Pyodide中PyProxy在0.26.1版本的异常行为分析
在Pyodide 0.26.1版本中,开发者发现了一个关于PyProxy的异常行为问题。这个问题主要出现在使用ChainMap结合eval执行动态Python代码的场景下,导致原本在0.26.0版本中正常工作的代码在升级后出现错误。
问题现象
开发者在使用Pyodide进行动态代码执行时,采用了以下设计模式:
- 创建一个继承自ChainMap和dict的混合类,用于构建分层的eval执行上下文
- 通过异步函数嵌套的方式执行动态代码
- 使用PyProxy在JavaScript和Python之间传递函数引用
在0.26.0版本中,这种设计能够正常工作,但在0.26.1版本中却会抛出异常。核心问题出现在当PyProxy对象作为参数传递给eval执行的代码时,执行环境似乎无法正确解析这些对象。
技术背景
Pyodide是一个将Python运行时编译为WebAssembly并在浏览器中运行的项目。PyProxy是Pyodide中用于在JavaScript和Python之间桥接对象的机制,它允许JavaScript代码透明地调用Python对象,反之亦然。
ChainMap是Python标准库collections模块中的一个类,它提供了将多个映射链接在一起的功能,形成一个单一的视图。当在其中查找键时,它会按顺序检查底层映射,直到找到键为止。
问题复现
通过简化后的复现代码可以看到,问题的核心在于:
class ChainMap(collections.ChainMap, dict):
pass
async def g(context: dict):
return await eval(f.__code__, ChainMap({}, context))
当这个函数通过Pyodide的runPythonAsync执行,并且context中包含PyProxy对象时,在0.26.1版本中会抛出异常。
根本原因
经过代码审查和问题追踪,发现这个问题是在提交c4afd17e中引入的,该提交与#4837问题相关。这个修改改变了PyProxy在特定情况下的行为方式。
深入分析表明,当PyProxy对象作为eval执行的上下文的一部分时,0.26.1版本中的变更导致执行环境无法正确解析这些对象。一个临时的解决方案是显式地将Python的builtins模块包含在执行上下文中:
const context = {
parent,
child,
a: 123,
__builtins__: pyodide.pyimport("builtins")
};
解决方案
目前推荐的解决方案有:
- 暂时回退到Pyodide 0.26.0版本
- 在eval执行的上下文中显式包含builtins模块
- 将异步函数改为同步函数(如果业务场景允许)
Pyodide团队已经确认了这个问题,并正在积极寻找更彻底的修复方案。对于依赖此功能的开发者,建议暂时采用上述变通方案,并关注后续版本的更新。
最佳实践建议
在使用Pyodide进行复杂的JavaScript-Python互操作时,特别是涉及动态代码执行和异步调用时,建议:
- 保持执行上下文的完整性,确保必要的内置对象可用
- 对关键功能进行版本兼容性测试
- 考虑将复杂的互操作逻辑封装在更稳定的接口后面
- 关注Pyodide项目的更新日志,特别是涉及PyProxy机制的变更
这个问题也提醒我们,在混合使用动态代码执行和跨语言调用时,需要特别注意执行环境的完整性和对象生命周期的管理。
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