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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust018
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00