Apollo Client中useMutation和useLazyQuery的类型安全问题解析
2025-05-11 07:51:42作者:滕妙奇
在Apollo Client的最新版本开发中,团队发现并修复了一个关于useMutation和useLazyQuery钩子函数的类型安全问题。这个问题主要涉及在使用TypeScript和TypedDocumentNode时,变量传递的类型检查不够完善。
问题背景
在Apollo Client的文档中,useMutation和useLazyQuery都支持两种方式传递变量:
- 作为钩子本身的选项参数
- 作为执行函数(mutate或execute)的参数
理论上,这两种方式应该支持变量合并,即执行函数可以覆盖钩子中定义的默认变量值。然而,在使用TypeScript和TypedDocumentNode时,类型系统会强制要求在所有地方都提供完整的变量对象,即使某些变量已经在钩子选项中定义。
具体表现
以一个添加人员的mutation为例:
mutation AddPerson($name: String, $title: String) {
addPerson(name: $name, title: $title) {
node {
id
name
title
}
}
}
在TypeScript中尝试以下用法时会出现类型错误:
const [addEngineer] = useMutation(TYPED_DOCUMENT_NODE, {
variables: {
title: 'Engineer' // 缺少name字段的类型错误
}
});
useEffect(() => addEngineer({
variables: { name: 'Alvin' } // 缺少title字段的类型错误
}), []);
尽管这种用法在运行时能正常工作(通过any类型强制绕过类型检查),但类型系统无法正确理解变量合并的语义。
解决方案
Apollo Client团队在4.0版本中对这个问题进行了重大改进:
-
对于
useMutation:- 现在会正确检查必需变量是否在钩子选项或执行函数中提供
- 在钩子选项中定义的变量在执行函数中变为可选
- 确保所有必需变量最终都会被提供
-
对于
useLazyQuery:- 移除了钩子选项中的variables参数
- 现在要求所有变量必须通过execute函数传递
- 改进了类型检查,确保必需变量不会被意外遗漏
技术决策背后的考量
团队在解决这个问题时做出了几个重要决策:
-
简化变量传递方式:特别是对于
useLazyQuery,移除了钩子选项中的variables参数,避免了变量生效时机的歧义。 -
类型安全优先:确保开发者在编译时就能发现变量缺失的问题,而不是等到运行时。
-
一致性:使API行为更加一致和可预测,减少开发者的认知负担。
升级建议
对于现有项目,建议:
- 逐步迁移到新的变量传递方式
- 检查所有
useLazyQuery调用,确保变量都通过execute函数传递 - 利用改进的类型检查发现潜在的问题
这些改进将在Apollo Client 4.0中正式发布,目前可以通过alpha版本提前体验。团队鼓励开发者提供反馈,帮助进一步完善这些变更。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218