Kotlinx-datetime模块化依赖问题解析:JPMS中transitive与static修饰符冲突
在Java平台模块系统(JPMS)的实际应用中,Kotlin生态库kotlinx-datetime近期被发现存在一个值得注意的模块依赖声明问题。这个问题主要影响那些同时使用JPMS模块系统但未引入kotlinx-serialization-core依赖的项目。
问题的核心在于kotlinx-datetime-core模块的module-info.java文件中,对kotlinx.serialization.core的依赖声明使用了"requires transitive static"的组合修饰符。这种声明方式在JPMS规范中实际上是不兼容的,会导致编译时出现"Module kotlinx.serialization.core cannot be found in the module graph"的错误。
从技术原理来看,这里涉及两个关键修饰符的特性:
-
static修饰符:表示该依赖在编译时是必需的,但在运行时是可选的。这通常对应Gradle中的compileOnly依赖配置。
-
transitive修饰符:表示该依赖会被隐式传递给所有依赖当前模块的其他模块。这种传递性通常用于API依赖。
在kotlinx-datetime的具体场景中,kotlinx-serialization-core实际上被声明为compileOnly依赖,这意味着它应该使用"requires static"而非"requires transitive static"。因为transitive修饰符暗示该依赖是模块公共API的一部分,而static修饰符则表示该依赖是可选的,这两种语义本身就存在矛盾。
对于开发者而言,这个问题的解决方案相对简单:只需从module-info.java中移除transitive修饰符,保留static修饰符即可。这样既能正确表达该依赖的可选性,又不会强制要求下游使用者必须引入kotlinx-serialization-core。
这个问题也提醒我们,在将库项目迁移到JPMS时,需要特别注意不同构建配置与模块声明之间的对应关系。特别是对于Kotlin多平台项目,如何正确映射Gradle/Maven依赖配置到JPMS模块声明是一个需要仔细考量的问题。
作为最佳实践,建议库作者:
- 明确区分API依赖和实现依赖在模块声明中的表达
- 对于可选依赖,使用static修饰符而非transitive
- 在跨平台场景下,确保各平台的模块声明与实际依赖配置保持一致
这个案例也展示了Java模块系统与构建工具之间的微妙交互,值得所有涉及模块化开发的工程师关注。
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