Mill编译器中关于增量编译问题的分析与解决
2025-07-01 19:13:00作者:凌朦慧Richard
在Scala生态系统中,Mill作为新一代构建工具,其增量编译机制与SBT有所不同。近期发现一个典型问题场景:当项目使用宏定义并配合typeCheckErrors进行编译时测试时,Mill编译器会抛出Failed to find name hashes异常,而同样的代码在SBT和Scala CLI中却能正常编译。
问题现象
在Mill 0.12.14版本中,当项目结构包含以下要素时会触发该问题:
- 使用Scala 3.7.1编译器
- 包含宏定义(通过
scala.quoted实现) - 测试代码中使用
scala.compiletime.testing.typeCheckErrors验证编译错误 - 采用非标准文件布局(混合SBT/Maven布局与Mill默认布局)
错误表现为编译器无法找到测试代码生成的特殊包对象($package类)的名称哈希值,导致增量编译过程中断。
技术背景
Mill的增量编译基于Zinc实现,但与SBT有以下关键差异:
- 文件布局:Mill默认采用扁平化目录结构(
src/下直接放scala文件),而SBT使用深层嵌套结构(src/main/scala/) - 类文件分析:Zinc在分析类文件依赖时需要维护名称哈希表,用于检测源代码变更
- 宏处理:当涉及编译时宏展开时,编译器会生成额外的合成类
根本原因
问题源于项目布局与构建配置的不匹配:
- 源代码采用SBT风格的
src/main/scala/目录结构 - 但build.sc中直接继承
ScalaModule而非SbtModule - 测试代码与主代码混用同一模块,未明确分离
这种配置冲突导致:
- Mill的增量编译器无法正确定位生成的合成类文件
- 名称哈希表构建过程出现断层
- 最终在分析阶段无法找到
$package类的哈希信息
解决方案
通过以下任一方式均可解决问题:
方案一:统一文件布局(推荐)
// build.sc
object internals extends ScalaModule {
def scalaVersion = "3.7.1"
// 将源文件移动到mill标准布局:src/internals/
}
方案二:显式声明SBT布局
// build.sc
object internals extends SbtModule {
def scalaVersion = "3.7.1"
object test extends SbtTests with TestModule.Utest
}
最佳实践建议
- 布局一致性:明确选择Mill标准布局或SBT布局并保持一致
- 模块分离:测试代码应放在独立的test模块中
- 宏代码隔离:将宏实现放在单独的子模块,减少对增量编译的影响
- 版本管理:保持Mill与Scala编译器版本的兼容性
深入理解
该问题揭示了构建工具的两个重要方面:
- 增量编译机制:依赖于精确的类文件分析和哈希跟踪
- 项目布局约定:不同构建工具对"标准"布局的理解差异可能导致微妙问题
对于跨构建工具的项目,建议在早期就明确布局规范,并在CI中增加多构建工具的验证环节,可以提前发现这类兼容性问题。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
879