WordPress Gutenberg项目中的blocks-manifest.php文件构建问题解析
在WordPress Gutenberg项目的开发过程中,开发者们发现了一个关于blocks-manifest.php文件构建的有趣问题。这个问题主要出现在开发环境使用npm run start命令时,而生产环境使用npm run build命令时则表现正常。
问题现象
当开发者在项目中使用npm run start命令启动开发服务器时,系统会自动删除blocks-manifest.php文件。这个文件对于块类型的注册和元数据管理至关重要,它的缺失会导致站点出现严重错误。然而,当使用npm run build命令构建生产版本时,该文件能够被正确生成。
问题根源
经过技术分析,这个问题源于Webpack的构建流程。在开发模式下,Webpack会持续监视文件变化并重新构建,而在这个过程中,它会清理build目录并重新生成文件。由于blocks-manifest.php文件被视为构建产物的一部分,它也被纳入了清理范围。
解决方案探索
社区成员提出了几种解决方案:
-
修改Webpack配置:通过添加自定义插件,在Webpack构建完成后自动执行build-blocks-manifest命令。这种方法将manifest生成过程与Webpack构建流程紧密集成。
-
并行命令方案:修改package.json中的start脚本,使用
&运算符并行运行两个命令,确保即使第一个命令未完成,第二个命令也能执行。 -
输出目录分离方案:将blocks-manifest.php文件输出到dist目录而非build目录,避免被Webpack的清理过程影响。这需要同时修改块初始化代码以正确引用新位置的manifest文件。
官方修复方案
项目维护团队最终采用了第一种方案,通过Webpack插件的方式在构建流程中集成manifest生成过程。这个修复已经包含在最新的npm包版本中。开发者现在可以通过在start命令中添加--blocks-manifest参数来启用这一功能。
最佳实践建议
对于正在使用Gutenberg开发块的开发者,建议:
- 确保使用最新版本的@wordpress/scripts包
- 在开发时使用
wp-scripts start --blocks-manifest命令 - 如果遇到问题,可以考虑临时使用输出目录分离方案作为过渡
这个问题展示了开源社区如何协作解决技术难题,也提醒我们在构建流程设计时需要全面考虑各种使用场景。通过理解Webpack等构建工具的工作原理,开发者可以更好地预防和解决类似问题。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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