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。
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-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
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