Module Federation核心库中控制入口点参与联邦的方法
Module Federation作为现代前端架构中实现微前端和代码共享的重要技术,其核心库提供了强大的模块共享能力。在实际项目中,开发者可能会遇到需要精细控制哪些入口点(entrypoints)参与模块联邦的需求。
问题背景
在典型的Module Federation应用场景中,项目可能包含多个入口点,其中某些入口点可能仅作为路由调度器或轻量级加载器使用,并不需要参与模块共享。默认情况下,Module Federation插件会向所有入口点注入运行时代码和共享依赖,这可能导致不必要的代码体积增加。
技术解决方案
Module Federation核心库提供了两种主要方式来解决这一问题:
-
入口点过滤配置:通过
entries或excludeEntries数组参数,开发者可以明确指定哪些入口点应该参与联邦。 -
运行时提升实验特性:通过启用
experiments.federationRuntime选项,可以将联邦运行时代码提升到单独的runtime chunk中,避免重复注入到每个入口点。
实现细节
入口点过滤配置
开发者可以在ModuleFederationPlugin配置中明确指定参与联邦的入口点:
new ModuleFederationPlugin({
entries: ['app1', 'app2'] // 仅这些入口点参与联邦
})
或者使用排除法:
new ModuleFederationPlugin({
excludeEntries: ['loader'] // 排除特定入口点
})
运行时提升特性
在Webpack环境下,可以通过以下配置启用运行时提升:
experiments: {
federationRuntime: true
}
这一特性会将联邦相关的运行时代码集中到一个单独的runtime chunk中,而不是在每个入口点重复注入,从而显著减少不必要的代码体积。
注意事项
-
当前Rspack构建工具尚未完全支持运行时提升特性,开发者需要注意构建工具的兼容性。
-
使用入口点过滤时,需要确保被排除的入口点确实不需要任何联邦功能,否则可能导致运行时错误。
-
在微前端架构中,主应用通常需要保留联邦功能以加载子应用,而简单的路由调度器则可以考虑排除。
最佳实践
对于包含多个入口点的大型项目,建议:
-
首先分析各入口点的实际需求,明确哪些需要联邦功能
-
优先考虑使用运行时提升特性,这是最彻底的优化方案
-
对于确实不需要任何联邦功能的入口点,再考虑使用入口点过滤配置
-
定期检查构建输出,确保优化配置达到了预期效果
通过合理运用这些技术,开发者可以在享受Module Federation强大功能的同时,保持应用的轻量和高效。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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