Mill项目中TestBaseModule模块依赖传递问题的技术解析
概述
在Mill构建工具的0.12.10版本中,开发者在使用TestBaseModule进行插件测试时遇到了一个关于依赖传递的典型问题。当两个ScalaModule之间存在moduleDeps关系时,ivyDeps无法正确地从依赖模块传递到测试模块,这给插件开发者的测试工作带来了困扰。
问题现象
具体表现为:假设我们有一个foo模块和一个bar模块,其中bar通过moduleDeps依赖于foo。foo模块中定义了ivyDeps依赖(如smithy4s-aws-kernel),但在bar模块中编译时却无法解析这些传递依赖,导致编译失败。
有趣的是,在Mill 0.13.0-M1版本中这个问题已经被修复,但0.12版本的用户仍然受此问题困扰。更奇怪的是,如果在测试代码中先打印transitiveIvyDeps,问题就会神奇地消失,这表明这是一个与依赖解析顺序相关的bug。
技术背景
TestBaseModule是Mill中专门用于测试的基础模块,按照设计原则,它应该是测试模块树的根节点,不应该有外部依赖。这种设计是为了保持测试环境的隔离性和可重复性。
在Mill 0.12.10中,TestBaseModule与其他模块的依赖关系处理存在缺陷,导致依赖无法正确传递。这主要是因为TestBaseModule的依赖解析机制与其他普通模块不同,没有正确处理跨模块的依赖传递。
解决方案
根据Mill核心开发者的建议,正确的做法是将所有测试模块组织在一个TestBaseModule内部,而不是让多个TestBaseModule相互依赖。这样可以确保依赖关系的正确传递和解析。
例如:
object base extends TestBaseModule {
object foo extends ScalaModule {
// 配置...
}
object bar extends ScalaModule {
override def moduleDeps = Seq(foo)
// 配置...
}
lazy val millDiscover = Discover[this.type]
}
这种组织方式确保了所有测试模块都在同一个TestBaseModule上下文中,依赖关系能够正确传递。
版本差异分析
在Mill 0.13.0-M1中,这个问题被修复了,使得TestBaseModule之间的依赖传递能够正常工作。但考虑到向后兼容性和设计初衷,即使在0.13版本中,也不推荐让TestBaseModule相互依赖。
最佳实践建议
- 单一TestBaseModule原则:所有测试模块应该组织在一个TestBaseModule内部
- 模块化设计:在TestBaseModule内部可以自由定义多个子模块和它们之间的依赖关系
- 避免跨TestBaseModule依赖:即使在高版本中能够工作,也不推荐这种做法
- 明确依赖边界:测试模块的依赖应该自包含,减少对外部环境的依赖
总结
这个问题揭示了测试模块设计中的一个重要原则:测试环境应该尽可能独立和自包含。通过将相关测试模块组织在同一个TestBaseModule下,不仅可以避免依赖传递问题,还能提高测试的可维护性和可靠性。对于Mill插件开发者来说,理解这一设计理念比单纯依赖特定版本的修复更为重要。
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