VitePWA插件中资产文件预缓存配置的注意事项
问题背景
在使用VitePWA插件(vite-plugin-pwa)进行PWA开发时,开发者经常需要将静态资源文件(如图片、JSON等)预缓存到Service Worker中。在从0.20.0版本升级到0.20.1版本后,部分开发者发现原先通过includeAssets配置能够正常预缓存的资源文件突然失效了。
技术原理分析
VitePWA插件提供了两种主要方式来预缓存静态资源:
-
public目录资源:放置在项目public目录下的文件会被Vite自动复制到输出目录(dist),这些文件可以通过
includeAssets配置项指定哪些需要被Service Worker预缓存。 -
src/assets目录资源:位于src/assets目录下的资源文件处理方式有所不同。Vite只会打包那些被代码显式引用的资源文件(通过import或img标签src属性等),未被引用的文件不会出现在最终构建产物中。
版本变更带来的影响
在0.20.0版本中,一些开发者发现可以通过includeAssets配置包含src/assets目录下的资源文件。这实际上是特定版本下的一个非预期行为,因为按照设计原则,includeAssets应该只处理public目录下的文件。
0.20.1版本修复了这个问题,将内部使用的glob库从fast-glob替换为tinyglobby,同时修正了资源收集的行为,使其严格遵循public目录的限制。
正确解决方案
对于需要预缓存src/assets目录下资源的需求,应该使用injectManifest.globPatterns配置项。这个配置专门用于指定需要被Service Worker预缓存的资源文件路径模式,不受public目录限制。
示例配置:
{
injectManifest: {
globPatterns: [
'**/*.{js,css,html}',
'assets/images/**/*.{png,jpg}'
]
}
}
最佳实践建议
-
将需要预缓存的通用静态资源(如favicon、robots.txt等)放在public目录下,并使用
includeAssets配置。 -
对于应用内容相关的资源(如图片、JSON数据等),建议:
- 通过代码显式引用它们(确保它们会被Vite处理)
- 使用
injectManifest.globPatterns将它们加入预缓存列表
-
注意区分开发环境和生产环境的资源处理方式,确保测试覆盖预缓存行为。
通过理解VitePWA插件对资源处理的内部机制,开发者可以更准确地配置预缓存策略,避免因版本升级带来的意外行为变化。
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