Jest 在 Node.js v23 环境下处理 TLA 配置时的崩溃问题分析
问题背景
Jest 作为 JavaScript 生态中广泛使用的测试框架,在最新版本的 Node.js 环境中遇到了一个与顶层 await (Top-Level Await, TLA) 相关的兼容性问题。当项目中的 jest.config.js 配置文件或其依赖模块包含 TLA 语法时,在 Node.js v23 环境下运行会导致 Jest 崩溃。
技术细节
这个问题的核心在于 Node.js v23 对 ESM 模块系统的实现变更。具体表现为:
-
错误信息:当尝试通过 require() 加载包含 TLA 的 ESM 模块时,Node.js 会抛出错误:"require() cannot be used on an ESM graph with top-level await. Use import() instead."
-
触发条件:问题会在以下情况出现:
- 项目使用 jest.config.js 作为配置文件
- 该配置文件或其依赖链中的任何模块包含 TLA 语法
- 运行环境为 Node.js v22.12 或更高版本
-
根本原因:Jest 内部的 requireOrImportModule 函数没有正确处理 Node.js 新增的 ERR_REQUIRE_ASYNC_MODULE 错误码,这个错误码专门用于标识模块包含 TLA 的情况。
影响范围
这个问题影响到了许多大型项目,包括著名的代码格式化工具 Prettier。在 Prettier 的测试套件中,由于配置文件间接依赖了包含 TLA 的 temp-dir 模块,导致测试无法正常运行。
解决方案
Jest 团队在 v30.0.0-alpha.7 版本中修复了这个问题。修复方案主要包括:
- 更新 requireOrImportModule 实现,使其能够识别并正确处理 ERR_REQUIRE_ASYNC_MODULE 错误码
- 改进模块加载逻辑,确保在遇到 TLA 模块时能够使用正确的加载方式
临时应对措施
对于暂时无法升级 Jest 版本的项目,可以采用以下临时解决方案:
- 降级 Node.js 到 v22.11.0 或更早版本
- 检查并修改 jest.config.js,移除或替换包含 TLA 的依赖
- 将配置文件改为使用 .cjs 扩展名,明确指定为 CommonJS 模块
最佳实践建议
为避免类似问题,建议开发者:
- 在项目中使用明确的模块类型声明(.mjs 或 .cjs)
- 谨慎在配置文件中使用 TLA 语法
- 保持 Jest 和 Node.js 版本的同步更新
- 在 CI/CD 流程中加入多版本 Node.js 的兼容性测试
总结
这个问题凸显了 JavaScript 生态系统中模块系统演进带来的兼容性挑战。随着 ESM 和 TLA 的普及,工具链需要不断适应这些新特性。Jest 团队的快速响应确保了测试框架能够继续在现代 JavaScript 环境中稳定运行。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00