Strawberry GraphQL 0.272.0版本发布:新增禁用内省查询扩展
项目简介
Strawberry是一个基于Python的GraphQL库,它提供了简洁的API来构建GraphQL服务。GraphQL是一种用于API的查询语言,允许客户端精确地请求所需的数据,避免了传统REST API中常见的数据过度获取或不足获取的问题。Strawberry通过Python类型注解和装饰器,让开发者能够以直观的方式定义GraphQL模式。
版本亮点
Strawberry 0.272.0版本引入了一个重要的新特性:DisableIntrospection扩展。这个扩展专门用于禁用GraphQL的内省查询功能。
什么是内省查询?
在GraphQL中,内省查询(Introspection Query)是一种特殊的查询,允许客户端获取GraphQL模式本身的详细信息。例如,通过内省查询,客户端可以了解:
- 可用的类型和字段
- 字段的参数和返回类型
- 类型之间的关系
- 指令和其他元信息
内省查询是GraphQL的一个重要特性,它为开发者工具(如GraphiQL)提供了必要的信息,使得开发者能够探索和理解API的结构。
为什么需要禁用内省查询?
虽然内省查询在开发环境中非常有用,但在生产环境中,出于安全考虑,可能需要禁用这一功能:
- 减少信息暴露:内省查询会暴露API的完整结构,这可能为潜在攻击者提供有价值的信息
- 性能优化:内省查询通常返回大量数据,禁用它们可以减少服务器负载
- 最小权限原则:生产环境通常只需要执行业务查询,不需要模式探索功能
新扩展的使用方式
在0.272.0版本之前,禁用内省查询需要通过AddValidationRules扩展来实现,这需要开发者编写额外的验证规则代码。新版本提供的DisableIntrospection扩展简化了这一过程:
import strawberry
from strawberry.extensions import DisableIntrospection
@strawberry.type
class Query:
@strawberry.field
def hello(self) -> str:
return "Hello, world!"
schema = strawberry.Schema(
Query,
extensions=[
DisableIntrospection(),
],
)
通过这种方式,开发者只需简单地将扩展添加到Schema配置中,即可禁用所有内省查询功能。
技术实现分析
DisableIntrospection扩展的实现基于GraphQL的验证阶段。当客户端发送查询时,Strawberry会先进行验证,检查查询是否包含内省字段(如__schema或__type)。如果检测到这些字段,扩展会返回错误响应,阻止查询执行。
这种实现方式有以下几个特点:
- 早期拦截:在查询执行前就进行拦截,避免不必要的处理
- 精确匹配:能够准确识别各种形式的内省查询
- 可配置性:未来可以扩展为允许部分内省功能或基于条件的禁用
最佳实践建议
- 开发与生产环境分离:建议在开发环境中保留内省功能,方便API探索;在生产环境中禁用
- 结合其他安全措施:禁用内省只是安全策略的一部分,还应考虑认证、授权、限流等措施
- 文档补充:禁用内省后,确保提供完整的API文档,弥补开发者无法通过内省获取信息的不足
- 渐进式部署:在大规模应用中,可以先在部分节点启用,观察影响后再全面部署
总结
Strawberry 0.272.0版本的DisableIntrospection扩展为GraphQL API的安全管理提供了更便捷的工具。这一改进体现了Strawberry项目对开发者体验和安全性的持续关注。通过简化常用功能的实现方式,Strawberry让开发者能够更专注于业务逻辑的实现,同时保持对API安全性的控制。
对于正在使用或考虑使用Strawberry构建GraphQL服务的团队,建议评估生产环境中内省查询的必要性,并根据实际情况决定是否采用这一新特性。
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-1.5暂无简介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