NestJS Swagger 项目中 TypeScript 依赖问题的深度解析
问题背景
在 NestJS 生态系统中,Swagger 模块是一个常用的 API 文档生成工具。最近在使用 pnpm 作为包管理器的 monorepo 项目中,开发者遇到了一个关于 TypeScript 依赖的棘手问题。当调整了 pnpm 的 hoisting 配置后,@nestjs/swagger 模块突然无法正常工作,报出了插件不兼容的错误信息。
问题现象
具体表现为:当开发者将 pnpm 的 hoisting 模式从宽松的 *types* 模式调整为更严格的 @types/* 模式后,运行 nest build 命令时会遇到如下错误:
Error The "@nestjs/swagger" plugin is not compatible with Nest CLI. Neither "after()" nor "before()" nor "afterDeclarations()" function have been provided.
根本原因分析
经过深入排查,发现问题的根源在于 TypeScript 编译器没有被正确解析。在之前的宽松 hoisting 模式下,TypeScript 会被自动提升到顶层 node_modules,而在严格模式下,@nestjs/swagger 无法找到所需的 TypeScript 依赖。
这涉及到几个关键点:
@nestjs/swagger的 CLI 插件功能需要 TypeScript 编译器来工作,因为它作为 TypeScript 编译器的钩子运行- 当前
@nestjs/swagger的 package.json 中,TypeScript 仅被列为 devDependency - 在 pnpm 的严格模式下,依赖解析更加精确,不会自动提升未明确声明的依赖
解决方案
对于使用 pnpm 的开发者,有以下几种解决方案:
- 通过 pnpm 的 packageExtensions 显式声明依赖关系:
在项目的 package.json 中添加如下配置,明确告诉 pnpm
@nestjs/swagger需要 TypeScript:
{
"pnpm": {
"packageExtensions": {
"@nestjs/swagger": {
"peerDependencies": {
"typescript": "*"
}
}
}
}
}
-
将 TypeScript 添加为项目直接依赖: 在项目的 package.json 中显式添加 TypeScript 作为依赖项。
-
调整 hoisting 配置: 如果项目允许,可以恢复较宽松的 hoisting 配置,但这可能不是最佳实践。
技术建议
从技术架构角度看,这个问题反映了几个值得注意的设计考量:
-
依赖声明策略:对于既包含运行时功能又包含构建时工具(如 CLI 插件)的库,需要仔细考虑依赖声明策略。TypeScript 虽然是开发工具,但当它作为构建过程的一部分时,应该被视为生产依赖或 peer 依赖。
-
错误处理改进:NestJS CLI 可以改进错误处理,当插件加载失败时提供更有意义的错误信息,而不是简单地回退到非插件模式。
-
文档说明:对于依赖严格包管理器的用户,应该在文档中明确说明可能需要额外配置的依赖关系。
总结
这个问题展示了现代 JavaScript 生态系统中包管理器和依赖解析的复杂性。对于使用 pnpm 等严格包管理器的 NestJS 项目,开发者需要特别注意依赖关系的显式声明。通过理解底层机制和正确配置,可以确保构建工具链的稳定运行。
对于库作者而言,这也提示我们需要考虑不同包管理器下的兼容性问题,特别是在依赖声明策略上需要更加精确和全面。
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