gql 4.0.0 beta版本发布:GraphQL客户端重大升级
项目简介
gql是Python生态中一个功能强大的GraphQL客户端库,它提供了与GraphQL服务器交互的完整解决方案。作为一个全功能的GraphQL客户端,gql支持查询、变更、订阅等所有GraphQL操作类型,并提供了多种传输层实现,包括HTTP、WebSocket等。该项目特别注重对异步编程的支持,与Python的asyncio生态深度集成。
4.0.0 beta版本核心变更
请求传输机制重构
本次版本最重大的变化是彻底重构了请求传输机制,引入了GraphQLRequest对象作为核心数据结构。在之前的版本中,开发者需要分别传递文档节点(DocumentNode)、变量值和操作名称三个参数。现在,这三个组件被封装在一个GraphQLRequest对象中,使得API更加整洁和一致。
这种改变带来了几个显著优势:
- 代码组织更加清晰,相关参数被自然地分组在一起
- 减少了方法签名长度,降低了API复杂度
- 为批量请求等高级功能提供了更好的基础支持
文件上传接口改进
文件上传功能得到了显著改进,引入了专门的FileVar类来处理文件上传。虽然旧的上传方式仍然可用,但已被标记为废弃。新的FileVar类提供了更明确和类型安全的方式来处理文件上传,减少了潜在的错误。
订阅任务取消处理优化
在订阅任务取消时的异常处理得到了改进。之前版本会吞没asyncio.CancelledError异常,现在这些异常会正常抛出,开发者需要自行处理这些取消异常。这种改变使得取消行为更加符合Python异步编程的预期。
连接失败异常封装
现在gql会捕获依赖库抛出的异常,并将其封装为TransportConnectionFailed异常。这种统一的异常处理机制使得错误处理更加一致和可靠,开发者可以更容易地识别和处理连接问题。
重要新功能:批量请求支持
4.0.0版本引入了完整的批量请求支持,这是本次更新的一个重要亮点。批量请求允许将多个GraphQL操作合并为单个HTTP请求发送到服务器,可以显著减少网络开销和提高性能。
新版本提供了两种批处理方式:
- 显式批处理:通过
execute_batch方法手动执行批量操作 - 自动批处理:框架自动将短时间内发出的多个请求合并为批量请求
这种批处理机制不仅适用于异步传输层,也适用于同步传输层,为不同类型的应用场景提供了灵活性。
其他改进
日志记录级别现在统一设置为DEBUG,为开发者提供了更详细的调试信息。同时,内省查询现在默认会请求已弃用的输入字段,确保向后兼容性。
迁移建议
对于现有项目升级到4.0.0版本,开发者需要注意以下几点:
- 所有使用
gql或dsl_gql的地方需要检查返回值处理,现在返回的是GraphQLRequest而非DocumentNode - 文件上传代码应迁移到使用新的
FileVar类 - 订阅代码需要添加对
asyncio.CancelledError的处理 - 异常处理代码可能需要调整以适应新的异常封装机制
这个beta版本标志着gql库的一个重要里程碑,为GraphQL客户端开发提供了更强大、更一致的基础设施。虽然包含了一些破坏性变更,但这些改进为未来的功能扩展和性能优化奠定了坚实基础。
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。C028
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