Pothos中Scope Auth Plugin的正确使用方式
在使用Pothos GraphQL框架的Scope Auth插件时,开发者可能会遇到一个常见的类型问题:当尝试基于授权范围改变上下文类型时,resolve函数中的上下文类型没有按预期变化。本文将深入分析这个问题及其解决方案。
问题现象
在Schema构建过程中,开发者定义了基础上下文类型Context和扩展上下文类型SomeScopeContext,并配置了授权范围。但在resolve函数中,上下文参数的类型仍然是基础的Context类型,而不是预期的SomeScopeContext类型。
原因分析
出现这个问题的根本原因是开发者没有正确使用authField方法。Scope Auth插件需要通过authField方法来处理授权逻辑和上下文类型的转换,而不是直接在常规的字段定义中使用authScopes选项。
正确实现方式
以下是修正后的代码示例:
import SchemaBuilder from "@pothos/core";
import ScopeAuthPlugin from "@pothos/plugin-scope-auth";
interface Context { a: string }
interface SomeScopeContext extends Context { b: string }
const builder = new SchemaBuilder<{
AuthScopes: {
someScope: boolean;
};
Context: Context;
AuthContexts: {
someScope: SomeScopeContext;
};
}>({
plugins: [ScopeAuthPlugin],
authScopes: async (context) => {
return { someScope: true };
},
});
builder.queryFields((t) => ({
hello: t.authField({
type: "String",
authScopes: {
someScope: true,
},
resolve: async (parent, args, {a, b}) => {
return "test";
},
}),
}));
关键点说明
-
使用authField替代常规字段定义:Scope Auth插件需要通过
t.authField方法来处理授权逻辑,这样才能正确应用上下文类型的转换。 -
类型系统集成:当使用
authField时,插件会根据authScopes配置自动推断resolve函数中的上下文类型。如果someScope为true,则上下文类型会自动变为SomeScopeContext。 -
字段类型定义:在
authField中,需要通过type属性指定字段的GraphQL类型,而不是像常规字段那样直接使用类型方法。
最佳实践建议
-
始终为需要授权控制的字段使用
authField方法。 -
明确定义所有可能的授权上下文类型,确保类型系统能够正确推断。
-
在团队开发中,建立统一的授权模式使用规范,避免混淆
authField和常规字段定义。
通过遵循这些实践,开发者可以充分利用Pothos Scope Auth插件的强大功能,构建类型安全且易于维护的授权系统。
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