Apollo Client 测试工具:通过上下文实现自定义 fetch 的实践
2025-05-11 03:13:43作者:温玫谨Lighthearted
在 Apollo Client 的测试实践中,开发团队最近实现了一个创新的测试方案,通过上下文(context)机制来注入自定义的 fetch 实现,从而优化了 GraphQL 请求的测试方式。这种方法相比传统的测试方案有着显著的优势。
传统测试方案的局限性
在之前的 Apollo Client 测试中,开发者通常需要使用特定于测试环境的终止链接(terminating link),如 SchemaLink。这种方式虽然能够工作,但存在几个问题:
- 测试环境与生产环境差异较大,无法真实模拟网络请求行为
- 请求通常是同步执行的,而实际网络请求总是异步的
- 缺乏对网络延迟的模拟,测试结果可能不够准确
新方案的核心思想
新方案的核心在于通过上下文机制注入自定义的 fetch 实现,这种方式能够:
- 将 HttpLink 转换为类似 SchemaLink 的行为,但保持其网络请求的特性
- 完全模拟真实的客户端/服务器交互过程
- 保持请求的异步特性,避免测试中出现不真实的同步行为
关键技术实现
自定义 fetch 实现
通过上下文注入的自定义 fetch 实现,开发者可以:
- 拦截所有 HTTP 请求
- 根据测试需求返回预设的响应
- 保持请求的异步特性
- 添加可配置的网络延迟
网络延迟模拟
新方案特别强调了网络延迟的模拟,这是通过以下方式实现的:
- 可配置的最小/最大响应时间阈值
- 在这些阈值范围内随机生成延迟时间
- 确保测试不会因为固定的、有利的请求时序而通过
这种延迟模拟使得测试环境更接近生产环境,提高了测试结果的可靠性。
方案优势
相比传统测试方案,这种通过上下文注入自定义 fetch 的方法具有以下优势:
- 更真实的测试环境:模拟了实际网络请求的异步特性
- 更好的测试覆盖率:能够发现时序相关的潜在问题
- 更灵活的配置:可以调整延迟参数以适应不同测试场景
- 更一致的测试行为:避免了因固定延迟导致的测试不稳定
实际应用建议
在实际测试中,开发者可以:
- 根据被测功能的特点设置合理的延迟范围
- 针对关键路径测试设置更严格的延迟阈值
- 在持续集成环境中使用随机延迟来发现潜在问题
- 结合其他测试工具验证在各种网络条件下的应用行为
这种测试方案的实现标志着 Apollo Client 测试工具向更真实、更可靠的测试环境迈进了一步,为开发者提供了更好的工具来保证应用质量。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06
项目优选
收起
暂无描述
Dockerfile
767
4.99 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.94 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
686
1.34 K
Ascend Extension for PyTorch
Python
721
892
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
445
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
618
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
2.99 K
637
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253