解决lint-staged中tsc命令无法正确识别tsconfig的问题
问题背景
在使用lint-staged进行代码提交前的类型检查时,许多开发者会遇到一个奇怪的现象:当直接在lint-staged配置中使用tsc命令时,TypeScript编译器会错误地将每个待检查文件路径后追加/tsconfig.json,导致无法正确找到项目的TypeScript配置文件。
问题现象
开发者通常会在package.json中这样配置lint-staged:
"lint-staged": {
"*.{ts,tsx}": [
"npx tsc -b --verbose"
]
}
运行后会发现tsc报错,提示类似packages/components/tabs/src/TabsGroup.stories.tsx/tsconfig.json这样的路径找不到。这是因为lint-staged默认会将匹配到的文件列表附加到命令后面。
问题原因
lint-staged的设计初衷是对暂存区的文件逐个进行处理,因此默认情况下它会将匹配到的文件列表作为参数传递给配置的命令。这对于大多数linter工具(如ESLint、Stylelint)是合理的,因为这些工具通常支持接收文件列表作为参数。
但对于TypeScript编译器(tsc)来说,这种行为会导致问题,因为:
- tsc期望的是项目级别的类型检查,而不是单个文件
- tsc会自动在文件路径后追加tsconfig.json查找配置
- 项目通常有复杂的tsconfig继承关系
解决方案
方案一:使用函数式配置
lint-staged支持函数式配置,可以避免自动附加文件列表:
// lint-staged.config.js
module.exports = {
'*.{ts,tsx}': () => [
'tsc --noEmit',
'yarn run prettier:fix',
'yarn run lint:fix'
]
}
这种方式下,lint-staged不会自动附加文件列表,tsc会按照预期工作,使用项目根目录的tsconfig.json。
方案二:使用shell脚本包装
如果由于某些原因必须使用package.json配置,可以创建一个shell脚本来包装tsc命令:
#!/bin/sh
tsc --noEmit
然后在package.json中引用:
"lint-staged": {
"*.{ts,tsx}": ["./scripts/typecheck.sh"]
}
最佳实践建议
-
优先使用函数式配置:这是最简洁的解决方案,推荐在新的项目中使用
-
考虑项目结构:对于monorepo项目,可能需要更复杂的配置来确保tsc能找到正确的配置文件
-
结合其他工具:通常tsc类型检查会与其他工具(prettier、eslint等)一起使用,可以统一配置
-
注意性能:全量类型检查可能较慢,对于大型项目可以考虑增量编译或其他优化手段
总结
理解lint-staged的工作机制对于正确配置至关重要。通过使用函数式配置,我们可以避免tsc命令被错误地传递文件列表参数,确保TypeScript类型检查能够正常工作。这一解决方案不仅适用于简单的项目,也能很好地支持复杂的monorepo架构。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00