Vanilla Extract在Turborepo+Next.js14项目中的配置问题解析
问题背景
在基于Turborepo的monorepo项目中,开发者尝试使用Vanilla Extract构建的设计系统(@repo/ui)时遇到了构建错误。错误表现为Next.js应用无法正确处理Vanilla Extract生成的CSS文件,控制台显示vanilla.virtual.css文件存在语法错误。
错误现象
当在Next.js 14应用中导入设计系统的组件时,控制台报错如下:
Syntax error: ...\vanilla.virtual.css Unknown word
23 | }
24 | options => {
> 25 | var className = config.defaultClassName;
| ^
根本原因分析
经过排查,发现该问题主要由两个配置问题导致:
-
Next.js配置错误:原始的
next.config.js文件中,transpilePackages配置被错误放置,导致Next.js无法正确转译monorepo中的设计系统包。 -
插件顺序问题:Vanilla Extract插件需要正确包裹Next.js配置才能生效,但原始配置中插件应用方式不正确。
解决方案
正确的Next.js配置
修正后的next.config.js应采用以下结构:
const { createVanillaExtractPlugin } = require('@vanilla-extract/next-plugin');
const withVanillaExtract = createVanillaExtractPlugin();
/** @type {import('next').NextConfig} */
const nextConfig = {
transpilePackages: ['@repo/ui'],
// 其他Next.js配置...
};
module.exports = withVanillaExtract(nextConfig);
关键配置要点
-
transpilePackages:必须明确列出需要转译的monorepo包名,确保Next.js能正确处理这些包中的代码。
-
插件包裹顺序:Vanilla Extract插件必须包裹最终的Next.js配置对象,这样才能确保CSS处理流程正确。
-
依赖版本对齐:确保项目中使用的Vanilla Extract相关插件版本一致,避免因版本不匹配导致的问题。
最佳实践建议
-
monorepo项目结构:在Turborepo项目中,建议将设计系统作为一个独立工作区(workspace)管理。
-
依赖管理:使用pnpm workspace协议(
workspace:*)确保各包依赖版本一致。 -
构建缓存:利用Turborepo的缓存机制加速构建过程。
-
类型安全:通过TypeScript项目引用(project references)确保类型定义正确传递。
总结
在monorepo架构下使用Vanilla Extract需要特别注意构建工具的配置。通过正确配置Next.js的转译选项和插件顺序,可以解决大多数集成问题。对于复杂项目,建议逐步验证各环节配置,确保设计系统的样式能够正确编译和应用到主应用中。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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