Modern.js 项目中 ESM 模块兼容性问题解析
问题背景
在使用 Modern.js 2.62.1 版本开发 BFF (Backend For Frontend) 服务时,开发者遇到了一个典型的模块系统兼容性问题。当尝试在项目根目录下的 api 目录中使用 @octokit/auth-oauth-user 这个纯 ESM 格式的包时,系统抛出了 TypeError 错误,提示无法识别 .ts 文件扩展名。
错误分析
错误信息显示系统无法处理 TypeScript 文件,这实际上反映了更深层次的模块系统兼容性问题。Modern.js 服务器默认以 CommonJS 格式运行,而 @octokit/auth-oauth-user 是一个纯 ESM 格式的包,这种不匹配导致了运行时错误。
解决方案
要解决这个问题,我们需要将整个项目转换为 ESM 格式,以下是具体步骤:
-
修改 package.json 在项目的 package.json 中明确指定模块类型为 ESM:
{ "type": "module" } -
调整 TypeScript 配置 更新 tsconfig.json 文件以支持 ESM 模块:
{ "compilerOptions": { "module": "esnext", "moduleResolution": "bundler" } } -
文件导入规范 在 server、api 和 shared 目录中,所有相对路径导入都需要添加 .js 后缀:
import type { Vars } from '../shared/index.js';
注意事项
-
路径别名限制:在 ESM 模式下,server、api 和 shared 目录中不能使用 tsconfig 中定义的路径别名,这是当前的一个限制。
-
模块选择建议:在选择第三方依赖时,优先考虑支持双模式(同时支持 CommonJS 和 ESM)的包,可以减少兼容性问题。
-
渐进式迁移:对于大型项目,可以考虑逐步迁移到 ESM,而不是一次性全部转换。
技术原理
这个问题的本质是 Node.js 生态系统中 CommonJS 和 ESM 两种模块系统的差异。Modern.js 默认使用 CommonJS 是为了保证最大的兼容性,而越来越多的现代包(如 @octokit/auth-oauth-user)选择只提供 ESM 格式,以获得更好的 tree-shaking 和静态分析能力。
通过将项目明确标记为 ESM 格式,我们告诉 Node.js 运行时应该使用 ESM 的模块解析规则,从而能够正确处理纯 ESM 包的导入。
总结
Modern.js 作为一个现代化的全栈框架,同时支持 CommonJS 和 ESM 两种模块系统。理解这两种系统的差异并根据项目需求选择合适的配置,是保证项目顺利运行的关键。对于需要使用纯 ESM 包的项目,按照上述步骤配置可以有效地解决问题,同时也能享受到 ESM 带来的各种优势。
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