Avo项目中的Propshaft资源预编译优化实践
背景概述
在Rails项目中从Sprockets迁移到Propshaft时,Avo gem在资源预编译阶段会产生大量不必要的SVG资源文件。这一问题在Bullet Train starter repo的迁移过程中被发现,主要表现为预编译后public/assets目录下出现了大量Avo和Heroicons的SVG文件。
问题分析
Propshaft与Sprockets在资源处理机制上存在显著差异。Propshaft会自动将所有配置路径中的资源文件复制到public/assets目录,而Sprockets则更加选择性。Avo gem中包含了大量SVG图标资源,这些资源在Propshaft环境下会被全部预编译,但实际上大部分并不需要直接暴露给应用使用。
技术解决方案
临时解决方案
开发者可以通过配置Rails的assets.excluded_paths来排除不需要预编译的资源路径:
Rails.application.config.assets.excluded_paths += [
Avo::Engine.root.join("app/assets/svgs"),
Avo::Engine.root.join("app/assets/builds"),
Avo::Engine.root.join("app/assets/config"),
Avo::Engine.root.join("app/assets/stylesheets")
]
这种方法有效但需要开发者手动配置,不是最理想的长期方案。
官方改进措施
Avo团队采取了分阶段优化策略:
-
分离Heroicons资源:创建了专门的avo-heroicons gem来管理Heroicons的SVG文件,这个gem不会将SVG路径暴露给资源管道
-
保留核心SVG资源:Avo自定义的SVG图标仍保留在主gem中,因为这些资源需要频繁维护更新
-
引擎内部配置:未来可能直接在Avo引擎中配置excluded_paths,但目前考虑到兼容性问题暂未实施
最佳实践建议
对于正在迁移到Propshaft的开发者,建议:
- 按照上述方式配置excluded_paths排除不必要的资源路径
- 使用+=操作符而非=来维护现有配置
- 关注Avo的版本更新,未来版本可能会内置优化方案
技术深度解析
Propshaft的设计理念是"显式优于隐式",它默认包含所有资源路径下的文件。这与Sprockets的"按需加载"理念不同。Avo作为功能丰富的管理面板,包含大量UI资源,这种设计差异导致了资源预编译时的显著差异。
SVG资源的管理在现代前端工程中是一个常见挑战。Avo团队选择将第三方图标库(Heroicons)与自定义图标分离的方案,既解决了资源污染问题,又保持了开发灵活性。
总结
资源管道迁移是Rails现代化过程中的常见挑战。Avo项目面临的这一特定问题展示了大型gem在适应新资源管理机制时的考量。目前开发者可以采用临时排除方案,而长期来看,Avo团队正在探索更优雅的解决方案。理解Propshaft的工作机制有助于开发者更好地管理项目资源,优化部署流程。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00