Mitosis CLI 0.5.24版本发布:增强构建配置与插件能力
Mitosis是一个创新的前端框架,它允许开发者使用单一代码库生成适用于多个框架(如React、Vue、Angular等)的组件代码。这种"一次编写,多框架运行"的理念大大提高了开发效率,特别是在需要维护多个框架版本的项目中。
最新发布的Mitosis CLI 0.5.24版本带来了两项重要改进,进一步增强了构建配置的灵活性和插件系统的能力。这些改进使得开发者能够更精细地控制构建过程,并为插件开发提供了更多可能性。
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。通过这个配置,开发者可以精确指定某些匹配特定正则表达式的文件应该使用什么扩展名。
explicitBuildFileExtensions?: Record<string, RegExp>;
这种配置特别适合以下场景:
- 处理来自设计工具(如Figma)导出的组件文件(如
*.figma.lite.tsx) - 处理文档相关的组件文件(如
*.docs.lite.tsx) - 需要保持特定文件扩展名不变的特殊情况
增强的插件数据支持
新版本在MitosisComponent类型中新增了pluginData对象,这个对象会在CLI构建过程中被填充,为插件提供更多上下文信息:
pluginData?: {
target?: Target;
path?: string;
outputDir?: string;
outputFilePath?: string;
};
这些信息对于开发高级插件非常有用,例如:
- 根据目标框架(target)执行不同的转换逻辑
- 基于文件路径进行条件处理
- 获取输出目录和文件路径信息以执行额外操作
构建过程插件钩子
另一个重要改进是增加了build类型的插件钩子,允许开发者在CLI构建过程的前后执行自定义逻辑:
// 插件定义示例
{
build: {
before?: (options: BuildOptions) => void | Promise<void>;
after?: (options: BuildOptions) => void | Promise<void>;
}
}
这种扩展性使得开发者可以实现诸如:
- 构建前的环境检查和准备
- 构建后的资源处理和部署
- 构建过程的监控和报告
- 自定义的构建流程增强
实际应用场景
这些新特性在实际项目中有广泛的应用价值。例如,一个团队可能使用Figma导出的组件,并通过Mitosis转换为多个框架的代码。使用explicitBuildFileExtensions可以确保这些特殊组件保持正确的文件扩展名,而pluginData则可以帮助开发者在转换过程中根据目标框架添加特定的包装逻辑。
构建过程插件则可以实现自动化的工作流,比如在构建完成后自动将生成的组件发布到私有npm仓库,或者在构建前检查代码规范。
总结
Mitosis CLI 0.5.24版本的这些改进,进一步巩固了Mitosis作为跨框架组件开发解决方案的地位。通过提供更精细的构建控制和更强大的插件能力,开发者现在能够创建更复杂、更灵活的构建流程,满足各种特殊需求。这些特性特别适合大型项目和企业级应用,其中构建过程的定制化和自动化往往是提高开发效率的关键因素。
随着Mitosis生态系统的不断成熟,我们可以期待看到更多基于这些新特性的创新用法和插件出现,进一步推动"一次编写,多框架运行"理念的普及。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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