up-fetch v2.0.0 发布:现代化请求库的重大升级
up-fetch 是一个基于原生 fetch API 构建的轻量级请求库,它通过提供简洁的配置方式和强大的扩展能力,帮助开发者更高效地处理 HTTP 请求。近日,该项目发布了 2.0.0 版本,带来了多项重要改进和新特性,标志着该库在功能和稳定性上迈上了一个新台阶。
核心特性增强
内置重试机制
在分布式系统中,网络请求失败是常见现象。up-fetch v2.0.0 引入了内置的重试机制,开发者可以轻松配置重试条件和策略:
const fetcher = up(fetch, () => ({
retry: {
when: (ctx) => ctx.response?.ok === false, // 重试条件
attempts: 3, // 最大重试次数
delay: 1000, // 重试间隔
},
}))
这种声明式的配置方式使得处理瞬态故障变得异常简单,特别适合在微服务架构或移动网络环境下使用。
进度追踪与流式处理
现代应用经常需要处理大文件上传下载,进度反馈对用户体验至关重要。新版本提供了全面的进度追踪能力:
upfetch('/download', {
onResponseStreaming: ({ transferredBytes, totalBytes }) => {
console.log(`下载进度: ${transferredBytes}/${totalBytes}`)
},
onRequestStreaming: ({ transferredBytes, totalBytes }) => {
console.log(`上传进度: ${transferredBytes}/${totalBytes}`)
},
})
这个特性底层基于 ReadableStream API 实现,不仅支持进度显示,还能与流式处理完美结合。
架构优化
生命周期钩子重构
v2.0.0 对生命周期钩子进行了重新设计,使其更加符合现代前端开发习惯:
upfetch('/api/data', {
onRequest(request) {
console.log('请求发出前:', request.url)
},
onSuccess(data, request) {
console.log('请求成功:', request.method, data)
},
onError(error) {
if(isResponseError(error)) {
console.error('服务器错误:', error.request.url)
}
}
})
这种设计将请求上下文统一为标准的 Request 对象,与 Web 平台规范保持一致,降低了学习成本。
异步配置支持
考虑到现代应用普遍需要异步获取配置(如从本地存储读取 JWT),新版本全面支持异步配置:
const fetcher = up(fetch, async () => {
const token = await secureStorage.get('auth_token')
return {
headers: { Authorization: `Bearer ${token}` },
}
})
这个改进使得在服务端渲染(SSR)或渐进式Web应用(PWA)中使用 up-fetch 更加自然。
破坏性变更与迁移指南
虽然 v2.0.0 包含一些破坏性变更,但大多数只影响高级用法。主要变更包括:
-
选项重命名:
throwResponseError→rejectparseResponseError→parseRejected
-
回调参数标准化: 所有回调现在接收标准 Request 对象而非解析后的选项,提高了与浏览器API的一致性。
迁移示例:
// v1 版本
up(fetch, () => ({
onSuccess: (data, options) => useStore.set(options.input, data)
}))
// v2 版本
up(fetch, () => ({
onSuccess: (data, request) => useStore.set(request.url, data)
}))
技术实现亮点
错误处理改进
新版本对 ValidationError 进行了优化,错误信息更加清晰可读。当请求被拒绝时,错误对象会包含完整的请求上下文:
try {
await upfetch('/protected')
} catch (error) {
if(isResponseError(error)) {
console.error(`请求 ${error.request.method} ${error.request.url} 失败`)
console.error('状态码:', error.response.status)
}
}
类型系统增强
TypeScript 类型定义得到了全面优化,现在能更准确地推断响应数据类型:
const getUser = upfetch('/user/:id', {
parseResponse: (res) => res.json() as Promise<User>
})
// 自动推断返回类型为 User
const user = await getUser({ params: { id: '123' } })
总结
up-fetch v2.0.0 通过引入重试机制、进度追踪等企业级功能,同时优化了API设计和类型系统,使其成为一个更加成熟的前端请求解决方案。虽然包含一些破坏性变更,但迁移成本较低,且新版本提供了更符合现代Web开发习惯的API设计。对于正在寻找比axios更轻量、比原生fetch更强大的HTTP客户端的团队,up-fetch v2.0.0 值得考虑。
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