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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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