Tailwind CSS v4 中 glob 模式匹配 Next.js 动态路由的问题解析
Tailwind CSS 作为当前流行的原子化 CSS 框架,在 v4 版本中引入了一些新特性,其中就包括通过 glob 模式手动指定需要扫描的源文件。然而,这一功能在与 Next.js 的动态路由结合使用时出现了一个值得注意的问题。
问题背景
在 Tailwind CSS v4 中,开发者可以通过 @source 指令显式指定需要扫描的文件路径。常见的配置方式如下:
@import 'tailwindcss' source(none);
@source './**/*.{js,ts,jsx,tsx,mdx}';
这种配置本应扫描项目中的所有 JavaScript、TypeScript 和 MDX 文件。然而,当项目使用 Next.js 的动态路由特性时,特别是类似 [...slug] 这样的 catchall 路由时,Tailwind CSS 的扫描器却无法正确识别这些路径下的文件。
问题原因
经过 Tailwind CSS 团队的分析,这个问题源于底层依赖的 glob 匹配库在处理特殊字符时的行为。Next.js 的动态路由使用方括号作为特殊标记(如 [slug] 或 [...slug]),而 glob 模式中的方括号本身也有特殊含义,用于表示字符集匹配。
当 glob 模式 ./**/*.{js,ts,jsx,tsx,mdx} 遇到类似 [...slug] 这样的路径时,匹配逻辑会出现混乱,导致这些文件被意外排除在扫描范围之外。
临时解决方案
在官方修复发布前,开发者可以采用以下变通方案:
@source './**/*.{js,ts,jsx,tsx,mdx}';
@source './[[]**[]]/*.{js,ts,jsx,tsx,mdx}';
这种写法通过转义方括号的方式,显式告诉 glob 匹配器如何处理 Next.js 的特殊路由格式。虽然不够优雅,但在当时确实解决了燃眉之急。
官方修复
Tailwind CSS 团队迅速响应了这个问题。他们首先确认这是底层 glob 匹配库的问题,在与原作者沟通后,决定在内部集成修复方案。在随后的版本更新中,这个问题得到了彻底解决。
对开发者的启示
这个问题给开发者带来了几个重要启示:
- 当使用新版本的工具链时,应该特别注意与现有框架特性的兼容性
- 了解工具底层原理(如 glob 匹配规则)有助于快速定位和解决问题
- 开源社区的快速响应机制能够有效解决紧急问题
对于使用 Tailwind CSS v4 和 Next.js 动态路由的开发者来说,现在可以放心使用标准的 glob 模式配置,无需再担心特殊路由格式的匹配问题。这也体现了现代前端工具链日趋成熟的生态协作能力。
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