Conventional Changelog 项目中 Yarn 2+ 的依赖加载问题解析
问题背景
在使用 Conventional Changelog 生态系统的工具链时,特别是配合 Yarn 2 及以上版本使用时,开发者可能会遇到预设加载失败的问题。这个问题主要出现在使用 conventional-changelog-preset-loader 模块时,表现为无法加载 conventionalcommits 或 angular 等预设。
问题根源
问题的核心在于 conventional-changelog-preset-loader 将 conventional-changelog-conventionalcommits 放在了 devDependencies 中。在传统的 Node.js 模块解析机制下,这通常不会造成问题,因为 npm 和 Yarn 1.x 会扁平化依赖树。然而,Yarn 2 及以上版本采用了更严格的 PnP(Plug'n'Play)机制,这种机制不会自动提升依赖,导致运行时无法找到这些预设模块。
技术细节
Yarn 的 PnP 机制通过 .pnp.cjs 文件精确控制模块解析,避免了传统 node_modules 的冗余和不确定性。这种机制下,只有明确声明的依赖才能被访问,隐式依赖(即未在 package.json 中声明的依赖)将无法被解析。
在 Conventional Changelog 的场景中,conventional-changelog-preset-loader 动态加载预设(如 conventionalcommits 或 angular),但这些预设并未作为其正式依赖声明,导致了加载失败。
解决方案
开发者可以采用以下几种解决方案:
-
使用 Yarn 的 packageExtensions
在项目根目录的.yarnrc.yml中添加以下配置:packageExtensions: "conventional-changelog-preset-loader@^4.1.0": dependencies: conventional-changelog-conventionalcommits: ^7.0.2这种方法明确告诉 Yarn 需要为指定版本的 loader 添加额外依赖。
-
显式安装预设包
在项目中显式安装所需的预设包:yarn add conventional-changelog-conventionalcommits或者对于 angular 预设:
yarn add conventional-changelog-angular -
回退到 node_modules 链接器
对于暂时无法解决的问题,可以临时切换回传统的 node_modules 模式:nodeLinker: node-modules
长期建议
从项目维护角度,建议将预设包声明为可选 peerDependencies,这样既保持了灵活性,又解决了依赖解析问题。peerDependenciesMeta 可以标记这些依赖为可选,让用户根据需要选择安装特定预设。
总结
这个问题反映了现代包管理器演进过程中与传统 Node.js 模块解析机制的兼容性挑战。Yarn PnP 通过严格依赖控制提高了可靠性和性能,但也要求开发者更加精确地声明依赖关系。理解这一机制有助于开发者更好地处理类似问题,构建更健壮的前端工具链。
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