Rspress 项目中 lodash-es 模块引入问题解析与解决方案
问题背景
在 Rspress 项目构建过程中,开发者遇到了一个关于模块引入的典型问题。当项目构建完成后,在 @rspress/shared/dist/node-utils.js 文件中存在对 lodash-es 模块的 CommonJS 方式引入,而 lodash-es 是一个纯粹的 ESM 模块包,这导致了运行时错误。
错误现象
具体错误表现为 Node.js 运行时抛出的 ERR_REQUIRE_ESM 错误,提示开发者不能使用 require() 来引入 ESM 模块。错误信息明确指出,应该将 require 改为动态 import() 方式,因为动态导入在所有 CommonJS 模块中都可用。
技术分析
这个问题涉及到 Node.js 模块系统的几个关键概念:
-
CommonJS 与 ESM 模块系统的差异:CommonJS 使用
require()同步加载模块,而 ESM 使用import异步加载模块。 -
lodash-es 的模块特性:
lodash-es是 lodash 的 ESM 版本,专门为现代 JavaScript 模块系统设计,只支持 ESM 导入方式。 -
构建工具的处理:Rspress 在构建过程中将代码转换为 CommonJS 格式时,没有正确处理 ESM 依赖的引入方式。
影响范围
这个问题主要影响以下场景:
- 使用
@rspress/shared中的mergeDocConfig方法的插件开发者 - 在 CommonJS 环境中运行 Rspress 构建产物的用户
解决方案
针对这个问题,Rspress 团队提出了以下解决方案:
-
动态导入转换:将
require("lodash-es")改为动态import("lodash-es")方式。 -
异步函数适配:由于动态导入返回 Promise,相关函数需要改为异步函数。
-
插件系统兼容性:确保 Rspress 插件系统能够支持异步钩子函数,以兼容修改后的异步 API。
实施建议
对于遇到类似问题的开发者,可以采取以下措施:
-
检查依赖的模块格式:在使用第三方库时,注意查看其支持的模块系统。
-
统一项目模块系统:尽可能保持项目中模块系统的一致性,要么全部使用 ESM,要么全部使用 CommonJS。
-
构建工具配置:在构建工具中正确配置模块转换规则,特别是对于纯 ESM 包的处理。
总结
这个问题展示了在现代 JavaScript 生态系统中混合使用不同模块系统时可能遇到的挑战。Rspress 团队通过将同步 require 改为动态 import 的方式解决了这个问题,同时也确保了插件系统的向后兼容性。这为处理类似场景提供了一个很好的参考案例。
对于开发者而言,理解不同模块系统之间的差异以及构建工具如何处理这些差异,是构建稳定 JavaScript 应用的重要基础。
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