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。
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
unified-cache-managementPersist and reuse KV Cache to speedup your LLM.Python02
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00