在Next.js应用中使用AWS Amplify v6 REST API的服务器组件配置指南
AWS Amplify是一个流行的开发平台,可以帮助开发者快速构建和部署云应用。本文将详细介绍如何在Next.js应用中使用AWS Amplify v6的REST API功能,特别是在服务器组件(Server Components)中的正确配置方法。
问题背景
在Next.js的应用路由(App Router)架构中,开发者可能会遇到在服务器组件中调用REST API时出现"API name is invalid"的错误。这个错误通常发生在尝试在服务器组件中使用客户端配置的Amplify REST API时。
解决方案
1. 客户端配置
对于客户端组件,我们可以使用标准的Amplify配置方式:
import { Amplify, ResourcesConfig } from "aws-amplify";
export const amplifyResourceConfig: ResourcesConfig = {
Auth: {
Cognito: {
userPoolId: process.env.NEXT_PUBLIC_USER_POOL_ID,
userPoolClientId: process.env.NEXT_PUBLIC_USER_POOL_CLIENT_ID,
},
},
API: {
REST: {
PlatformCoreOldRestApi: {
endpoint: process.env.NEXT_PUBLIC_PLATFORM_CORE_OLD_REST_API_URL,
},
PlatformCoreNewRestApi: {
endpoint: process.env.NEXT_PUBLIC_PLATFORM_CORE_NEW_REST_API_URL,
},
},
},
};
Amplify.configure(amplifyResourceConfig, {
ssr: true,
API: {
REST: {
headers: async () => ({
Authorization: `Bearer ${await getCognitoAuthIDToken()}`,
}),
},
},
});
2. 服务器端配置
对于服务器组件,我们需要使用不同的方法:
import { createServerRunner } from "@aws-amplify/adapter-nextjs";
import { ResourcesConfig } from "aws-amplify";
export const amplifyResourceConfig: ResourcesConfig = {
// 同上文客户端配置
};
export const { runWithAmplifyServerContext } = createServerRunner({
config: amplifyResourceConfig,
});
3. 服务器组件中的API调用
在服务器组件中调用REST API的正确方式:
import { fetchAuthSession } from "aws-amplify/auth/server";
import { get } from "aws-amplify/api/server";
const users = await runWithAmplifyServerContext({
nextServerContext: { cookies },
operation: async (contextSpec) => {
const session = await fetchAuthSession(contextSpec);
const token = session.tokens?.idToken?.toString();
const result = await get(contextSpec, {
apiName: "PlatformCoreOldRestApi",
path: `/platform/people/search?email=${query}`,
options: {
headers: {
Authorization: `Bearer ${token}`,
},
},
}).response.then(async (res) => await res.body.json());
return result;
},
});
关键点解析
-
上下文隔离:服务器端每个请求都需要独立的上下文,这是通过
runWithAmplifyServerContext实现的。 -
认证流程:在服务器组件中,需要显式获取认证令牌并附加到请求头中,而不能依赖客户端的自动附加机制。
-
API模块选择:必须使用
aws-amplify/api/server中的API方法,而不是常规的客户端API方法。 -
配置共享:虽然客户端和服务器端使用不同的配置方式,但基础配置(如API端点)可以共享。
最佳实践建议
-
将Amplify配置提取到单独的文件中,便于客户端和服务器端共享。
-
为REST API调用创建封装函数,处理错误和统一响应格式。
-
考虑使用TypeScript接口明确定义API响应类型。
-
在开发环境中添加详细的日志记录,帮助调试认证和API调用问题。
通过遵循上述模式,开发者可以在Next.js应用中充分利用AWS Amplify v6的REST API功能,同时在客户端和服务器端组件中都能正常工作。这种方法既保持了代码的整洁性,又确保了安全性和性能。
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