Silverbullet项目中fetch API在客户端与服务端的差异问题解析
在Silverbullet项目开发过程中,开发者遇到了一个关于fetch API行为差异的有趣问题。本文将深入分析该问题的技术背景、解决方案以及相关的最佳实践建议。
问题现象
当在Silverbullet插件中使用fetch发起POST请求时,出现了客户端与服务端行为不一致的情况:
- 客户端浏览器中:请求正常发送,body参数正确传递
- 服务端运行时:body参数神秘消失,请求不完整
通过mitmproxy工具进行抓包分析,确认了客户端请求包含body而服务端请求确实丢失了body参数。
技术背景
Silverbullet项目为了实现某些功能,对原生的fetch API进行了monkey patch处理,包括对请求体进行base64编码/解码的转换逻辑。理论上这些处理对开发者应该是透明的,但在实际运行中却出现了问题。
解决方案
项目维护者提供了两种解决思路:
-
使用nativeFetch替代
项目提供了专门的nativeFetch实现,它绕过了monkey patch处理:import "$sb/lib/native_fetch.ts"; const response = await nativeFetch(url, options);这种方式在测试中表现良好,适用于大多数LLM服务提供商(如OpenAI)已正确设置CORS头的情况。
-
服务端函数代理
对于不支持CORS的API(如Anthropic),可以采用服务端代理方案:- 创建带有
env: server标记的插件函数 - 在函数内执行fetch操作
- 通过
system.invokeFunction从客户端调用该函数
- 创建带有
深入分析
monkey patch的问题
项目中的monkey patch机制虽然旨在提供额外功能,但也带来了以下挑战:
- 增加了调试难度
- 可能导致不可预期的行为差异
- 对某些特殊请求处理不够完善
流式响应处理
值得注意的是,当使用SSE.js等库处理流式响应时,它们会直接使用XMLHttpRequest而非fetch API,这完全绕过了monkey patch机制。
最佳实践建议
-
优先使用nativeFetch
对于常规API调用,特别是与LLM服务交互时,nativeFetch是更可靠的选择。 -
服务端代理模式
当遇到CORS限制时,采用服务端函数代理是可行的解决方案,但需要注意:- 同步模式下无法工作
- 会增加一定的网络延迟
-
考虑移除monkey patch
长期来看,简化fetch处理逻辑可能提高系统稳定性,但这需要评估对现有功能的影响。
总结
Silverbullet项目中fetch API的差异问题揭示了底层封装可能带来的复杂性。通过nativeFetch和服务端代理两种方案,开发者可以根据具体场景选择最适合的解决方案。这也提醒我们在框架设计中,需要权衡功能增强与API透明性之间的关系。
随着项目的演进,这个问题在v2版本中已经得到统一处理,为开发者提供了更一致的体验。
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