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。
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-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
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