Rspack v1.3.6 版本发布:性能优化与新特性解析
Rspack 是一个基于 Rust 构建的高性能 JavaScript 打包工具,它结合了 Webpack 的生态系统和 Rust 的高效性能。作为 Webpack 的替代方案,Rspack 在构建速度上有着显著优势,同时保持了与 Webpack 生态的良好兼容性。本次发布的 v1.3.6 版本带来了一系列性能优化、新功能和错误修复,进一步提升了开发体验和构建效率。
性能优化亮点
本次版本在性能优化方面做了多项改进,这些优化将直接提升开发者的构建体验:
-
自定义 Rslib 压缩选项:针对
@rspack/core进行了专门的 Rslib 压缩配置优化,减少了构建产物体积。 -
哈希计算优化:通过避免哈希计算过程中的堆分配操作,提升了哈希计算的效率,这对于大型项目的构建尤其有利。
-
静态变量处理:改进了静态变量的处理方式,减少了不必要的计算开销。
-
依赖项精简:移除了
json-parse-even-better-errors依赖,简化了依赖树,同时减少了模块加载时间。 -
版本定义优化:通过定义 Rspack 版本为静态变量,减少了 require 调用次数,提升了模块加载速度。
这些优化措施共同作用,使得 Rspack 在构建速度和资源消耗方面都有了可观的提升,特别是在大型项目中效果更为明显。
重要新特性
v1.3.6 版本引入了多项实用新功能:
-
Rsdoctor 增强:模块对象新增了 issuerPath 属性,为开发者提供了更清晰的模块依赖关系视图,便于分析和调试构建问题。
-
持久化缓存改进:现在默认会保存文件哈希到持久化缓存快照中,提高了增量构建的准确性。
-
Asset 信息支持 Symbol 键:为资源信息处理提供了更灵活的键类型支持,增强了扩展性。
-
SVG 分块插件支持:新增了对 svg-chunk-webpack-plugin 的支持,为 SVG 资源处理提供了更多可能性。
-
SWC 加载器增强:支持 emitAssertForImportAttributes 配置,为模块导入提供了更严格的类型检查能力。
-
LightningCSS 警告改进:优化了 LightningCSS 压缩过程中的警告信息,使开发者能更清晰地了解潜在问题。
关键错误修复
本次版本修复了多个影响稳定性和功能完整性的问题:
-
增量构建改进:修复了块 ID 变更对关联块的影响问题,确保了增量构建的准确性。
-
WebAssembly 运行时:修复了异步运行时和线程工作者的关闭问题,提高了 WASM 模块的稳定性。
-
模块重命名问题:解决了
__webpack_require__在特定情况下的重命名问题,确保了模块系统的正确性。 -
并行加载器兼容性:修复了使用并行加载器时 tinypool 解析失败的问题。
-
热更新冲突:解决了热更新主内容冲突警告问题,提升了开发体验。
-
模块引用清理:确保在构建完成后正确清理模块的 napi_ref,防止内存泄漏。
-
上下文依赖解析:修复了复杂 require 情况下的上下文依赖解析问题。
-
模块入口依赖:修正了模块入口依赖的解析选项处理,确保了依赖解析的正确性。
这些修复显著提升了 Rspack 的稳定性和可靠性,特别是在复杂项目场景下的表现。
文档与开发者体验改进
除了核心功能的改进外,v1.3.6 版本还关注了文档质量和开发者体验:
-
Rsdoctor 分析指南:增强了 Rsdoctor 工具的分析文档,帮助开发者更好地利用这一诊断工具。
-
LightningCSS 错误恢复:详细记录了错误恢复选项的使用方法。
-
性能分析文档:重写了性能分析相关文档,提供了更清晰的指导。
-
配置项文档:新增了
optimization.removeAvailableModules配置的说明文档。
这些文档改进使得开发者能够更轻松地上手和使用 Rspack 的各项功能。
总结
Rspack v1.3.6 版本在性能、功能和稳定性方面都做出了显著改进。通过持续的优化和新特性的引入,Rspack 正在逐步巩固其作为现代化 JavaScript 构建工具的地位。对于已经使用 Rspack 的项目,升级到 v1.3.6 将获得更好的构建性能和更稳定的开发体验;对于考虑采用 Rspack 的团队,这个版本提供了更多值得尝试的理由。
随着 Rspack 生态的不断完善和性能的持续优化,它正成为 Webpack 生态中一个强有力的替代选择,特别适合对构建速度有较高要求的大型项目。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00