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。
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