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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0215
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0138
uni-appA cross-platform framework using Vue.jsJavaScript08
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03