SST 项目中从 open-next 迁移到 @opennextjs/aws 的指南
在 SST (Serverless Stack) 项目中,近期出现了一个重要的变更:从 open-next 迁移到 @opennextjs/aws。这个变更从版本 3.1.4 开始生效,对于使用 SST 框架开发 Next.js 应用的开发者来说,需要了解这一变化并相应地调整项目配置。
背景与变更原因
SST 框架一直致力于为开发者提供最佳的 Serverless 开发体验。随着 Next.js 生态系统的演进,官方推荐的工具链也在不断优化。从 open-next 迁移到 @opennextjs/aws 正是这一演进过程的一部分,目的是提供更稳定、更高效的构建和部署体验。
变更影响
这一变更主要影响以下几个方面:
- 构建命令的变化
- 依赖管理的变化
- 运行时配置的变化
解决方案
对于 SST v3 用户
在 SST v3 中,可以通过以下方式适配这一变更:
- 在
sst.config.ts文件中明确指定构建命令 - 在项目中单独安装
@opennextjs/aws依赖
配置示例:
new sst.aws.Nextjs("nextjs", {
buildCommand: "yarn opennextjs-build",
runtime: "nodejs20.x",
path: ".",
});
然后在 package.json 中添加相应的脚本:
"scripts": {
"opennextjs-build": "npx @opennextjs/aws build"
}
或者更简洁的方式是直接在配置中指定构建命令:
new sst.aws.Nextjs("nextjs", {
buildCommand: "npx @opennextjs/aws build",
runtime: "nodejs20.x",
path: ".",
});
对于 SST v2 用户
SST v2 用户同样可以通过自定义 buildCommand 来适配这一变更。虽然具体的配置方式可能略有不同,但核心思路是一致的:明确指定使用 @opennextjs/aws 作为构建工具。
最佳实践
-
版本锁定:建议在
package.json中明确指定@opennextjs/aws的版本,以避免潜在的兼容性问题。 -
构建缓存:考虑配置适当的构建缓存策略,以优化构建性能。
-
环境变量管理:确保所有必要的环境变量在构建时和运行时都能正确传递。
-
监控与日志:部署后,密切关注应用的性能和日志,确保一切按预期工作。
迁移后的验证
完成迁移后,建议进行以下验证:
- 构建过程是否成功完成
- 部署后的应用功能是否正常
- 性能指标是否符合预期
- 错误日志中是否有相关警告或错误
总结
这次从 open-next 到 @opennextjs/aws 的迁移是 SST 框架持续优化的一部分。虽然需要开发者做一些配置调整,但这些变化最终会带来更稳定、更高效的开发体验。通过遵循上述指南,开发者可以顺利完成迁移,并继续享受 SST 框架带来的开发便利。
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-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