Mako 项目中的 Hooks 到 Plugins 架构演进
2025-07-04 13:09:37作者:袁立春Spencer
在构建工具领域,模块化和可扩展性一直是核心设计理念。本文将以 Mako 项目为例,深入探讨其从 Hooks 机制到 Plugins 架构的演进过程,分析这一技术决策背后的思考与实现方案。
原有 Hooks 机制分析
Mako 最初采用了基于 Hooks 的扩展机制,允许开发者通过 JavaScript 对象直接注入功能:
const { build } = require('@umijs/mako');
await build({
hooks: {
// 各种钩子函数
},
// 其他配置
});
这种设计虽然灵活,但存在几个明显问题:
- 缺乏标准化:没有统一的插件编写规范,每个开发者可能采用不同的代码组织方式
- 复用困难:难以将功能封装为可复用的独立模块
- 管理不便:大型项目中难以系统化管理各种功能扩展
Plugins 架构设计
新的 Plugins 架构将带来以下改进:
module.exports = {
name: 'foo', // 明确的插件标识
load() {
// 标准化的生命周期方法
},
};
使用方式变为:
const { build } = require('@umijs/mako');
await build({
plugins: [
require('mako-plugin-foo'),
// 其他插件
],
});
关键优势
- 标准化接口:每个插件都有明确的名称和生命周期方法
- 模块化复用:可以发布为独立的 npm 包(如 mako-plugin-foo)
- 组合式架构:通过数组形式组合多个插件,形成功能管道
- 框架集成:上层框架可以动态管理插件集合
实现方案详解
技术实现路径
- Binding 层改造:底层支持多插件并行处理
- API 迁移:将 hooks 参数改为 plugins 数组
- 文档更新:完善插件开发指南和 API 文档
架构考量
值得注意的是,在 rolldown 项目的绑定层重构完成后,Mako 的底层实现也将相应调整。目前的过渡方案采用简单实现,确保功能可用性,为后续架构演进留出空间。
对开发者生态的影响
这一变更将显著改善开发者体验:
- 插件开发者:有了明确的开发规范和发布渠道
- 工具使用者:可以通过组合现有插件快速搭建构建流程
- 框架整合者:能够更灵活地管理构建流程的各个扩展点
总结
Mako 从 Hooks 到 Plugins 的架构演进,反映了现代构建工具向模块化、标准化发展的趋势。这一变化不仅提升了工具本身的扩展性,也为开发者生态的建设奠定了基础。随着实现的不断完善,Mako 将能够更好地服务于各种规模的 JavaScript 项目构建需求。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217