openapi-typescript 0.10.0 版本升级中的 fetch 请求问题解析
在升级 openapi-typescript 到 0.10.0 版本时,开发者可能会遇到一个特定的错误:"Failed to execute 'fetch' on 'Window': The duplex member must be specified for a request with a streaming body"。这个问题主要出现在浏览器环境中,特别是使用 Chromium 内核的浏览器(如 Chrome 和 Edge),而在 Firefox 中却能正常工作。
问题根源
这个问题的本质在于 openapi-fetch 库在 0.10.0 版本中对 fetch 请求的处理方式发生了变化。新版本中,库会将 Request 对象实例直接传递给 fetch 方法作为第二个参数,而不是传递一个普通的配置对象。
根据 Fetch API 规范,当使用 Request 对象作为 fetch 的第二个参数时,如果请求体是可读流(streaming body),Chrome 会严格要求必须指定 duplex 参数。这是 Chrome 特有的实现行为,Safari 会有不同的相关错误,而 Firefox 则能自动处理这种情况。
技术背景
duplex 是 Fetch API 的一个相对较新的属性,用于指示请求是半双工还是全双工通信。在流式传输请求体时,明确指定这个参数有助于浏览器优化网络处理。
在 openapi-fetch 0.10.0 版本中,这个变化原本是为了更好地支持第三方自定义 fetch 实现,但无意中引入了对 Chrome 的兼容性问题。
解决方案
目前有两种临时解决方案:
- 手动为请求添加
duplex属性:
// 在中间件中修改请求
onRequest: ({ request }) => {
request.duplex = 'half'; // 明确指定半双工模式
return request;
}
- 回退到 0.9.0 版本,等待官方修复。
最佳实践建议
对于使用 openapi-typescript/openapi-fetch 的开发者,建议:
- 在升级到 0.10.0 版本前,充分测试所有 API 请求
- 特别注意浏览器环境中的 POST 请求
- 考虑为所有流式请求显式设置
duplex参数 - 关注官方更新,及时应用修复版本
总结
这个案例很好地展示了前端开发中浏览器兼容性问题的重要性。即使是遵循规范的变更,也可能因为不同浏览器引擎的实现差异而导致问题。作为开发者,我们需要:
- 理解底层 API 规范
- 了解不同浏览器的实现差异
- 建立完善的跨浏览器测试机制
- 谨慎对待依赖库的版本升级
openapi-typescript 团队已经确认这个问题,并计划在后续版本中修复,同时会增强测试覆盖以避免类似情况再次发生。
kernelopenEuler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。C030
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