Mill构建工具升级至0.12.6/0.12.7版本时出现StackOverflowError问题分析
问题背景
在Mill构建工具从0.12.5版本升级到0.12.6或0.12.7版本时,部分用户遇到了构建过程中出现StackOverflowError的问题。该问题主要出现在使用ScalablyTyped插件(用于从TypeScript类型定义生成Scala类型定义)的项目中。
问题现象
当用户执行构建命令(如./mill __.compile)时,构建过程会在处理ScalablyTyped模块时陷入无限递归,最终导致栈溢出。从错误堆栈中可以观察到,问题主要发生在以下环节:
- 模块依赖解析过程中
- 内部仓库配置任务执行时
- Coursier项目构建阶段
错误堆栈显示调用链在以下方法间循环:
transitiveCoursierProjectsinternalDependenciesRepositoryrepositoriesTaskscalablytypedWorkerClasspath
技术分析
根本原因
经过分析,这个问题源于Mill 0.12.6/0.12.7版本中引入的依赖解析逻辑变更。具体表现为:
-
循环依赖检测失效:新版本中模块间的依赖关系检测逻辑存在缺陷,导致在某些特定配置下无法正确识别循环依赖。
-
ScalablyTyped插件交互问题:该插件在定义自己的worker类路径时,与Mill核心的依赖解析机制产生了不预期的交互。
-
缓存机制影响:Mill的缓存系统在处理这种特殊场景时未能正确中断递归调用。
典型触发场景
该问题通常在以下项目结构中触发:
- 使用ScalablyTyped插件处理前端代码
- 项目包含跨平台模块(JVM和JS共享代码)
- 自定义了仓库配置(如添加私有Maven仓库)
解决方案
临时解决方案
对于遇到此问题的用户,可以采取以下临时措施:
- 暂时回退到Mill 0.12.5版本
- 在构建脚本中简化ScalablyTyped模块的依赖关系
- 增加JVM栈大小(虽然不能根本解决问题,但可能帮助诊断)
长期解决方案
Mill开发团队已经意识到这个问题,并在后续版本中进行了修复。建议用户:
- 关注Mill的更新公告
- 在升级前测试新版本是否解决了该问题
- 考虑重构构建脚本,减少模块间的复杂依赖
最佳实践建议
为了避免类似问题,建议在Mill项目中使用ScalablyTyped插件时:
-
模块设计:保持ScalablyTyped模块的独立性,尽量减少与其他模块的交叉依赖
-
版本控制:在升级构建工具版本时,先在测试环境中验证构建过程
-
错误诊断:遇到类似问题时,可以通过简化构建脚本逐步定位问题模块
-
依赖管理:合理组织ivyDeps和moduleDeps,避免复杂的传递依赖
总结
Mill构建工具作为Scala生态中的重要组成部分,其版本升级可能会带来一些兼容性问题。本次StackOverflowError问题提醒我们,在使用复杂插件和跨平台构建时需要特别注意依赖管理。通过理解问题本质和采取适当的预防措施,开发者可以更顺利地完成构建工具的升级和迁移。
对于依赖ScalablyTyped插件的项目,建议在升级前充分测试,或等待确认问题修复的稳定版本发布后再进行升级。
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