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。
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。C0111
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00