Apollo Client中MockedResponse类型变更的技术解析
背景介绍
在Apollo Client 3.9版本中,MockedResponse类型经历了一次重要的变更,这次变更旨在支持动态匹配mock的功能。然而,这一变更也带来了类型系统上的一些挑战,特别是当开发者尝试将特定类型的MockedResponse传递给接受通用MockedResponse数组的函数时。
类型变更详情
在3.9版本之前,MockedResponse的类型定义相对简单:
export type ResultFunction<T> = () => T;
而在3.9版本中,为了支持动态变量匹配,类型定义被修改为:
export type ResultFunction<T, V = Record<string, any>> = (variables: V) => T;
这一变更使得MockedResponse接口也相应发生了变化:
export interface MockedResponse<TData = Record<string, any>, TVariables = Record<string, any>> {
request: GraphQLRequest<TVariables>;
result?: FetchResult<TData> | ResultFunction<FetchResult<TData>, TVariables>;
}
类型系统挑战
这一变更引入了一个类型系统上的挑战:当开发者尝试将一个特定类型的MockedResponse传递给接受通用MockedResponse数组的函数时,TypeScript会报错。这是因为TVariables现在被用在了一个逆变(contravariant)的位置上,这强制了泛型参数的变型规则。
具体来说,当开发者定义:
const response: MockedResponse<MyDocument, MyVariables> = {...}
然后尝试将其传递给:
function createMockLink(mocks: MockedResponse[]) {...}
TypeScript会报错,指出类型不兼容。这是因为TypeScript无法确定我们只会使用构造时提供的类型安全的变量来调用函数。
临时解决方案
在官方修复之前,开发者可以采用以下临时解决方案:
- 显式使用any类型:
const mocks: MockedResponse<any, any>[] = [...];
- 创建辅助类型减少any的使用范围:
type MockedResponseArray = ReadonlyArray<MockedResponse<Record<string, any>, any>>;
官方修复方案
Apollo Client团队提出了一个修复方案,通过调整类型定义来解决这个问题:
interface MockedResponse<TData extends Record<string, any> = any, TVariables extends Record<string, any> = any> {
request: GraphQLRequest<TVariables>;
result?: FetchResult<TData> | ResultFunction<FetchResult<TData>, TVariables>;
variableMatcher?: VariableMatcher<TVariables>;
newData?: ResultFunction<FetchResult<TData>, TVariables>;
}
这一修改既保留了类型安全性,又恢复了将特定类型MockedResponse传递给通用MockedResponse数组的能力。
最佳实践建议
- 当升级到Apollo Client 3.9或更高版本时,注意检查所有MockedResponse相关的类型定义
- 考虑使用辅助类型来集中处理any类型的使用
- 及时更新到包含修复的版本,以获得更好的类型体验
总结
Apollo Client 3.9中对MockedResponse类型的变更是为了支持更强大的动态mock匹配功能,虽然带来了短期的类型系统挑战,但通过团队和社区的共同努力,这一问题已经得到了妥善解决。理解这些类型变更背后的原理,有助于开发者更好地利用Apollo Client的mock功能进行测试。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00