使用Payload Better Auth开发浏览器扩展的完整指南
前言
在现代Web开发中,浏览器扩展已经成为增强用户体验和提供附加功能的重要方式。本文将详细介绍如何使用Payload Better Auth框架结合Plasmo工具链来开发一个安全的浏览器扩展应用。我们将从环境搭建开始,逐步深入到认证系统的集成和扩展打包发布的全过程。
环境准备
初始化项目
首先需要创建一个新的Plasmo项目,这是一个专门用于开发浏览器扩展的框架。我们推荐使用pnpm作为包管理器,它能提供更快的安装速度和更高效的磁盘空间利用。
pnpm create plasmo --with-tailwindcss --with-src
这个命令会创建一个包含TailwindCSS支持的项目结构,并自动生成src目录作为我们的主要开发目录。
安装依赖
安装Better Auth客户端库:
pnpm add better-auth
启动开发服务器:
pnpm dev
项目配置
TypeScript配置
为了获得更好的类型安全,我们建议启用严格模式。修改tsconfig.json文件:
{
"compilerOptions": {
"paths": {
"@/_": ["./src/_"]
},
"strict": true,
"baseUrl": "."
}
}
这里我们还修改了导入别名,将~改为@,使其指向src目录,这样可以使导入路径更加清晰。
认证系统集成
创建认证客户端
在src/auth/auth-client.ts文件中创建认证客户端实例:
import { createAuthClient } from "better-auth/react"
export const authClient = createAuthClient({
baseURL: "http://localhost:3000", // 你的Better Auth后端地址
plugins: [],
});
这个客户端将负责与后端认证服务进行通信。
配置扩展权限
在package.json中添加必要的权限声明,确保扩展可以访问你的后端API:
{
"manifest": {
"host_permissions": [
"https://YOUR_BACKEND_URL" // 或本地开发地址如http://localhost:3000
]
}
}
开发扩展界面
实现认证状态管理
在扩展的弹出页面中,我们可以使用Better Auth提供的钩子来管理用户认证状态:
import { authClient } from "./auth/auth-client"
function IndexPopup() {
const {data, isPending, error} = authClient.useSession();
if(isPending) {
return <>加载中...</>
}
if(error) {
return <>错误: {error.message}</>
}
if(data) {
return <>已登录为 {data.user.name}</>
}
return <>请登录</>
}
export default IndexPopup;
这个组件会根据当前认证状态显示不同的UI,包括加载状态、错误信息和已登录用户信息。
后端配置
设置信任来源
为了安全起见,我们需要在后端配置中明确允许来自浏览器扩展的请求。首先获取你的扩展ID,它可以在Chrome扩展管理页面找到。
然后在后端认证配置中添加扩展URL到信任来源列表:
import { betterAuth } from "better-auth"
export const auth = betterAuth({
trustedOrigins: ["chrome-extension://YOUR_EXTENSION_ID"],
})
构建与发布
生产构建
完成开发后,运行以下命令生成生产版本:
pnpm build
加载扩展
- 在Chrome浏览器中访问
chrome://extensions - 启用开发者模式
- 点击"加载已解压的扩展程序"
- 选择项目中的
build/chrome-mv3-dev或build/chrome-mv3-prod目录
最佳实践
- 开发环境:建议在开发阶段使用
http://localhost作为后端地址,便于调试 - 错误处理:始终处理认证过程中的错误状态,提供友好的用户反馈
- 安全考虑:确保生产环境中使用HTTPS协议,并在后端严格限制信任来源
- 状态管理:考虑使用全局状态管理来共享认证状态,避免在多个组件中重复查询
总结
通过本文的指导,你已经学会了如何使用Payload Better Auth框架开发一个安全的浏览器扩展。从项目初始化到认证系统集成,再到最终的构建发布,我们覆盖了开发过程中的所有关键步骤。这种架构不仅提供了强大的认证功能,还能确保良好的用户体验和安全性。
现在,你可以基于这个基础继续开发更复杂的功能,如用户个性化设置、数据同步等,打造出功能丰富的浏览器扩展应用。
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