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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07