解决AWS Amplify JS中fetchAuthSession返回undefined的问题
问题背景
在使用AWS Amplify JS库的React项目中,开发者调用fetchAuthSession方法时遇到了返回值为{tokens: undefined, credentials: undefined, identityId: undefined, userSub: undefined}的情况。这个问题特别出现在与Amazon Location Service集成时,需要获取认证凭据的场景下。
问题现象
开发者配置了Amplify的认证和地理位置服务,按照官方文档正确设置了identityPoolId等参数,但在调用fetchAuthSession时始终返回空值。更值得注意的是,开发者发现浏览器网络请求中并没有出现预期的Cognito身份验证请求。
根本原因分析
经过深入排查,发现问题根源在于项目使用的react-scripts版本为4.0.3。这个版本的webpack配置存在对.mjs文件的支持问题。AWS Amplify JS的某些依赖使用了.mjs模块文件,而旧版react-scripts无法正确处理这些文件。
解决方案
-
升级react-scripts:将项目中的
react-scripts升级到5.x.x版本,新版本已经完善了对.mjs文件的支持。 -
替代方案:如果暂时无法升级react-scripts,可以考虑以下方法:
- 使用
react-app-rewired覆盖webpack配置 - 在webpack配置中添加对
.mjs文件的支持规则
- 使用
技术要点
-
.mjs文件:这是ECMAScript模块的专用扩展名,与CommonJS模块系统不同,它支持ES6的模块导入导出语法。
-
AWS Amplify的模块化设计:Amplify v6采用了更模块化的架构,部分功能通过ES模块实现,因此对构建工具的要求更高。
-
认证流程:正常情况下,
fetchAuthSession应该向Cognito身份池发起请求获取临时凭证,这个过程需要前端构建工具正确处理所有依赖模块。
最佳实践建议
-
在使用AWS Amplify JS时,确保项目的基础框架和构建工具保持较新版本。
-
定期检查项目依赖的兼容性,特别是当引入需要特定模块系统支持的功能时。
-
在集成AWS服务时,可以先使用官方提供的示例项目作为基础,逐步添加自定义功能。
总结
这个问题展示了前端构建工具链与现代化JavaScript模块系统之间的兼容性问题。随着JavaScript生态的发展,ES模块正在成为主流,开发者需要确保项目的基础设施能够支持这些新特性。通过升级构建工具或适当配置webpack,可以解决这类模块加载问题,确保AWS Amplify JS的各项功能正常工作。
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