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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C050
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0126
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