Fortune-Sheet 项目中公式解析器升级引发的构建问题分析
问题背景
在Fortune-Sheet项目最近的开发中,团队对公式解析器(formula-parser)进行了升级。这一变更在合并后导致了项目的构建过程(yarn build)失败。构建系统报出了一个导入错误,尽管实际上被导入的属性确实存在于导出模块中。
问题表现
构建失败的具体表现为:
- 在CI/CD流水线中,构建作业(8967287069)执行失败
- 错误类型为导入错误(import error)
- 表面现象是系统认为某个属性未被导出,但实际上该属性确实存在于导出模块中
问题根源
经过开发团队分析,问题主要源于以下几个方面:
-
构建顺序问题:项目中的各个模块(formula-parser、core、react)之间存在依赖关系,但构建顺序没有明确规划,导致依赖关系混乱。
-
手动修改残留:在公式解析器的grammar-parser.js文件中,存在一些手动插入的代码片段,这些片段在升级过程中可能与新版本产生了冲突。
-
缓存问题:本地开发环境中可能存在旧的构建缓存,导致开发者无法立即看到修复后的效果。
解决方案
团队采取了以下措施解决该问题:
-
明确构建顺序:调整构建流程,确保先构建formula-parser,然后是core,最后是react模块,形成清晰的依赖链。
-
清理手动代码:移除了grammar-parser.js中一些手动插入的代码片段,特别是与NUMONLY规则相关的条件判断逻辑。
-
完整重建流程:在应用修复后,需要先执行yarn命令重新构建formula-parser模块,然后再执行整体构建。
技术细节
在grammar-parser.js文件中,团队移除了以下关键代码段:
const stackLen = stackCache.length
if (rules[i] === 8 && match[0].match(NUMONLY) && !(match.input.slice(match[0].length)[0] === ":" || (stackLen > 3 && stackCache[stackLen - 4] === 25 && stackCache[stackLen - 2] === 27))) {
match = false;
continue;
}
这段代码原本用于处理特定条件下的数字匹配逻辑,但在新版本中可能已经不再需要,或者其功能已被其他方式实现。
经验总结
-
模块化项目的构建顺序至关重要,特别是当模块间存在依赖关系时,必须确保依赖模块先于使用模块构建。
-
手动修改需谨慎:对于自动生成的代码文件(如语法解析器),手动修改可能会在升级时带来兼容性问题,应当尽量通过配置或扩展点来实现定制需求。
-
构建环境清理:在解决构建问题时,完整的清理和重建往往是必要的,可以避免缓存带来的干扰。
-
持续集成验证:CI系统的及时反馈帮助团队快速发现了这一问题,体现了自动化测试和构建流程的价值。
通过这次事件,Fortune-Sheet项目团队进一步完善了构建流程和模块管理规范,为未来的开发和维护工作打下了更坚实的基础。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust035
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00