 组件中。
问题现象
开发者在使用 Compose Destinations 时可能会遇到以下错误:
java.lang.IllegalStateException: Could not find Navigator with name "BottomSheetNavigator". You must call NavController.addNavigator() for each navigation type.
这个错误表明导航控制器无法找到 BottomSheet 导航器,通常是因为版本不匹配或依赖配置不正确导致的。
解决方案
1. 更新依赖版本
首先需要确保使用的是兼容的版本组合:
- Compose UI 版本至少需要 1.7.0-beta
- Compose Destinations 版本需要 1.11.5-beta 或更高
2. 正确配置依赖
在 build.gradle 文件中应该这样配置:
// Compose 基础依赖
def compose_version = "1.7.0-beta06"
implementation "androidx.compose.ui:ui:$compose_version"
implementation "androidx.compose.material:material:$compose_version"
implementation "androidx.compose.foundation:foundation:$compose_version"
// Compose Destinations
def compose_destinations_version = "1.11.5-beta"
implementation "io.github.raamcosta.compose-destinations:animations-core:$compose_destinations_version"
ksp "io.github.raamcosta.compose-destinations:ksp:$compose_destinations_version"
3. 使用正确的 BottomSheet 组件
新的 Material 组件提供了专门的 BottomSheet 导航支持:
androidx.compose.material.navigation.ModalBottomSheetLayout(
bottomSheetNavigator = bottomSheetNavigator,
modifier = Modifier,
// 其他参数...
) {
// 内容
}
迁移注意事项
-
不要直接依赖 navigation-material:Compose Destinations 会提供必要的导航 Material 依赖作为传递依赖,直接添加可能会导致冲突。
-
API 变化:新的 BottomSheet 导航 API 与 Accompanist 版本有所不同,需要调整参数传递方式。
-
状态管理:新的实现使用了不同的状态管理机制,需要重新学习如何处理 BottomSheet 的显示/隐藏状态。
最佳实践
-
始终使用最新稳定版的 Compose 和 Compose Destinations。
-
在迁移时,先在一个简单的示例项目中测试新的导航方式,确保理解其工作原理。
-
考虑创建一个封装组件,将 BottomSheet 导航的具体实现细节隐藏起来,使业务代码不受未来 API 变化的影响。
总结
从 Accompanist 迁移到官方的 Material BottomSheet 导航是一个积极的改变,虽然短期内可能需要一些调整,但长期来看能获得更好的兼容性和维护性。通过正确配置依赖版本和使用新的 API,开发者可以顺利实现 BottomSheet 导航功能。
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