pnpm并行执行脚本时如何避免因单个失败中断全部任务
在大型前端项目中,我们通常会配置多个lint工具来保证代码质量,比如eslint、svelte-check和astro check等。这些工具通常被组织在package.json的scripts中,通过类似lint:的前缀来分组管理。
pnpm提供了强大的run命令,支持使用正则表达式来批量执行匹配的脚本,例如pnpm run /^lint:/可以一次性运行所有以lint:开头的脚本。这个功能非常实用,但在默认情况下存在一个行为特点:当其中任何一个脚本执行失败(返回非零退出码)时,pnpm会立即终止所有正在运行的其他脚本。
这个默认行为在持续集成(CI)环境中可能会带来不便。假设项目中同时存在JavaScript、Svelte和Astro三种类型的代码,当eslint发现了JS代码的问题而失败时,svelte-check和astro check也会被立即终止,导致我们无法一次性获取所有类型代码的问题报告。开发者修复了JS问题后再次运行lint,可能又会发现Svelte或Astro的问题,这种反复的过程降低了开发效率。
实际上,pnpm已经提供了解决这个问题的配置选项。通过在命令中添加--no-bail参数,可以改变这一默认行为。例如:
pnpm run --no-bail /^lint:/
使用这个参数后,即使某个脚本执行失败,其他脚本也会继续运行直到完成。最终pnpm会返回第一个失败脚本的退出码,而不是立即中断所有任务。
这个功能在以下场景特别有用:
- 在CI环境中希望一次性收集所有lint错误
- 当多个测试套件需要并行运行时,希望看到所有失败用例
- 执行多个独立的构建任务时,希望了解所有失败情况
需要注意的是,--no-bail模式下只会返回第一个失败脚本的退出码,后续失败脚本的具体错误码会被丢弃。如果项目需要更精细的错误处理,可能需要考虑其他方案。
对于更复杂的场景,比如需要收集所有失败脚本的退出码,或者需要根据不同的失败类型采取不同处理逻辑,开发者可能需要编写自定义脚本或使用更专业的任务运行器。但在大多数情况下,pnpm内置的--no-bail参数已经能够很好地解决并行任务执行时的中断问题。
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