Apollo Client v4.0.0-alpha.8 测试版发布:MockLink与错误处理的重大改进
项目简介
Apollo Client 是一个强大的 GraphQL 客户端库,广泛应用于现代前端开发中。它提供了数据管理、缓存、错误处理等一系列功能,帮助开发者高效地与 GraphQL API 交互。本次发布的 v4.0.0-alpha.8 版本是 4.0 大版本更新前的测试版本,主要针对测试工具 MockLink 和错误处理机制进行了重大改进。
主要变更内容
MockLink 的重大改进
-
默认延迟行为变更
现在所有通过 MockLink 传递的模拟响应默认会使用
realisticDelay函数添加延迟。这一改变确保了测试能够正确处理加载状态,不再依赖于特定的时间点。开发者可以通过设置全局或实例级别的默认值来覆盖这一行为。 -
变量匹配器简化
移除了
variableMatcher选项,现在直接在request.variables中传递回调函数来判断是否匹配请求变量。这一变更使 API 更加直观和简洁。 -
移除 newData 选项
移除了原本的
newData选项,推荐使用result回调函数配合maxUsageCount选项来实现类似功能。这一变化统一了 API 设计,减少了概念上的冗余。 -
延迟配置增强
现在
delay选项可以接受回调函数,根据当前操作动态决定延迟时间。同时引入了realisticDelay辅助函数,可以生成 20-50ms 之间的随机延迟,更接近真实网络环境。
错误处理机制重构
-
统一错误报告
onError链接现在使用单一的error属性来报告错误,而不是分开的graphQLErrors和networkError。错误可能是CombinedGraphQLErrors、CombinedProtocolErrors或其他非 GraphQL 错误的实例。 -
移除废弃 API
移除了
ApolloLink中的onError和setOnError方法,这些方法原本只被MockLink用于重写错误。
其他重要变更
-
入口点统一
@apollo/client和@apollo/client/core入口点现在功能相同,为未来移除@apollo/client/core做准备。 -
客户端查询验证
现在当在 MockLink 的模拟响应中使用客户端查询时会抛出错误,防止误用。
技术影响与最佳实践
这些变更对开发者测试 GraphQL 应用的方式产生了重要影响:
-
更真实的测试环境
默认的
realisticDelay行为迫使开发者考虑加载状态的处理,使测试更接近真实用户体验。 -
更清晰的错误处理
统一的错误报告机制简化了错误处理逻辑,使代码更加清晰和一致。
-
更灵活的模拟配置
延迟回调函数和全局/实例级别的默认配置提供了更大的灵活性,可以针对不同测试场景进行优化。
对于升级到这一版本的开发者,建议:
- 检查并更新所有使用
variableMatcher的测试代码 - 将
newData用法迁移到result回调 - 评估默认延迟行为对现有测试的影响
- 更新错误处理逻辑以适应新的统一错误报告机制
总结
Apollo Client v4.0.0-alpha.8 通过改进 MockLink 和错误处理机制,为开发者提供了更强大、更一致的测试工具。这些变更不仅提高了测试的真实性,还简化了 API 设计,为即将到来的 4.0 正式版奠定了坚实基础。开发者应尽早尝试这一测试版本,为未来的升级做好准备。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00