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。
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。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00