Compose Destinations 中如何优雅地组合多个 Destination 注解
在 Compose Destinations 库中,开发者经常需要为多个屏幕定义相似的导航配置。本文将深入探讨如何通过注解组合的方式实现导航配置的复用,以及在不同模块间的使用注意事项。
注解组合的基本原理
Compose Destinations 允许开发者创建自定义的注解类来复用导航配置。核心思想是通过在自定义注解上标注 @Destination 来继承基础配置,同时暴露可覆盖的参数。
@Destination(
wrappers = [AuthWrapper::class]
)
annotation class AuthDestination(
val navArgsDelegate: KClass<*> = Nothing::class,
)
这种设计模式类似于面向对象编程中的继承概念,自定义注解继承了 @Destination 的基础配置,同时允许子类(使用该注解的地方)覆盖特定参数。
多层级注解组合
更强大的是,这种组合可以形成多层级结构:
@Destination(style = DestinationStyle.Dialog::class)
annotation class DialogDestination(
val navArgsDelegate: KClass<*> = Nothing::class,
val wrappers: Array<KClass<out DestinationWrapper>> = [],
)
@DialogDestination(
wrappers = [AuthWrapper::class]
)
annotation class AuthDestination(
val navArgsDelegate: KClass<*> = Nothing::class,
)
@AuthDestination(
navArgsDelegate = SomeNavArgs::class
)
@Composable
fun SomeScreen() { ... }
这种层级结构让导航配置可以像搭积木一样灵活组合,既保持了基础配置的一致性,又允许特定屏幕的特殊定制。
多模块项目注意事项
当自定义注解需要在不同模块间共享时,必须添加 @Retention(AnnotationRetention.BINARY) 注解:
@Retention(AnnotationRetention.BINARY)
@Destination(wrappers = [AuthWrapper::class])
annotation class AuthDestination
这是因为默认情况下注解的保留策略可能不足以跨模块边界传递。这个细节在多模块项目中尤为重要,否则注解处理器可能无法在依赖模块中检测到这些自定义注解。
设计哲学与最佳实践
-
显式优于隐式:Compose Destinations 团队认为应该明确声明哪些参数可以被覆盖,这使得代码意图更加清晰。
-
单一职责原则:每个自定义注解应该专注于解决一个特定的导航配置问题,如认证、对话框样式等。
-
组合优于重复:通过合理的注解设计,可以避免在多个屏幕中重复相同的导航配置。
-
版本兼容性:值得注意的是,在即将发布的 v2 版本中,将提供更灵活的包装器配置方式,允许在导入模块中定义包装器。
总结
Compose Destinations 的注解组合机制提供了一种强大而灵活的方式来管理应用的导航配置。通过创建自定义注解并合理设置参数覆盖,开发者可以构建出既保持一致性又具备必要灵活性的导航结构。特别是在大型项目中,这种模式能够显著减少重复代码,提高可维护性。对于多模块项目,记住添加适当的保留策略注解是确保功能正常工作的关键。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00