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。
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