ts-jest模块解析中customConditions未重置问题分析
问题背景
在TypeScript与Jest结合的测试环境中,ts-jest作为桥梁工具负责将TypeScript代码转换为Jest可执行的JavaScript代码。在实际使用中,当开发者配置了特定模块解析选项时,可能会遇到一个与customConditions相关的编译错误。
问题现象
当项目配置同时包含以下TypeScript编译选项时:
"module": "preserve""moduleResolution": "bundler""customConditions": ["node"]
ts-jest在转换过程中会抛出错误提示:"Option 'customConditions' can only be used when 'moduleResolution' is set to 'node16', 'nodenext', or 'bundler'."。这表明虽然原始配置是正确的,但在ts-jest内部处理过程中出现了问题。
根本原因
深入分析ts-jest源码发现,在fixupCompilerOptionsForModuleKind方法中,当处理非ES模块时,会将moduleResolution强制设置为Node.js模式(ModuleResolutionKind.Node10或ModuleResolutionKind.NodeJs)。然而,该方法没有同时清除不再适用的customConditions选项,导致TypeScript编译器在验证选项时抛出错误。
技术细节
customConditions是TypeScript较新版本引入的配置项,专门用于Node.js的Conditional Exports功能。它仅在特定的模块解析模式下有效:
- node16
- nodenext
- bundler
当ts-jest将模块解析模式改为传统的Node.js模式时,理论上应该同步移除这个不再适用的选项,但当前实现中遗漏了这一逻辑。
解决方案
修复方案相对简单直接:在修改moduleResolution的同时,将customConditions显式设置为undefined。这可以通过修改fixupCompilerOptionsForModuleKind方法的实现来完成,无论是对于CommonJS模块还是ES模块的情况。
影响范围
该问题主要影响以下使用场景:
- 项目中使用较新TypeScript版本(支持
customConditions) - 配置了
customConditions选项 - 使用
moduleResolution为bundler模式 - 通过ts-jest进行测试代码转换
最佳实践建议
对于需要在测试环境中使用条件导出的项目,建议:
- 明确区分开发/构建配置与测试配置
- 考虑在jest配置中覆盖特定的TypeScript选项
- 关注ts-jest版本更新,及时获取相关修复
总结
这个问题展示了构建工具链中配置传递的重要性,特别是在多阶段处理过程中,需要确保各阶段的配置一致性。ts-jest作为连接TypeScript和Jest的桥梁,需要特别注意选项的兼容性和正确性处理。
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