React Testing Library 中 act 函数在 React 18.3 下的类型问题解析
在 React 18.3 版本中,开发者在使用 React Testing Library 进行测试时可能会遇到一个关于 act 函数的类型警告问题。这个问题源于 React 18.3 对 act API 进行了更新,而测试库的类型定义尚未完全适配这一变化。
问题背景
act 是 React 测试中一个重要的工具函数,用于确保组件更新和副作用在测试期间被正确处理。在 React 18 之前,act 主要通过 react-dom/test-utils 提供。随着 React 18 的发布,act 被直接集成到了 react 包中,并进行了 API 签名更新。
React Testing Library 作为流行的 React 测试工具,需要兼容不同版本的 React。其内部实现已经正确处理了 React 18.3 的新 act API,但类型定义文件尚未完全更新,导致 TypeScript 在使用时会显示废弃警告。
技术细节分析
问题的核心在于类型定义文件没有区分 React 18.3 的新 act 类型。当前类型定义逻辑是:
- 首先检查
react包中的act是否存在 - 如果不存在,则回退到
react-dom/test-utils中的act - 最后回退到一个基础类型定义
这种逻辑在 React 18.3 下会导致类型不匹配,因为虽然实现上使用了正确的 react 包中的 act,但类型系统仍然认为它是旧版本的签名。
解决方案
正确的类型定义应该优先使用 react 包中的 act 类型,只有当其不存在时才回退到其他方案。考虑到 React Testing Library 的 peerDependency 已经是 React 18+,甚至可以简化类型定义,直接使用 react 包中的 act 类型。
对于开发者而言,临时的解决方案是:
- 忽略类型警告(不推荐)
- 直接从
react包导入act(但会失去测试库的一些额外功能) - 等待官方修复
对开发者的建议
虽然这个问题主要是类型层面的,不影响实际功能,但它提醒我们在升级 React 版本时需要注意测试工具的兼容性。对于测试代码:
- 保持 React 和测试工具的版本同步更新
- 关注测试库的更新日志,特别是关于 React 18+的适配说明
- 对于重要的测试用例,考虑添加运行时版本检查
React Testing Library 团队已经注意到这个问题并提出了修复方案,预计在后续版本中会解决这一类型警告问题。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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