Ariadne Codegen 使用指南
1. 项目介绍
Ariadne Codegen 是一个用于生成完全类型化的 Python GraphQL 客户端的代码生成器。它通过读取 GraphQL 模式、查询和变更,生成一个包含异步方法的 Python 包,使得与任何 GraphQL API 的交互变得更加简单和类型安全。
主要特性
- 从 GraphQL 模式生成 Pydantic 模型。
- 为 GraphQL 结果生成 Pydantic 模型。
- 生成包含每个 GraphQL 操作的异步方法的客户端包。
- 支持插件系统,允许进一步定制和微调生成的 Python 代码。
2. 项目快速启动
安装
首先,使用 pip 安装 Ariadne Codegen:
pip install ariadne-codegen
配置
在项目的 pyproject.toml 文件中添加以下配置:
[tool.ariadne-codegen]
schema_path = "schema.graphql"
queries_path = "queries.graphql"
生成客户端
运行以下命令生成 GraphQL 客户端:
ariadne-codegen
使用生成的客户端
生成的客户端包默认名为 graphql_client,可以通过以下方式导入和使用:
from graphql_client import Client
async def fetch_data():
client = Client(url="https://example.com/graphql")
result = await client.query("GetHello")
print(result.hello)
3. 应用案例和最佳实践
案例:生成 Saleor 客户端
假设你正在开发一个与 Saleor 集成的 Python 服务,可以使用 Ariadne Codegen 生成 Saleor 客户端。
-
定义查询:在
queries.graphql文件中定义查询。query GetProduct($id: ID!) { product(id: $id) { id name price } } -
生成客户端:运行
ariadne-codegen生成客户端。 -
使用客户端:在 Python 代码中使用生成的客户端。
from graphql_client import Client async def get_product(product_id): client = Client(url="https://saleor.cloud/graphql/") result = await client.get_product(id=product_id) return result.product
最佳实践
- 保持查询简洁:避免在单个查询中请求过多的字段,以提高性能。
- 使用插件:根据需要使用插件来定制生成的代码。
- 版本控制:将生成的客户端代码纳入版本控制,以便跟踪变更。
4. 典型生态项目
1. Pydantic
Pydantic 是 Ariadne Codegen 生成代码的基础,用于定义和验证数据模型。Pydantic 提供了强大的类型提示和数据验证功能,使得生成的客户端代码更加健壮。
2. Httpx
Httpx 是 Ariadne Codegen 默认使用的 HTTP 客户端库,支持异步请求。Httpx 提供了现代化的 API,使得与 GraphQL API 的交互更加简单和高效。
3. Websockets
对于需要处理 GraphQL 订阅的场景,Ariadne Codegen 生成的客户端默认使用 Websockets 进行实时通信。
4. OpenTelemetry
Ariadne Codegen 支持 OpenTelemetry,可以通过配置启用性能跟踪,帮助你监控和优化 GraphQL 客户端的性能。
通过这些生态项目的支持,Ariadne Codegen 能够提供一个功能强大且易于扩展的 GraphQL 客户端生成解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00