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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00