Mako 项目配置层重构:统一 API 与配置文件的设计思考
2025-07-04 21:44:59作者:牧宁李
在构建工具领域,配置管理一直是影响开发者体验的关键因素。最近,UMI 团队旗下的 Mako 项目针对其配置系统进行了一次重要重构,将原本分散在 API 参数和配置文件中的配置项进行了统一整合。这一变化虽然带来了 breaking change,但显著提升了配置的一致性和可维护性。
重构背景
在重构前的版本中,Mako 的构建 API 存在配置分散的问题。开发者调用 build 方法时,需要同时处理两类配置:
const { build } = require('@umijs/mako');
await build({
root: process.cwd(),
watch: false,
config: {}, // 第一类配置
plugins: [], // 第二类配置
less: {},
forkTsChecker: true,
});
这种设计将配置人为地分成了两部分:一部分放在 config 对象中,另一部分则作为 build 方法的直接参数。这种分离不仅增加了理解成本,还导致了配置来源的不一致性。
重构方案
经过团队讨论,决定将所有配置统一到 config 对象中:
const { build } = require('@umijs/mako');
await build({
root: process.cwd(),
watch: false,
config: {
plugins: [],
less: {},
forkTsChecker: true
},
});
这一变化带来了几个显著优势:
- 配置来源单一化:所有配置都通过 config 对象传递,降低了认知负担
- 与配置文件一致:API 配置与 mako.config.json 文件结构保持一致
- 更好的可维护性:配置项集中管理,便于扩展和维护
技术实现细节
在具体实现上,团队面临几个技术挑战:
-
JSON 配置的限制:由于 mako.config.json 是纯 JSON 文件,其中的 plugins 只能通过路径字符串指定,而不能直接使用函数对象。但在 API 调用时,仍然支持传入函数形式的插件。
-
配置合并策略:
- 对于 plugins 配置,采用 extend 策略,合并 API 和配置文件中的插件列表
- 对于 less 和 forkTsChecker 等配置,采用 merge 策略,深度合并两者配置
-
类型系统调整:需要重新设计类型定义,确保 TypeScript 类型支持新的配置结构,同时保持向后兼容性
影响范围
此次重构属于破坏性变更,影响以下方面:
- 直接调用 Mako API 的代码:需要将原先的顶级参数迁移到 config 对象中
- 相关上层封装:如 @umijs/bundler-mako 等封装库需要相应调整
- 文档和示例:需要更新所有相关文档反映这一变化
最佳实践建议
对于使用者,建议:
- 逐步迁移到新的配置方式
- 对于复杂插件配置,优先考虑通过 API 而非 JSON 配置文件传递
- 利用 TypeScript 类型提示确保配置正确性
总结
Mako 项目的这次配置层重构体现了构建工具设计中的一个重要原则:配置的一致性优先。通过统一配置入口,不仅提升了开发者体验,也为未来的功能扩展打下了更好的基础。这种以终为始的设计思路,值得其他工具开发者借鉴。
登录后查看全文
热门项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217