GraphQL-WS v6.0.0 重大更新解析:WebSocket 订阅协议的全新升级
GraphQL-WS 是一个专门为 GraphQL 订阅功能设计的 WebSocket 协议实现库,它提供了服务端和客户端的完整解决方案。该库通过 WebSocket 连接实现了 GraphQL 的实时数据推送能力,是构建实时应用的理想选择。最新发布的 v6.0.0 版本带来了多项重大改进和优化,下面我们将详细解析这些变化。
核心架构改进
本次升级对库的整体架构进行了优化,最显著的变化是移除了 /lib/ 路径的导入方式,使导入路径更加简洁。例如,原来的 graphql-ws/lib/use/ws 现在简化为 graphql-ws/use/ws。这种改进不仅减少了代码量,也使 API 更加直观。
依赖关系调整
v6.0.0 对依赖关系进行了重大调整:
- 移除了对
wsv7 的支持,现在仅支持 v8 版本 - 弃用了
fastify-websocket的支持,推荐使用@fastify/websocket - 将最低支持的 Node.js 版本提升至 v20
- 将
graphql的最低支持版本设置为 ^15.10.1 和 ^16
这些调整确保了库能够利用最新运行时环境的特性和性能优化。
API 重大变更
上下文对象重构
在 @fastify/websocket 集成中,WebSocket 对象在上下文中的引用从 ctx.extra.connection 更名为 ctx.extra.socket,这一变更使命名更加符合语义。
钩子函数简化
所有钩子函数(如 schema、context、onSubscribe 等)不再接收完整的消息对象,而是只接收相关的部分数据。这种设计减少了不必要的序列化操作,提高了性能。例如:
// 旧版
onSubscribe(ctx, message) {
const id = message.id;
const payload = message.payload;
}
// 新版
onSubscribe(ctx, id, payload) {
// 直接使用 id 和 payload
}
错误处理增强
现在,订阅迭代器中抛出的错误会被自动捕获,并通过 ErrorMessage 进行报告,而不是直接终止整个 WebSocket 连接。这一改进使得错误处理更加优雅,符合 GraphQL 规范的最新建议。
客户端优化
客户端现在实现了真正的零依赖,即使在非浏览器环境中使用客户端功能,也不再需要 graphql 作为对等依赖。可以通过 graphql-ws/client 路径导入纯客户端功能:
import { createClient } from 'graphql-ws/client';
废弃功能移除
v6.0.0 移除了多个已弃用的 API:
- 移除了
isMessage,推荐使用validateMessage替代 - 移除了
isFatalConnectionProblem,推荐使用shouldRetry替代
这些变更使 API 更加一致和清晰。
类型系统改进
对类型系统进行了多项优化:
ErrorMessage现在使用GraphQLFormattedError类型NextMessage现在使用FormattedExecutionResult类型- 各钩子函数的参数类型更加精确
这些改进提供了更好的类型安全性和开发体验。
总结
GraphQL-WS v6.0.0 是一个重大的版本更新,带来了架构上的多项改进和优化。通过简化 API、增强错误处理、优化类型系统等改进,这个版本为开发者提供了更强大、更稳定的 WebSocket GraphQL 订阅实现。对于现有项目,虽然需要一定的迁移工作,但这些变更将为应用带来更好的性能和更清晰的代码结构。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00