Storybook项目中Vitest测试首次运行失败的解决方案
问题背景
在Storybook项目中,当开发者使用Next.js的Image组件时,可能会遇到一个令人困惑的问题:Vitest测试在首次运行时总是失败,但后续运行却能正常通过。这种现象特别容易出现在全新安装依赖后(如执行npm install或yarn install后)。
问题现象
具体表现为:
- 测试套件中包含使用next/image组件的组件
- 首次运行测试时会出现各种React相关的错误
- 控制台会显示Vite正在优化sb-original/default-loader和sb-original/image-context这两个依赖项
- 测试失败后,Vitest会提示建议将这些依赖项手动添加到optimizeDeps.include配置中
根本原因
这个问题源于Vite的依赖优化机制。当Vite遇到新的依赖项时,它会自动进行优化处理。在优化过程中,Vite会重新加载这些依赖项,而Vitest会将其视为意外的重新加载,从而导致测试环境不稳定。
具体到next/image组件,它依赖于Storybook内部的两个特殊模块:sb-original/default-loader和sb-original/image-context。这些模块在首次运行时会被Vite识别为需要优化的新依赖项。
解决方案
最直接的解决方案是在Vite配置中预先声明这些依赖项:
// vite.config.js 或 vitest.config.ts
export default defineConfig({
optimizeDeps: {
include: ['sb-original/default-loader', 'sb-original/image-context']
}
})
这个配置告诉Vite预先优化这些依赖项,避免在测试运行时才进行优化和重新加载。
深入理解
-
Vite的依赖优化机制:Vite会在开发服务器启动时预构建依赖项,以提高后续的开发体验。当遇到未预构建的依赖项时,Vite会在运行时进行优化。
-
测试环境的特殊性:测试运行器对模块系统的稳定性要求更高,意外的重新加载可能导致React状态管理出现问题,进而引发各种错误。
-
Next.js Image组件的复杂性:Image组件在Storybook环境中运行时,会使用特定的加载器和上下文,这些都需要被正确处理。
最佳实践建议
- 在使用Next.js的Storybook项目中,建议始终预先配置这些依赖项的优化
- 如果遇到类似的其他组件测试问题,可以检查是否有其他需要预优化的依赖项
- 保持Storybook和相关插件的最新版本,以获得最佳兼容性
总结
这个问题展示了现代前端工具链中各种工具如何相互影响。理解Vite的依赖优化机制和Vitest的测试环境要求,有助于开发者更好地配置和调试测试环境。通过预先声明关键依赖项的优化,可以确保测试的稳定性和可靠性,特别是在使用复杂组件如Next.js的Image组件时。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00