Drizzle ORM 跨包类型推断问题分析与解决方案
问题背景
在使用 Drizzle ORM 构建的 monorepo 项目中,开发者遇到了一个关于类型推断的特殊问题。当在一个共享的数据库包中使用 $inferSelect 和 $inferInsert 生成类型,并在其他包中引用这些类型时,类型会被错误地推断为 any。然而,手动定义的类型却能正常推断。
问题现象
具体表现为:
-
在共享包中定义的类型:
export type User = typeof users.$inferSelect // 在其他包中被推断为 any export type Organization = { id: number, name: string, created_at: Date } // 正常推断 export type UserDetail = User & { organizations: Organization[] } // 只有 Organization[] 部分被正确推断 -
项目结构为 monorepo,包含:
- 共享包 (packages/shared)
- Next.js 应用 (apps/web)
根本原因分析
经过深入调查,发现问题根源在于 TypeScript 的构建配置和类型文件处理方式:
-
构建系统问题:Next.js 的构建系统不支持传统的 TypeScript 项目引用(project references),导致无法正确解析跨包的类型依赖关系。
-
类型文件处理:
.d.ts类型声明文件没有被包含在构建输出中,而实际导入的是原始 schema 文件,这导致了类型推断链的中断。 -
Drizzle ORM 的特殊性:
$inferSelect和$inferInsert是 Drizzle ORM 特有的类型级操作,它们依赖于完整的类型上下文才能正常工作。
解决方案
解决此问题的关键在于确保类型文件被正确处理和包含:
-
正确配置构建系统:
- 确保共享包的
tsconfig.json中设置了"declaration": true以生成类型声明文件 - 确认
"include"和"exclude"配置正确覆盖所有需要处理的文件
- 确保共享包的
-
确保类型文件被包含:
// 在共享包的构建配置中明确包含类型文件 { "include": ["./**/*.ts", "./**/*.d.ts"], "exclude": ["node_modules", "dist"] } -
Next.js 适配方案:
- 使用 Next.js 支持的模块解析方式
- 确保共享包构建后的输出结构符合 Next.js 的预期
最佳实践建议
-
monorepo 类型共享:
- 对于 Drizzle ORM 生成的类型,建议将其单独导出到一个类型文件中
- 考虑使用类型重导出来减少依赖链的复杂性
-
构建流程优化:
- 在共享包中设置预构建脚本,确保类型文件先被生成
- 在消费者应用中配置正确的类型查找路径
-
调试技巧:
- 使用
tsc --traceResolution来跟踪类型解析过程 - 检查构建后的 dist 目录,确认所有必要的类型文件都存在
- 使用
总结
Drizzle ORM 的类型系统在 monorepo 环境中需要特别注意构建配置和类型文件的处理。通过确保类型文件被正确包含在构建过程中,并适当配置 TypeScript 的模块解析,可以解决跨包类型推断为 any 的问题。这个问题也提醒我们,在使用高级类型特性时,需要更加关注构建系统的细节配置。
对于使用 Drizzle ORM 的开发者来说,理解类型推断的工作原理和构建系统的交互方式,将有助于避免类似问题的发生,并构建出更加健壮的类型系统。
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