Plasmo项目安装过程中@swc/core依赖问题的解决方案
问题背景
在使用Plasmo框架开发浏览器扩展时,开发者在全新安装过程中遇到了一个棘手的依赖问题。当尝试通过pnpm、yarn或npm安装plasmo包时,系统会报错提示找不到"@swc/types@workspace:^"这个依赖项。这个问题主要出现在macOS系统环境下,使用Node.js 18.20.3版本时。
错误现象分析
安装过程中出现的核心错误信息表明,构建工具链中的某个环节出现了依赖解析失败。具体表现为:
- 使用pnpm安装时,报错"@swc/types@workspace:^"在依赖项中但工作区中找不到对应的包
- 错误链追溯到plasmo@0.86.3 → @plasmohq/parcel-config@0.40.8 → @parcel/config-default@2.9.3 → @parcel/optimizer-swc@2.9.3 → @swc/core@1.5.11
- 使用yarn安装时,虽然会提示选择@swc/types版本,但最终仍会失败
- 错误最终表现为无法找到@swc/core/postinstall.js模块
问题根源
经过技术分析,这个问题源于SWC编译器工具链中的一个已知问题。@swc/core在1.5.11版本中存在安装后脚本(postinstall)执行问题,导致依赖解析失败。SWC是一个用Rust编写的高性能JavaScript/TypeScript编译器,被Plasmo项目用于构建过程中的代码转换。
解决方案
针对这个问题,社区已经找到了有效的解决方法:
-
直接安装稳定版本: 在项目中显式安装@swc/core的1.5.7版本,这个版本已知是稳定的:
npm install @swc/core@1.5.7 # 或 yarn add @swc/core@1.5.7 # 或 pnpm i @swc/core@1.5.7 -
锁定依赖版本: 如果项目已经安装了@swc/core,可以在package.json中显式指定版本并移除版本号前的^符号:
"dependencies": { "@swc/core": "1.5.7" } -
降级Plasmo版本: 作为替代方案,可以将Plasmo降级到0.80版本,这个版本使用的依赖组合没有这个问题。
技术原理
这个问题的本质是npm包管理中的依赖解析冲突。当Plasmo依赖链中的某个包指定了"workspace:"协议时,它期望在本地工作区找到对应的包,但在全新安装场景下这显然不可能。通过显式指定一个已知稳定的@swc/core版本,我们绕过了这个依赖解析问题。
预防措施
为了避免类似问题,开发者可以:
- 在新项目初始化时,先安装基础依赖如@swc/core,再安装Plasmo
- 定期检查项目依赖树的健康状况
- 考虑使用更严格的版本锁定策略
总结
依赖管理是现代JavaScript开发中的常见挑战。Plasmo项目中遇到的这个@swc/core安装问题,通过锁定特定版本得到了有效解决。这提醒我们在项目开发中,对关键构建工具的版本保持关注是必要的,特别是在使用较新的框架和工具链时。
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
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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