解决React-Admin项目使用pnpm安装时的Vite构建问题
在使用React-Admin 5.x版本构建项目时,如果通过pnpm进行包管理,可能会遇到一个特定的构建错误。这个错误表现为Vite在构建过程中无法解析来自react-admin模块的"ra-core"导入。
问题现象
当开发者使用pnpm安装React-Admin 5.x版本的项目依赖后,尝试使用Vite进行构建时,控制台会输出如下错误信息:
[vite]: Rollup failed to resolve import "ra-core" from "/workspace/cockpit/projects/bo/node_modules/react-admin/dist/esm/index.js
这个错误表明Vite的Rollup打包工具在解析react-admin模块的依赖关系时遇到了问题,无法正确找到"ra-core"这个内部依赖项。
问题根源
这个问题的根本原因在于pnpm的包管理机制与npm/yarn有所不同。pnpm默认使用了一种称为"严格模式"的依赖安装方式,它会为每个包创建独立的node_modules结构,而不是像npm/yarn那样将所有依赖提升到顶层node_modules中。
这种设计虽然有助于减少磁盘空间占用和避免幽灵依赖问题,但有时会导致某些依赖解析出现问题,特别是对于那些预期依赖会被提升到顶层的包。
解决方案
解决这个问题的有效方法是在项目根目录下创建一个名为.npmrc的配置文件,并添加以下配置:
shamefully-hoist=true
这个配置的作用是让pnpm模拟npm/yarn的依赖提升行为,将依赖包提升到顶层node_modules目录中。配置完成后,需要重新运行pnpm install安装依赖,之后Vite的构建过程就能正常工作了。
深入理解
shamefully-hoist这个配置名称虽然看起来有些奇怪,但它准确地反映了pnpm团队对这种行为的看法。在pnpm的设计理念中,依赖提升被认为是一种不太理想的做法,因为它可能导致幽灵依赖等问题。因此,他们将其标记为"shameful"(可耻的),但同时提供了这个选项以满足某些特殊情况的需求。
对于React-Admin这样的复杂前端框架,其内部模块之间可能存在紧密的依赖关系,依赖提升在这种情况下确实能解决许多构建问题。这也是为什么在遇到这类构建问题时,启用依赖提升是一个有效的解决方案。
最佳实践
虽然这个解决方案有效,但开发者应该注意以下几点:
- 仅在遇到构建问题时才使用这个解决方案,不要默认开启
- 了解项目中的实际依赖关系,避免引入不必要的幽灵依赖
- 定期检查项目依赖,确保没有因为依赖提升而引入的潜在问题
- 考虑向React-Admin团队反馈这个问题,以便在框架层面找到更优雅的解决方案
通过理解这个问题的本质和解决方案的原理,开发者可以更好地处理类似的前端构建问题,同时也能更深入地理解现代前端工具链的工作原理。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00