Encore项目v1.46.10版本发布:优化对TypeScript Monorepo的支持
项目简介
Encore是一个现代化的后端开发框架,它通过抽象基础设施的复杂性,让开发者能够专注于业务逻辑的实现。Encore支持Go和TypeScript两种语言,并提供从本地开发到云部署的全套工具链。本次发布的v1.46.10版本主要针对TypeScript monorepo项目进行了多项优化。
Monorepo支持改进
Docker构建流程优化
对于使用encore docker build构建自托管Docker镜像的场景,新版本做了以下改进:
-
工作目录设置:默认工作目录现在设置为应用根目录(对于Go应用,只有在
encore.app中设置bundle_source为true时才会有变化)。之前版本默认设置为/workspace。 -
TypeScript应用入口点调整:TypeScript应用的入口点现在改为进入应用根目录,而不是之前的
/artifacts/0/...路径。这一变化使得所有父级node_modules都能在模块解析时被考虑进来。 -
文件包含策略优化:
- 当
bundle_source设置为false时,如果应用是git仓库的一部分,现在只会包含应用根目录、所有父级node_modules和package.json文件(包括指向仓库内任何位置的符号链接目标)。 - 如果应用是git仓库的一部分且启用了源代码打包,现在会打包整个仓库而不仅仅是应用根目录。
- 当
Encore云部署改进
对于通过Encore云部署的应用:
-
子目录支持:如果应用位于git仓库的子目录中,该子目录现在会被用作应用的工作目录,这与本地
encore run的行为更加一致。 -
TypeScript应用打包选项:TypeScript应用现在支持将
bundle_source设置为false。在这种情况下,只会包含应用根目录和所有父级node_modules和package.json文件(包括指向仓库内任何位置的符号链接目标)。
新应用创建优化
对于新创建的Encore.ts应用,encore.app中不再默认将bundle_source设置为true,这有助于减小Docker镜像的体积。
其他改进
-
GraphQL教程修复:修复了TypeScript GraphQL教程中模式文件名不匹配的问题。
-
TypeScript工作区支持增强:提供了对TypeScript工作区更好的支持。
技术影响分析
这些改进对于使用monorepo架构的团队尤为重要。在monorepo中,多个项目共享相同的代码库和依赖管理,传统的构建方式往往会导致依赖解析问题或产生过大的构建产物。Encore的这些优化:
- 通过智能地包含必要的
node_modules和package.json文件,既确保了依赖解析的正确性,又避免了不必要的文件包含 - 工作目录的调整使得开发环境与生产环境更加一致,减少了"在我机器上能运行"的问题
- 对git仓库子目录的更好支持使得在大型代码库中组织多个Encore应用变得更加容易
对于已经部署的应用,这些变化是向后兼容的,不会影响现有功能。但对于新项目或准备重构的项目,可以考虑利用这些新特性来优化项目结构。
最佳实践建议
基于这些新特性,我们建议:
- 对于monorepo项目,考虑将
bundle_source设置为false以减少构建时间和镜像大小 - 确保符号链接指向的位置都在仓库内部,以保证它们能被正确包含
- 在大型项目中,合理组织子目录结构,利用Encore对子目录的支持来隔离不同应用
- 定期检查
node_modules结构,确保依赖解析路径符合预期
这些改进使得Encore在复杂项目结构中的适用性大大增强,特别是对于采用现代前端工程实践(如monorepo、工作区等)的团队来说,能够提供更顺畅的开发体验。
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
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