解决Mitosis项目在Vite 6中JSX导入源配置问题
问题背景
在BuilderIO/mitosis项目中,当用户使用最新版本的Vite和@vitejs/plugin-react时,会遇到JSX运行时导入错误。具体表现为系统提示"Missing './jsx-dev-runtime' specifier in '@builder.io/mitosis' package"错误。
问题分析
这个问题的根源在于TypeScript配置和Vite的JSX处理方式之间的不兼容。在Mitosis项目中,默认的tsconfig.json文件配置了"jsxImportSource": "@builder.io/mitosis",这会导致Vite在解析JSX时尝试从@builder.io/mitosis包中寻找jsx-dev-runtime模块。
随着Vite 6的更新,其对JSX运行时的处理变得更加严格,而@builder.io/mitosis包并没有提供完整的JSX运行时实现,特别是缺少jsx-dev-runtime模块。
解决方案
方案一:修改Vite配置(临时方案)
可以在Vite配置中强制使用classic JSX运行时模式:
import react from '@vitejs/plugin-react';
import { defineConfig } from 'vite';
export default defineConfig({
plugins: react({jsxRuntime: 'classic'})
});
但这种方案需要开发者在所有React组件中手动导入React,增加了开发负担。
方案二:移除jsxImportSource配置(推荐方案)
更彻底的解决方案是移除tsconfig.json中的"jsxImportSource": "@builder.io/mitosis"配置。因为Mitosis生成的React组件实际上是标准的React组件,不需要特殊的JSX导入源。
方案三:为React包添加专用tsconfig(最佳实践)
最完善的解决方案是在library/packages/react/目录下添加专用的tsconfig.json文件,明确指定JSX模式为React:
{
"compilerOptions": {
"jsx": "react"
}
}
这种方案既保持了项目的灵活性,又确保了与最新Vite版本的兼容性。
技术原理
TypeScript的jsxImportSource配置用于指定JSX工厂函数的导入源。在React 17+中,引入了新的JSX转换方式,允许不显式导入React。然而,Mitosis生成的React组件实际上是标准的React组件,不需要特殊的JSX处理。
Vite 6对JSX运行时的处理更加规范,会严格检查指定的jsxImportSource是否提供了完整的运行时实现。由于@builder.io/mitosis并不是一个完整的JSX运行时实现,因此导致了兼容性问题。
结论
对于使用Mitosis生成React组件并集成到Vite 6项目的开发者,建议采用方案三,即为React包添加专用的tsconfig配置。这样既能保持项目的整洁性,又能确保与最新工具链的兼容性。
这个问题也提醒我们,在使用代码生成工具时,需要特别注意生成代码与构建工具的兼容性,及时调整配置以适应工具链的更新。
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