Puerts项目中QuickJS后端处理JS异常抛出null导致崩溃问题分析
问题背景
在Puerts项目中使用QuickJS作为JavaScript后端时,开发团队发现了一个关键性问题:当JavaScript代码中抛出null值时,会导致整个应用程序崩溃。这个问题在游戏开发中尤其危险,因为游戏需要保持高稳定性,任何崩溃都会直接影响玩家体验。
技术原理
QuickJS是一个轻量级的JavaScript引擎,以其高性能和小体积著称。在正常的JavaScript执行环境中,throw语句可以抛出任何值,包括null和undefined。然而,在QuickJS与Unity的集成环境中,对异常处理的机制需要特殊处理。
在原生JavaScript环境中,抛出null是完全合法的:
throw null; // 这在标准JS中是允许的
但在Puerts的QuickJS后端实现中,当JS代码抛出null时,由于缺乏对这种情况的适当处理,会导致底层C++代码访问空指针,进而引发程序崩溃。
问题影响
这个bug的影响范围包括:
- 所有使用Puerts+QuickJS后端的Unity项目
- 任何可能抛出null的JavaScript代码
- 特别是那些从外部加载的、不受开发者完全控制的JS脚本
在实际游戏开发中,这种情况可能导致:
- 游戏突然崩溃退出
- 开发过程中难以调试的稳定性问题
- 线上游戏不可预知的崩溃
解决方案
开发团队通过两个关键提交修复了这个问题:
-
空值检查机制:在异常处理路径中添加了对null值的显式检查,确保当JS抛出null时,能够被正确捕获并转换为合适的异常对象,而不是直接导致崩溃。
-
异常封装处理:完善了JS异常到C++异常的转换机制,确保所有类型的JS异常(包括null)都能被安全地处理,而不会导致未定义行为。
技术实现细节
修复的核心在于修改了QuickJS与Puerts之间的异常桥接层。具体包括:
- 在JS异常捕获时增加类型检查
- 对null和undefined等特殊值进行特殊处理
- 确保异常信息能够正确传递而不丢失
- 保持与标准JavaScript异常处理行为的一致性
最佳实践建议
基于这个问题的经验,建议Puerts开发者:
- 在JavaScript代码中避免直接抛出原始值(如null或undefined),而是抛出Error对象:
// 不推荐
throw null;
// 推荐
throw new Error("明确的错误信息");
-
在关键代码路径添加try-catch块,即使你认为不会抛出异常。
-
定期更新Puerts版本,以获取最新的稳定性修复。
总结
这个问题的修复体现了Puerts团队对稳定性的重视。通过正确处理JavaScript中的所有可能异常情况,Puerts+QuickJS的组合变得更加健壮,能够更好地服务于游戏开发等高要求的应用场景。这也提醒我们,在桥接不同语言环境时,必须特别注意类型系统和异常处理机制的差异。
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