Lexical富文本编辑器在Vitest 3环境下的测试问题解析
在开发基于Lexical富文本编辑器的React应用时,测试环节是保证代码质量的重要步骤。近期有开发者反馈,在使用Vitest 3进行测试时遇到了模块导入异常的问题,导致测试用例无法正常运行。本文将深入分析这一问题的成因,并提供解决方案。
问题现象
当开发者在Vitest 3环境下运行包含Lexical模块的测试时,系统会错误地导入生产环境(prod)的模块而非开发环境(dev)的模块。具体表现为:
-
测试运行时,系统同时加载了三种不同环境的模块文件:
- 开发环境模块(.dev.mjs)
- Node环境模块(.node.mjs)
- 生产环境模块(.prod.mjs)
-
生产环境模块的导入导致测试中出现"Minified Lexical error"错误,因为生产环境的错误信息被压缩,不利于调试。
根本原因
这一问题源于Lexical模块加载逻辑中对NODE_ENV环境变量的判断方式。当前实现中,代码仅检查NODE_ENV是否为'development',如果不是则默认加载生产环境模块。然而在Vitest 3中,NODE_ENV被设置为'test',导致系统错误地选择了生产环境模块。
解决方案
临时解决方案
对于急需解决问题的开发者,可以通过修改Vite配置来强制使用开发环境模块:
export default defineConfig({
resolve: {
conditions: ['development']
}
});
这一配置会告诉模块解析器优先使用开发环境的模块。
长期解决方案
Lexical项目应当修改模块加载逻辑,将条件判断从"是否为development"改为"是否为production",这样所有非生产环境(包括测试环境)都会使用开发模块。修改后的代码示例如下:
const mod = await (process.env.NODE_ENV === 'production'
? import('./LexicalComposerContext.prod.mjs')
: import('./LexicalComposerContext.dev.mjs'));
最佳实践建议
-
在测试环境中,始终使用开发环境模块,以获得完整的错误信息和调试能力。
-
对于环境变量的判断,建议采用正向检查(检查特定环境)而非反向排除,以提高代码的明确性和可维护性。
-
在构建工具配置中明确指定模块解析条件,避免依赖默认行为。
总结
Lexical富文本编辑器在测试环境下的模块加载问题,揭示了环境变量判断逻辑的重要性。通过调整模块加载策略或修改构建配置,开发者可以确保测试环境使用正确的模块版本,从而获得更好的开发体验和更可靠的测试结果。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00