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。
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-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