Netlify CLI 中使用 ESM 模块的常见问题与解决方案
问题背景
在使用 Netlify CLI 开发项目时,开发者可能会遇到一个典型问题:即使已经在 package.json 中明确设置了 "type": "module",Netlify 函数仍然被构建为 CommonJS (CJS) 格式的 module.exports 语法,导致运行时错误。
问题现象
当开发者按照以下方式配置项目时:
- 在 package.json 中设置
"type": "module" - 在 netlify.toml 中配置
node_bundler = "esbuild" - 使用 ES 模块语法 (export/import) 编写函数
构建后的函数文件仍然包含 CommonJS 的 module.exports 语法,而不是预期的 ES 模块格式。这会导致运行时错误,因为 Node.js 会尝试以 ES 模块方式加载这些函数,但实际得到的是 CommonJS 格式的代码。
根本原因
Netlify 函数的构建系统默认会根据文件扩展名来确定模块类型。即使项目配置为 ES 模块,如果函数文件使用 .js 扩展名,构建系统仍可能将其视为 CommonJS 模块处理。
解决方案
方法一:使用正确的文件扩展名
对于 ES 模块函数,应使用以下扩展名之一:
.mjs- 纯 JavaScript 的 ES 模块.mts- TypeScript 的 ES 模块
示例:
// functions/test.mjs
const handler = async (event, context) => {
return {
statusCode: 200,
body: JSON.stringify({ message: "test" })
}
}
export { handler }
方法二:明确配置构建选项
在 netlify.toml 中,可以更详细地配置构建选项:
[functions]
directory = "functions"
node_bundler = "esbuild"
format = "esm" # 明确指定输出格式为 ES 模块
方法三:检查 Node.js 版本
确保使用的 Node.js 版本完全支持 ES 模块。建议使用 Node.js 14+ 版本,并在 netlify.toml 中明确指定:
[build.environment]
NODE_VERSION = "20.11.1"
最佳实践
-
统一模块系统:在整个项目中保持一致,要么全部使用 ES 模块,要么全部使用 CommonJS。
-
文件命名规范:
- 对于 ES 模块:使用
.mjs或.mts扩展名 - 对于 CommonJS:使用
.js或.cjs扩展名
- 对于 ES 模块:使用
-
构建配置:在 netlify.toml 中明确指定构建目标和格式。
-
测试验证:在本地开发时,使用
netlify dev命令测试函数是否按预期工作。
总结
Netlify CLI 支持 ES 模块,但需要开发者注意文件扩展名和配置细节。通过使用正确的文件扩展名(如 .mjs)和适当的构建配置,可以确保函数以正确的模块格式构建和运行。这一实践不仅适用于简单的函数,也适用于复杂的、依赖现代 JavaScript 特性的项目。
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