Symfony Webpack Encore 中如何为第三方应用提供静态JS文件
在实际开发中,我们经常会遇到需要将Webpack Encore构建的JS文件提供给第三方应用使用的情况。与常规的Symfony应用不同,第三方应用无法直接使用encore_entry_script_tags这样的Twig函数来加载资源。本文将详细介绍两种解决方案。
方案一:简化构建输出
第一种方案是通过调整Encore配置,生成简单的单文件输出:
-
禁用代码分割
在webpack.config.js中移除splitEntryChunks()调用,确保每个entrypoint只生成单个JS文件。 -
禁用资源版本控制
通过.disableSingleRuntimeChunk()和.configureFilenames()配置,避免在文件名中加入内容哈希。 -
手动缓存控制
由于禁用了版本控制,需要自行处理缓存策略,例如通过查询参数或修改文件名来实现缓存更新。
这种方案的优点是简单直接,适合对缓存要求不高的场景。
方案二:保持高级特性并通过Symfony路由转发
第二种方案更适合需要保持长期缓存能力的场景:
-
保持默认构建配置
继续使用Encore的代码分割和版本控制功能,确保最佳缓存效果。 -
创建路由转发控制器
在Symfony中建立一个控制器,将固定的URL(如/front.js)重定向到实际带哈希版本的文件。 -
动态解析资源路径
在控制器中使用asset()函数或直接读取manifest.json文件,动态获取当前构建的资源路径。
这种方案虽然实现稍复杂,但能同时满足第三方应用简单引用和长期缓存的需求。
最佳实践建议
对于生产环境,推荐采用第二种方案,因为:
- 保持内容哈希带来的缓存优势
- 不影响构建性能优化
- 提供稳定的引用接口给第三方
对于开发或内部使用场景,第一种方案更为简便快捷。无论选择哪种方案,都需要确保第三方应用能够获得稳定的资源访问路径。
通过合理配置Webpack Encore,我们可以灵活地满足各种资源输出需求,既能为Symfony应用服务,也能方便地与其他系统集成。
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