Husky项目中pre-commit钩子执行失败的排查与解决
在基于Husky的项目开发过程中,pre-commit钩子执行失败是一个常见问题。本文将通过一个实际案例,分析导致该问题的原因以及相应的解决方案。
问题现象
开发者在执行git commit命令时,系统报错"unknown revision or path not in the working tree",导致提交失败。错误信息显示pre-commit钩子以错误代码1退出。该问题同时出现在终端命令行和VSCode的Git扩展中。
环境配置
项目环境为:
- 使用Husky 9.0.11版本
- 基于Nx的Monorepo项目结构
- Node.js v20.10.0环境
- npm 10.4.0包管理器
- 运行在Linux系统上
问题分析
经过深入排查,发现导致该问题的原因主要有两个:
-
未定义的环境变量引用
在pre-commit钩子脚本中,开发者引用了一个未定义的环境变量$DICTIONARY。这种未定义的变量引用会导致脚本执行异常。 -
错误的ESLint配置文件路径
在项目的lint-staged配置中,虽然配置了移除被忽略文件的选项,但在其中一个子包的.eslintrc.json文件中,extends配置指向了错误的路径。具体表现为:- 实际需要的路径是"../../.eslintrc.json"
- 但配置中写成了"../.eslintrc.json"
解决方案
针对上述问题,采取以下解决措施:
-
修正环境变量引用
检查并确保所有在pre-commit钩子中引用的环境变量都已正确定义。如果某些变量不再需要,应该从脚本中移除。 -
修复ESLint配置路径
在Monorepo项目中,由于包结构的嵌套关系,需要特别注意配置文件的相对路径引用。将错误的路径引用更正为:"extends": ["../../.eslintrc.json"]
经验总结
通过这个案例,我们可以得出以下开发经验:
-
严格检查脚本中的变量引用
在编写任何脚本时,都应该确保所有引用的变量都已正确定义。可以使用set -u等选项来帮助发现未定义的变量引用。 -
注意Monorepo中的路径问题
在Monorepo项目中,由于文件结构的复杂性,配置文件的路径引用容易出错。建议:- 使用绝对路径或项目根目录的相对路径
- 建立统一的路径引用规范
- 在重构后全面检查配置文件的路径引用
-
善用调试工具
当遇到类似问题时,可以:- 单独运行pre-commit脚本以获取更详细的错误信息
- 使用echo或console.log输出中间变量值
- 逐步执行脚本定位具体出错位置
通过系统性地排查和解决这类问题,可以显著提高开发效率和代码质量。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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