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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00