解决PgTyped在CommonJS项目中模块解析错误的问题
问题背景
在使用PgTyped这个TypeScript数据库查询工具时,许多开发者遇到了一个常见的模块解析问题。当项目使用CommonJS模块系统时,TypeScript会报错提示无法用require导入ECMAScript模块。这个错误表面上看是模块系统不兼容的问题,但实际上与TypeScript的类型解析机制密切相关。
问题本质
这个问题的根源在于PgTyped项目在package.json中exports字段的类型声明配置不够完善。TypeScript在Node16模块解析模式下,会严格检查类型声明文件(.d.ts)的扩展名是否与导入的文件类型匹配。当项目使用CommonJS时,TypeScript期望看到.d.cts扩展名的类型声明文件,而PgTyped只提供了标准的.d.ts文件。
技术细节解析
在Node.js生态中,随着ES模块的普及,模块系统变得复杂起来。TypeScript为了准确处理不同模块系统下的类型检查,引入了对声明文件扩展名的特殊要求:
- .d.ts - 传统的类型声明文件
- .d.mts - 专门用于ES模块的类型声明
- .d.cts - 专门用于CommonJS模块的类型声明
当项目配置了"moduleResolution": "node16"时,TypeScript会严格执行这些扩展名规范,确保类型系统与实际的模块系统一致。
解决方案
解决这个问题的方案是在PgTyped项目中:
- 创建一个新的index.d.cts文件,内容与现有的index.d.ts完全相同
- 修改package.json中的exports字段,为types字段添加条件导出:
- import时使用.d.ts
- require时使用.d.cts
- 默认情况下使用.d.ts
这种配置方式完美解决了TypeScript在不同模块系统下的类型检查需求,同时保持了向后兼容性。
实际影响
这个问题主要影响以下场景的开发者:
- 使用CommonJS模块系统的Node.js项目
- 配置了严格模块解析选项的TypeScript项目
- 需要同时支持ES模块和CommonJS的库开发者
通过这个修复,PgTyped现在可以无缝工作在各类TypeScript项目中,无论开发者选择哪种模块系统。这大大提升了库的兼容性和开发者体验。
最佳实践建议
对于库开发者来说,这是一个很好的实践案例,展示了如何正确处理现代TypeScript项目中的模块解析问题。建议所有需要同时支持ES模块和CommonJS的TypeScript库都采用类似的解决方案:
- 提供.d.ts和.d.cts两套类型声明文件
- 在package.json中正确配置条件导出
- 确保类型声明文件内容一致
- 测试在不同模块系统下的表现
这种方案既符合TypeScript的最新规范,又能兼容各种使用场景,是处理模块系统兼容性的理想选择。
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