JSR项目中处理npm与JSR双发布的peerDependencies最佳实践
在开发JavaScript/TypeScript库时,许多开发者希望同时支持npm和JSR两个包管理平台的发布。然而,当涉及到peerDependencies时,这种双发布模式会遇到一些特有的挑战。本文将深入分析这些问题的根源,并提供切实可行的解决方案。
问题背景
当库作者尝试将一个同时依赖npm和JSR上存在的包作为peerDependencies时,JSR的发布过程往往会失败。典型错误表现为模块解析失败,提示"Module not found"错误。这种情况特别容易发生在依赖链中同时包含npm原生包和JSR包的情况下。
核心问题分析
问题的本质在于JSR和npm对peerDependencies的处理机制存在差异:
-
npm的处理方式:npm会在安装时检查peerDependencies,但不会自动安装它们,而是依赖宿主环境提供这些依赖
-
JSR的构建机制:JSR在发布时会执行模块图构建,需要能够解析所有依赖,包括peerDependencies
-
模块解析策略:JSR默认会尝试从本地文件系统解析peerDependencies,而不会自动回退到远程注册表
解决方案
经过实践验证,最可靠的解决方案是将peerDependencies同时声明为devDependencies。这种方法确保了:
-
开发环境完整性:在开发过程中,所有必要的依赖都会被安装
-
JSR发布兼容性:JSR发布时能够正确解析所有依赖关系
-
运行时行为不变:peerDependencies的语义仍然保持,运行时依然由宿主环境提供这些依赖
实施步骤
- 在package.json中保持peerDependencies声明不变
- 将相同的依赖添加到devDependencies中
- 确保devDependencies版本范围与peerDependencies兼容
高级配置技巧
对于更复杂的场景,可以考虑以下进阶配置:
-
条件导出:利用package.json的exports字段针对不同环境提供不同的入口点
-
依赖别名:对于名称相同但来源不同的包,可以使用别名来区分npm和JSR版本
-
构建时替换:使用构建工具在发布前动态替换导入路径
最佳实践建议
-
保持版本同步:确保npm和JSR上的包版本保持一致
-
明确文档说明:在README中清楚地说明双平台支持情况
-
持续集成测试:设置CI流程同时测试npm和JSR的发布场景
-
渐进式迁移:对于已有项目,可以采用渐进式迁移策略
通过遵循这些实践,开发者可以有效地解决JSR和npm双发布时的peerDependencies问题,确保库在两个生态系统中都能正常工作。
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