Spring GraphQL 1.3.5版本发布:增强订阅支持与错误处理优化
Spring GraphQL项目发布了1.3.5版本,这是一个维护性更新版本,主要针对GraphQL订阅功能、错误处理和测试工具进行了多项改进。作为Spring生态系统中的GraphQL实现框架,Spring GraphQL提供了与Spring Boot无缝集成的能力,让开发者可以轻松构建基于GraphQL的API服务。
订阅功能增强
本次更新对GraphQL订阅功能进行了重要改进。在之前的版本中,当使用graphql-java-extended-validation扩展验证指令时,订阅操作可能会抛出IllegalStateException而不是预期的验证错误。1.3.5版本修复了这个问题,现在会正确返回验证错误信息,使得订阅功能的错误处理更加规范。
此外,GraphQlTester现在能够正确处理订阅操作中的扩展字段。测试工具的这一改进使得开发者可以更方便地验证包含扩展字段的订阅响应,提升了测试的完整性和便利性。
测试工具改进
GraphQlTester.Response接口新增了对扩展字段的支持。在GraphQL响应中,扩展字段(extensions)常用于返回额外的元数据信息。1.3.5版本之前,测试工具无法直接访问这些扩展字段,开发者需要通过其他方式验证这部分内容。现在,通过Response接口可以直接获取和验证扩展字段,大大简化了测试代码的编写。
错误处理优化
本次更新修复了几个重要的错误处理问题:
-
当HTTP请求包含无效的"Content-Type"头时,框架现在会正确处理而不是返回500错误。这一改进使得API对客户端请求的容错性更强。
-
修复了取消信号未从传输层传播到响应式控制器方法的问题。在之前的版本中,当客户端取消请求时,后端处理可能不会及时终止。现在取消信号能够正确传播,提高了资源利用效率。
-
改进了对GraphQL Relay规范中非空"edges"列表类型的支持。现在框架能够正确处理这种类型的定义,避免了潜在的类型检查错误。
依赖项升级
1.3.5版本同步升级了多个核心依赖:
- Context Propagation升级至1.1.3版本
- Micrometer升级至1.13.13版本
- Reactor升级至2023.0.17版本
- Spring Framework升级至6.1.19版本
这些依赖升级带来了性能改进和bug修复,同时保持了与Spring生态系统的兼容性。
文档改进
本次更新还修复了代码生成文档页面被截断的问题,确保开发者能够获取完整的代码生成相关信息。良好的文档对于框架的采用至关重要,这一改进有助于降低新用户的学习曲线。
总结
Spring GraphQL 1.3.5版本虽然是一个维护性更新,但在订阅功能、错误处理和测试工具方面都做出了有价值的改进。这些变化使得框架更加稳定和易用,特别是在处理复杂订阅场景和错误情况时表现更佳。对于正在使用Spring GraphQL的团队,建议评估升级到这个版本以获取这些改进带来的好处。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00