Mitosis项目发布0.5.24版本:增强构建配置与插件能力
Mitosis是一个创新的前端框架,它允许开发者编写一次组件代码,然后编译输出到多个目标框架(如React、Vue、Angular等)。这种"一次编写,多处运行"的理念大大提高了前端开发的效率,特别是在需要维护多框架代码库的场景下。
本次0.5.24版本的发布带来了几个重要的改进,主要集中在构建配置的灵活性和插件系统的增强上。这些改进使得Mitosis在复杂项目中的适应能力更强,同时也为开发者提供了更多自定义构建过程的可能性。
新增显式构建文件扩展名配置
新版本引入了explicitBuildFileExtensions配置项,这是一个非常有用的功能,特别是在处理具有特定命名模式的组件文件时。开发者现在可以在Mitosis配置中指定哪些文件应该保持特定的扩展名。
例如,你可能有一些专门为Figma设计的组件文件(如button.figma.lite.tsx),或者用于文档的组件(如card.docs.lite.tsx)。通过配置:
{
explicitBuildFileExtensions: {
".ts": /*.figma.lite.tsx/g,
".md": /*.docs.lite.tsx/g
}
}
你可以确保这些特殊用途的组件在构建后保持其原始的文件扩展名,这对于后续的自动化处理流程非常有帮助。这个特性特别适合那些需要将Mitosis集成到复杂构建系统中的团队。
增强插件系统能力
Mitosis的插件系统在这个版本中得到了显著增强,主要体现在两个方面:
-
新增构建类型插件:现在插件可以在CLI构建过程的前后执行自定义逻辑。这意味着开发者可以更灵活地控制构建流程,比如在构建前预处理某些文件,或者在构建完成后执行一些后处理操作。
-
组件插件数据:每个Mitosis组件现在都包含一个
pluginData对象,这个对象会在CLI构建过程中被填充。它包含了诸如构建目标、文件路径、输出目录等有用信息,插件可以利用这些信息做出更智能的决策。
pluginData?: {
target?: Target; // 构建目标框架
path?: string; // 文件路径
outputDir?: string; // 输出目录
outputFilePath?: string; // 输出文件路径
};
这些改进使得Mitosis插件能够更好地理解和操作构建上下文,为开发更强大的构建时工具奠定了基础。
修复状态变量在key属性中的问题
这个版本还修复了一个关于在Fragment的key属性中使用状态变量的问题。在之前的版本中,类似这样的代码:
<Fragment key={state.xxx + "abc"}...>
在React和Angular中的处理方式不一致:React会正确识别state.xxx,而Angular会缺少必要的this.前缀。这个修复确保了跨框架行为的一致性,减少了开发者在不同目标框架间切换时的困惑。
总结
Mitosis 0.5.24版本的这些改进,特别是构建配置和插件系统的增强,使得这个工具在复杂项目中的应用更加得心应手。显式文件扩展名配置解决了特殊命名文件的处理问题,插件系统的增强为构建流程的定制化打开了更多可能性,而框架间一致性的修复则进一步提升了开发体验。
这些变化体现了Mitosis项目对开发者实际需求的关注,也展示了它作为一个跨框架组件解决方案的成熟度正在不断提高。对于正在使用或考虑使用Mitosis的团队来说,这个版本值得关注和升级。
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