Eleventy 3.0 中 addPreprocessor 与 keyed addExtension 的兼容性问题解析
在 Eleventy 3.0 的开发过程中,我们发现了一个关于模板预处理机制的重要兼容性问题。这个问题涉及到两个核心 API 的交互:addPreprocessor 和带有 key 参数的 addExtension。
问题背景
Eleventy 提供了强大的模板预处理能力,开发者可以通过 addPreprocessor 方法对模板内容进行预处理转换。同时,addExtension 方法允许开发者创建自定义模板语言或为现有模板语言创建别名。当使用 key 参数(如 key: "11ty.js")时,可以访问模板引擎的内部渲染器。
然而,在 Eleventy 3.0 alpha 版本中发现,当同时使用这两个功能时,系统会尝试在预处理完成前就处理模板内容,导致语法错误或空内容问题。
技术细节分析
问题的根源在于 Eleventy 对 JavaScript 模板的处理机制。系统目前将文件内容读取与 JavaScript 模板的动态导入(通过 11ty.js 模板类型)分开处理。这种分离导致了处理顺序的不一致:
- 对于普通模板,系统会先读取文件内容,然后应用预处理
- 但对于 JavaScript 模板(特别是使用
key: "11ty.js"的情况),系统会尝试直接导入模块,跳过预处理阶段
在 Node.js 环境下,这会表现为语法错误,因为系统尝试直接解析可能包含 JSX 等非标准 JavaScript 语法的文件。在 Deno 环境下,则会出现内容为空的情况。
解决方案探索
经过深入分析,我们考虑了以下几种解决方案:
-
重构 JavaScript 模板处理流程:将 JavaScript 模板的导入操作移到文件读取阶段。虽然这是最彻底的解决方案,但由于涉及核心架构变更,不适合在 3.0 版本后期引入。
-
使用 Node.js 模块系统 API:通过
Module._compile等底层 API 实现自定义的 JavaScript 模板处理。这种方法虽然有效,但依赖于未公开的 Node.js API。 -
预处理与渲染分离:将预处理作为独立步骤,生成中间文件后再由 Eleventy 处理。这种方法虽然可靠,但增加了构建流程的复杂性。
最佳实践建议
对于需要在 Eleventy 中使用 JSX/TSX 等非标准 JavaScript 语法的开发者,我们推荐以下方案:
- 使用
esbuild或类似工具进行预处理转换 - 通过 Node.js 的模块系统 API 动态执行转换后的代码
- 在
addExtension的compile方法中处理最终的渲染逻辑
示例实现方案展示了如何结合这些技术,既保持了开发体验的流畅性,又确保了构建的可靠性。
未来改进方向
这个问题揭示了 Eleventy 模板处理流程中值得改进的几个方面:
- 统一各种模板类型的处理流程
- 提供更灵活的预处理钩子
- 完善对现代前端工具链的支持
这些改进将在 Eleventy 的未来版本中逐步实现,为开发者提供更强大、更一致的模板处理能力。
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