OpenAPI-TS 项目中关于流式请求体必须指定duplex参数的解决方案
在开发基于OpenAPI规范的TypeScript客户端时,开发者可能会遇到一个特定的错误:"The duplex member must be specified for a request with a streaming body"。这个问题主要出现在使用openapi-fetch库进行POST请求时,特别是在Chrome浏览器环境中。
问题现象
当开发者尝试使用openapi-fetch库发送一个包含简单JSON对象的POST请求时,Chrome浏览器会抛出上述错误。有趣的是,这个问题在Firefox中不会出现,表明这是一个浏览器特定的实现差异。
典型的错误场景如下:
client.POST('/api/endpoint', {
body: { key: 'value' }
})
技术背景
这个问题的根源在于现代浏览器对Fetch API的实现差异。Chrome在125版本及以后对包含流式请求体的fetch请求实施了更严格的检查,要求必须显式设置duplex参数。
duplex是Fetch API的一个相对较新的选项,它定义了请求体的传输模式。对于流式请求体,必须明确指定duplex: 'half',以表明这是一个半双工通信(数据只能单向流动)。
解决方案
在openapi-typescript项目的0.10.0版本中,这个问题已经得到修复。解决方案的核心是在内部fetch调用中为流式请求体自动添加duplex: 'half'参数。
对于开发者来说,有几种应对方案:
-
升级到最新版本:最简单的解决方案是将openapi-fetch升级到0.10.0或更高版本。
-
手动添加duplex参数:如果暂时无法升级,可以在创建客户端时通过配置添加:
const client = createClient<paths>({
baseUrl: '/api',
fetch: (input, init) => {
if (init?.body && typeof init.body !== 'string') {
init.duplex = 'half';
}
return fetch(input, init);
}
});
- 使用字符串化的请求体:另一种变通方法是确保请求体已经是字符串形式:
client.POST('/api/endpoint', {
body: JSON.stringify({ key: 'value' })
})
技术细节
这个问题的出现揭示了现代Web开发中几个重要的技术点:
-
浏览器兼容性差异:不同浏览器对Web标准的实现可能存在细微差别,开发者需要特别注意。
-
流式请求处理:随着Web应用复杂度的提升,流式数据处理变得越来越常见,相关的API也在不断演进。
-
类型安全与自动化:openapi-fetch这类工具通过OpenAPI规范自动生成类型安全的客户端,大大提高了开发效率,但也需要处理底层API的变化。
最佳实践
为了避免类似问题,建议开发者:
- 保持依赖库的最新版本
- 在跨浏览器测试中特别关注API调用
- 对于关键业务接口,考虑添加适当的错误处理和回退机制
- 关注Web标准的发展,特别是Fetch API的更新
通过理解这个问题的本质和解决方案,开发者可以更好地构建健壮的Web应用程序,避免因浏览器实现差异导致的意外错误。
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