AWS SDK for JavaScript v3 中 Resource Groups 服务的 ListGroups API 配置类型问题解析
问题背景
在使用 AWS SDK for JavaScript v3 中的 Resource Groups 服务时,开发者在调用 ListGroups API 时遇到了一个关于配置类型过滤器的文档与实际行为不一致的问题。具体表现为文档中列出的 AWS::AppRegistry::ApplicationResourceGroups 配置类型在实际使用时会导致 API 返回错误。
问题重现与分析
当开发者按照文档说明,在 ListGroups 命令的 Filters 参数中使用 AWS::AppRegistry::ApplicationResourceGroups 作为 configuration-type 的值时,API 会返回以下错误:
BadRequestException: Filters not valid: One or more filter values are not supported: AWS::AppRegistry::ApplicationResourceGroups
经过深入测试和验证,发现正确的配置类型值应该是 AWS::AppRegistry::ApplicationResourceGroup(注意结尾是单数形式)。使用这个正确的值后,API 调用能够成功执行并返回预期的结果。
技术细节
Resource Groups 服务的 ListGroups API 允许通过 Filters 参数来筛选返回的资源组。其中 configuration-type 过滤器用于按资源组的配置类型进行筛选。正确的配置类型值包括:
AWS::EC2::HostManagementAWS::AppRegistry::ApplicationResourceGroup(正确值)- 其他支持的配置类型
值得注意的是,文档中列出的 AWS::AppRegistry::ApplicationResourceGroups(复数形式)实际上是不支持的,这导致了 API 调用失败。
解决方案
开发者应该使用以下正确的配置类型值:
const input = {
Filters: [
{
Name: "configuration-type",
Values: [
"AWS::AppRegistry::ApplicationResourceGroup" // 注意是单数形式
]
}
]
};
最佳实践建议
- API 调用验证:在使用新的 API 参数值时,建议先进行小规模测试验证
- 错误处理:对于 ListGroups API 调用,应该妥善处理可能出现的 BadRequestException
- 文档交叉验证:当遇到文档与实际行为不一致时,可以参考多个来源的文档或进行实际测试
- SDK 更新:定期更新 AWS SDK 版本以获取最新的修复和改进
总结
AWS SDK for JavaScript v3 的 Resource Groups 服务中,ListGroups API 的 configuration-type 过滤器存在文档与实际实现不一致的问题。开发者应该使用 AWS::AppRegistry::ApplicationResourceGroup(单数形式)而非文档中列出的复数形式。这个问题已经得到 AWS 团队的确认,相关文档将会更新。在实际开发中,遇到类似问题时,建议通过实际测试验证参数值的有效性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00