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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00