AWS Amplify JS 在 Next.js 中的服务端 Cookie 行为解析
核心问题概述
AWS Amplify JS 的 Next.js 适配器(@aws-amplify/adapter-nextjs)在处理认证会话时,服务端设置的 Cookie 会采用默认属性值。这一行为在实际应用中可能导致客户端配置的 CookieStorage 与服务端设置的 Cookie 属性不匹配,进而引发认证流程中的异常情况。
技术背景
在 Next.js 应用中,当使用 AWS Amplify 进行认证时,通常会涉及两种环境下的 Cookie 操作:
- 客户端环境:通过 cognitoUserPoolsTokenProvider.setKeyValueStorage 配置自定义 Cookie 属性
- 服务端环境:在执行 fetchAuthSession 等操作时自动设置 Cookie
问题现象
当服务端触发 token 刷新时,会设置带有默认属性的 Cookie。如果客户端配置了特定的 Cookie 属性(如 domain、secure、path 等),这些服务端设置的 Cookie 可能无法被客户端正确管理。具体表现为:
- 登出操作时无法清除服务端设置的 Cookie
- 残留的过期 Cookie 导致重复触发 tokenRefresh_failure 事件
- 用户可能因此陷入无法登录的状态
解决方案演进
AWS Amplify 团队对此问题进行了两阶段的改进:
第一阶段:文档说明
最初版本中,文档仅提到服务端 fetchAuthSession 可能将认证令牌返回给客户端,但未明确说明服务端 Cookie 属性不可定制的问题。
第二阶段:功能增强
在 aws-amplify@6.13.1 和 @aws-amplify/adapter-nextjs@1.5.1 版本中,引入了服务端 Cookie 属性自定义功能。开发者现在可以通过 createServerRunner 工厂函数的 runtimeOptions 参数来配置服务端的 Cookie 属性。
最佳实践示例
以下是如何在 Next.js 应用中统一客户端和服务端 Cookie 配置的示例:
// 客户端配置
'use client';
import { Amplify } from 'aws-amplify';
import { cognitoUserPoolsTokenProvider } from 'aws-amplify/auth/cognito';
import { CookieStorage } from 'aws-amplify/utils';
Amplify.configure(amplifyConfig, { ssr: true });
cognitoUserPoolsTokenProvider.setKeyValueStorage(
new CookieStorage({
domain: "example.com",
secure: true,
path: '/',
sameSite: 'lax',
expires: 30,
}),
);
// 服务端配置
import { createServerRunner } from '@aws-amplify/adapter-nextjs';
export const { runWithAmplifyServerContext } = createServerRunner({
config: outputs,
runtimeOptions: {
cookies: {
domain: "example.com",
maxAge: 2592000, // 30天
sameSite: "lax",
},
},
});
注意事项
- secure 属性目前不能直接通过配置控制
- 服务端和客户端的 Cookie 配置应保持一致
- 在升级版本时,需要同时更新客户端和服务端的配置
总结
AWS Amplify JS 对 Next.js 的支持不断完善,服务端 Cookie 行为的明确和可配置性增强,使得开发者能够更好地控制认证流程。理解这一机制对于构建稳定可靠的认证系统至关重要,特别是在需要服务端渲染和客户端交互协同工作的场景下。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00