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。
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