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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00