解决 create-t3-turbo 项目中 TypeScript 增量编译缓存问题
在 create-t3-turbo 项目中,开发者遇到了一个关于 TypeScript 增量编译的有趣问题。当删除已编译的 dist 目录后,再次运行构建命令时,Turbo 会显示"FULL TURBO"提示,但实际上并未重新生成 dist 目录。这显然不是预期行为,因为开发者期望的是能够重新构建输出。
问题现象分析
该问题表现为:
- 执行 pnpm build 命令成功生成 dist 目录
- 手动删除 dist 目录后
- 再次执行相同的构建命令
- Turbo 显示使用缓存(FULL TURBO)
- dist 目录未被重新生成
经过多次测试发现,单纯删除 dist 目录并不足以触发 TypeScript 的重新编译。这是因为 TypeScript 的增量编译机制依赖于 tsbuildinfo 文件来跟踪项目状态。
技术背景
TypeScript 的增量编译功能通过 tsbuildinfo 文件记录编译状态。这个文件包含了项目源文件和输出文件之间的映射关系。当启用增量编译时,TypeScript 编译器会检查这个文件来决定哪些文件需要重新编译。
在 create-t3-turbo 项目中,tsconfig.json 配置中明确指定了 tsBuildInfoFile 路径为 node_modules/.cache/tsbuildinfo.json,这意味着编译状态信息被存储在缓存目录中。
解决方案探索
经过多次尝试,开发者发现了几个关键点:
- 仅删除 dist 目录不足以触发重新编译
- 删除 packages/[package]/node_modules/.cache/tsbuildinfo.json 有时有效
- 最可靠的解决方法是同时删除 package 本地和根目录的缓存文件
最终,通过修改构建脚本,在构建前主动清理相关缓存文件,可以确保每次构建都能正确生成输出目录。建议的构建脚本修改如下:
"build": "rimraf dist/ && rimraf node_modules/.cache/tsbuildinfo.json && tsc --noEmit false --outDir dist"
这个脚本确保在每次构建前:
- 删除旧的 dist 目录
- 清除 TypeScript 的编译状态缓存
- 执行 TypeScript 编译并输出到 dist 目录
替代方案讨论
除了解决 TypeScript 增量编译问题外,社区还探讨了其他构建方案:
- 使用 tsup 或 pkgroll 等替代构建工具
- 在生产环境直接使用 tsx 运行 TypeScript 文件,避免编译步骤
特别是 tsx 方案,通过在 Dockerfile 中直接运行 node --import tsx src/index.ts,可以完全跳过构建步骤。这种方案简化了开发流程,但也需要考虑运行时性能影响。
最佳实践建议
对于 create-t3-turbo 项目,推荐以下做法:
- 在构建脚本中显式清理缓存文件
- 考虑在 monorepo 的清理命令中包含缓存清理
- 如果选择直接运行 TypeScript 的方案,需要评估生产环境性能影响
理解 TypeScript 增量编译机制对于解决这类问题至关重要。通过合理配置构建流程,可以确保开发体验的一致性和可靠性。
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