在extension.js项目中配置swc-loader支持Monorepo项目的最佳实践
在开发浏览器扩展时,使用extension.js工具链可以极大简化开发流程。然而,当项目采用Monorepo结构时,开发者可能会遇到TypeScript/JavaScript文件编译问题。本文将深入分析问题根源,并提供多种解决方案。
问题背景
在Monorepo项目中,常见目录结构如下:
/my-repo
/extension
/packages
/package-a
/package-b
当extension包需要引用其他内部包的未编译TypeScript代码时,默认配置会导致webpack编译失败,错误提示需要额外的loader处理.ts文件。这是因为extension.js默认只配置了对manifest.json所在目录的swc-loader支持。
根本原因分析
extension.js内部使用JsFrameworksPlugin插件配置swc-loader时,设置了严格的include规则:
include: [path.dirname(this.manifestPath)]
这种配置限制了swc-loader只处理manifest文件所在目录下的文件,导致Monorepo中其他包的TypeScript文件无法被正确处理。
解决方案
方案一:使用scripts目录中转
extension.js会自动将scripts目录下的文件作为入口点处理。可以创建scripts目录作为中转:
/extension
/scripts
package-a.ts // 内容:export * from "@repo/package-a"
package-b.ts // 内容:export * from "@repo/package-b"
然后在代码中引用:
import { something } from '~/scripts/package-a'
方案二:自定义Monorepo插件
更彻底的解决方案是创建自定义webpack插件,扩展swc-loader的include范围:
const path = require('path');
class MonorepoPlugin {
apply(compiler) {
const monorepoRoot = path.join(process.cwd(), "..");
compiler.options.module.rules = [
{
test: /\.(js|mjs|jsx|mjsx|ts|mts|tsx|mtsx)$/,
include: [monorepoRoot],
exclude: /node_modules/,
use: {
loader: require.resolve("swc-loader"),
options: {
// 详细配置...
}
}
},
...compiler.options.module.rules
];
}
}
在extension.config.js中使用:
module.exports = {
config: (config) => {
config.plugins.push(new MonorepoPlugin());
return config;
}
};
方案三:使用内部包模式
最佳实践是采用内部包模式,即在Monorepo中每个包都是独立的npm包,通过package.json的exports字段暴露接口:
- 在package-a/package.json中配置:
{
"name": "@repo/package-a",
"exports": {
".": {
"types": "./src/index.d.ts",
"import": "./dist/index.js"
}
}
}
- 在extension中正常导入:
import { something } from '@repo/package-a'
注意事项
- 路径别名配置:如果使用路径别名,需要在swc-loader的jsc.paths中同步配置
- 模块类型:确保package.json中的type字段与项目需求一致
- CSS处理:自定义配置时注意不要重复添加CSS相关loader
- 依赖管理:确保所有引用到的依赖在extension包中都有声明
总结
在extension.js项目中支持Monorepo有多种方案,开发者可以根据项目复杂度选择适合的方式。对于简单项目,scripts目录中转足够;对于复杂项目,建议采用内部包模式配合自定义插件,既能保持代码整洁,又能确保编译正确性。无论采用哪种方案,都要注意依赖管理和路径解析的一致性。
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