GitHub Actions TypeScript模板中实现前后置脚本的最佳实践
背景介绍
在GitHub Actions的TypeScript项目开发中,开发者经常需要实现一些前置准备或后置清理的逻辑。标准的TypeScript Action模板默认只支持单个入口文件,这在实际开发中往往无法满足复杂场景的需求。
问题分析
传统解决方案是通过修改package.json中的构建脚本,为每个钩子单独配置构建命令。这种方法虽然可行,但会导致严重的代码重复问题。例如,当同时构建主脚本和后置脚本时,最终生成的dist目录中会出现两份几乎完全相同的代码,这不仅增加了包体积,也降低了构建效率。
技术方案对比
NCC构建方案
使用@vercel/ncc工具的传统构建方式存在明显缺陷:
- 每个脚本需要独立构建命令
- 生成的代码存在大量重复
- 构建配置复杂且难以维护
Rollup替代方案
相比NCC,Rollup提供了更优雅的解决方案:
- 支持多入口配置
- 自动处理依赖共享
- 生成代码更加精简
- 构建配置更加清晰
实现建议
-
项目结构调整:建议将不同阶段的逻辑拆分到单独的TS文件中,如main.ts、pre.ts和post.ts。
-
Rollup配置:使用Rollup的多入口配置能力,确保公共依赖只打包一次。典型配置应包括:
- 明确指定各入口文件
- 配置输出格式为CommonJS
- 设置正确的输出目录结构
-
类型声明处理:由于Rollup对声明文件处理较为严格,建议暂时关闭声明映射功能,待后续工具链完善后再考虑添加。
注意事项
-
本地测试时,前置钩子(pre)可能无法正常工作,这是GitHub Actions本身的限制。
-
构建过程中要注意处理许可证文件等资源文件的复制。
-
对于复杂的依赖关系,可能需要额外配置Rollup插件来处理特殊情况。
总结
对于需要多阶段执行的GitHub Actions TypeScript项目,推荐使用Rollup替代NCC作为构建工具。这种方案不仅能解决代码重复问题,还能提供更清晰的构建配置和更优化的输出结果。随着GitHub Actions对ESM支持程度的提高,未来这类构建方案将会更加完善。
开发者在实际实施时,应根据项目具体需求选择合适的构建策略,并注意测试各阶段的执行情况,确保Action的整体可靠性。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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