SolidStart 项目中 Server Functions 无参数调用问题解析
问题背景
在 SolidStart 项目中,开发者发现了一个关于 Server Functions 的有趣现象:当尝试调用一个不带参数的服务器函数时,系统会抛出错误;而如果给函数传递任意参数(即使是 null 或 undefined),问题就会消失。
问题现象
开发者创建了一个简单的示例,其中包含一个不带参数的服务器函数:
const hello = async () => {
"use server";
console.log('Hello')
}
当尝试在按钮点击事件中调用这个函数时:
onClick={() => {
hello()
}}
服务器端会抛出以下错误:
TypeError: Cannot read properties of null (reading 'startsWith')
问题根源
经过分析,这个问题源于 SolidStart 的服务器处理逻辑。在服务器处理函数时,它期望接收一个参数对象,即使函数本身不需要任何参数。当没有传递任何参数时,系统会尝试访问 null 或 undefined 的属性,从而导致错误。
临时解决方案
开发者发现可以通过以下方式临时解决这个问题:
onClick={() => {
hello(1) // 传递任意参数
}}
虽然这种方法可以解决问题,但会导致 TypeScript 类型检查不通过,因为函数定义中并没有声明任何参数。
技术原理
在 SolidStart 的架构中,服务器函数调用是通过特殊的协议处理的。当客户端调用服务器函数时,系统会:
- 序列化函数调用和参数
- 通过 HTTP 请求发送到服务器
- 服务器反序列化并执行函数
在这个过程中,参数处理逻辑假设总是存在一个参数对象,即使函数本身不需要任何参数。这种设计导致了无参数调用时的问题。
最佳实践
对于不需要参数的服务器函数,建议采用以下两种方式之一:
- 显式声明一个可选参数:
const hello = async (arg?: any) => {
"use server";
console.log('Hello')
}
- 使用空对象作为默认参数:
const hello = async (arg = {}) => {
"use server";
console.log('Hello')
}
框架改进
这个问题已经在 SolidStart 的最新版本中得到修复。修复方案是修改服务器处理逻辑,使其能够正确处理无参数的服务器函数调用。现在开发者可以安全地调用不带参数的服务器函数,而无需传递虚拟参数。
总结
这个案例展示了框架设计中边界条件处理的重要性。即使是看似简单的无参数函数调用,也需要在框架层面进行特殊处理。对于使用 SolidStart 的开发者来说,了解这一行为有助于编写更健壮的服务器函数代码。
在框架不断演进的过程中,这类边界条件的处理会越来越完善,为开发者提供更流畅的开发体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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