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。
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。C027
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