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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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