TanStack Router DevTools 在 Plasmo 框架中的兼容性问题解析
问题背景
在开发浏览器扩展时,许多开发者会选择 Plasmo 框架来构建 Chrome 扩展的选项页面(Options Page)。近期有开发者反馈,在将 TanStack Router DevTools 从旧版本升级到最新版本后,出现了客户端 API 在服务端调用的错误。
错误现象
开发者在使用 Plasmo 框架结合 TanStack Router 开发选项页面时,升级 DevTools 后控制台会抛出以下错误:
Uncaught Error: Client-only API called on the server side. Run client-only code in onMount, or conditionally run client-only component with <Show>.
这个错误表明开发工具中的某些 API 被错误地在服务端环境下执行,而实际上它们应该只在客户端运行。
问题根源
经过深入分析,这个问题主要源于两个方面:
-
Parcel 打包工具的默认配置:Plasmo 框架底层使用 Parcel 作为打包工具,而 Parcel 默认没有启用 package exports 功能。这导致在解析模块时无法正确识别开发工具包的导出配置。
-
开发环境与生产环境的差异:最新版本的 TanStack Router DevTools 对开发环境和生产环境做了更严格的区分,需要开发者明确指定是否要在生产环境中使用。
解决方案
要解决这个问题,开发者需要在项目中做以下配置调整:
- 启用 Parcel 的 package exports 功能: 在项目的 package.json 文件中添加以下配置:
"@parcel/resolver-default": {
"packageExports": true
}
这个配置会告诉 Parcel 打包工具启用 package exports 功能,从而正确解析模块的导出结构。
- 区分开发和生产环境的使用:
如果需要在生产环境中使用 DevTools,应该显式导入
TanStackRouterDevtoolsInProd而非普通的开发工具组件。这种设计是为了避免意外在生产环境中引入开发工具,影响性能。
技术原理
这个问题的本质在于现代 JavaScript 模块系统的复杂性。Package exports 是 Node.js 12+ 引入的功能,它允许包作者更精细地控制模块的导出方式。当打包工具没有正确识别这些导出配置时,就可能导致模块解析失败或行为异常。
在 React 生态中,客户端和服务端渲染的边界需要特别注意。许多开发者工具都明确设计为仅在客户端运行,因为它们可能依赖浏览器特有的 API(如 window 对象)。当这些工具被意外在服务端执行时,就会抛出类似的错误。
最佳实践建议
-
明确环境区分:在使用任何开发者工具时,都应该清楚地了解它们适用的环境,并通过条件渲染或动态导入确保它们只在正确的环境中加载。
-
保持依赖更新:定期检查并更新项目依赖,但要注意查看更新日志中的破坏性变更。
-
理解构建工具配置:深入了解项目使用的构建工具(如 Parcel、Webpack 等)的配置选项,特别是与模块解析相关的部分。
-
错误处理:对于可能在不同环境执行的代码,添加适当的错误边界或环境检测逻辑,提供更友好的错误提示。
通过理解这些底层原理和采取适当的配置措施,开发者可以顺利地在 Plasmo 框架中使用最新版本的 TanStack Router DevTools,同时避免类似的兼容性问题。
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