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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00