Puerts项目中QuickJS后端模块实现的重构与优化
背景介绍
Puerts是一个将TypeScript/JavaScript与Unity/C++等原生环境桥接的技术框架,它支持多种JavaScript引擎后端。其中QuickJS作为一个轻量级的JavaScript引擎,在Puerts中有着重要应用。近期,Puerts项目团队对QuickJS后端的模块实现进行了重要重构,解决了原有实现中的一些关键问题。
原有实现的问题
在重构前的实现中,QuickJS后端的模块系统存在几个显著问题:
-
API混用问题:代码中同时混用了模拟V8 API和原生QuickJS API,这种混合使用方式不仅增加了代码复杂度,也使得维护变得困难。更严重的是,部分QuickJS API的使用方式存在理解偏差,可能导致潜在问题。
-
异常处理缺陷:直接调用QuickJS API产生的异常无法满足backend_quickjs的模拟需求。开发者不得不通过一些特殊逻辑来强行耦合backend_quickjs的异常实现,这种临时解决方案虽然能让单元测试通过,但却带来了严重的耦合问题——当backend_quickjs发生变动时,这部分代码就会失效。
重构方案
针对上述问题,开发团队提出了清晰的重构思路:
-
分离API实现:将原生的ExecuteModule实现完全分离,不再混用V8 API和QuickJS API。而是按照各自的回调形式分别实现两个版本,并注册到全局变量中。
-
统一调用接口:GetModuleExecutor从全局变量获取执行器,无论ExecuteModule是用哪种API实现,对其调用都相当于调用一个JavaScript函数,实现了接口的统一。
-
纯QuickJS实现:QuickJS后端的ExecuteModule完全采用QuickJS原生API的写法,消除了API混用带来的问题。
技术细节优化
在重构过程中,团队还纠正了对QuickJS API的一些误解,并进行了重要优化:
-
模块加载器初始化:明确了JS_SetModuleLoaderFunc只需要调用一次即可,避免了不必要的重复初始化。
-
模块规范化处理:认识到module_normalize参数不允许抛出JS异常这一重要限制。这意味着在module_normalize中产生的错误信息无法直接传递到module_loader。
-
异常处理改进:通过在LoadModule中使用JS_GetException判断是否在module_normalize中抛出了异常,实现了异常的重抛机制,从而在module_normalize中支持了异常处理。
重构效果
这次重构带来了多方面的改进:
-
代码清晰度提升:消除了API混用现象,代码结构更加清晰,维护成本显著降低。
-
稳定性增强:正确处理了QuickJS的异常机制,避免了之前因异常处理不当导致的潜在问题。
-
兼容性改善:解除了与backend_quickjs的强耦合,使得后端变动时模块系统仍能正常工作。
-
性能优化:通过正确的API使用方式和避免重复初始化,提升了模块加载的效率。
总结
Puerts项目对QuickJS后端模块系统的重构是一个典型的工程优化案例,它展示了如何通过深入理解底层API的特性和限制,来解决复杂的工程问题。这次重构不仅解决了眼前的技术债务,也为未来的功能扩展和维护奠定了更好的基础。对于使用Puerts框架的开发者来说,这意味着更稳定、更高效的模块系统体验。
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