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。
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-1.5暂无简介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
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
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