React Query 中 Mutation Filters 的正确使用方式
在 React Query 的文档中,Mutation Filters 是一个非常有用的功能,它允许开发者根据特定条件筛选出当前正在进行的 mutation 操作。然而,文档中关于 predicate 函数的使用示例存在一个容易忽略但重要的错误。
问题背景
Mutation Filters 的 predicate 函数接收一个 mutation 对象作为参数,开发者可以通过这个对象获取 mutation 的各种状态信息。文档中给出的示例代码试图通过 mutation.options.variables 来访问 mutation 的变量数据,但实际上这是不正确的访问方式。
正确的访问方式
经过对 React Query 源码的分析,我们发现 mutation 的变量实际上是存储在 state 属性中,而不是 options 属性中。因此,正确的访问方式应该是:
await queryClient.isMutating({
predicate: (mutation) => mutation.state.variables?.id === 1,
})
技术细节解析
-
Mutation 对象结构:在 React Query 中,每个 mutation 对象包含多个属性,其中
state属性存储了 mutation 的当前状态信息,包括 variables、data、error 等。 -
options 属性:虽然 mutation 确实有 options 属性,但它主要包含的是 mutation 的配置信息,如 mutationKey、retry 设置等,而不包含实际的变量数据。
-
类型安全:在使用 TypeScript 时,错误的访问方式会导致类型错误,因为 TypeScript 类型定义中明确显示 variables 存在于 state 而非 options 中。
实际应用建议
在实际开发中使用 Mutation Filters 时,建议:
- 始终通过
mutation.state访问 mutation 的状态数据 - 对于变量数据,使用
mutation.state.variables - 结合 TypeScript 的类型提示可以避免这类错误
- 在团队开发中,可以将正确的访问方式封装为工具函数或自定义 hook
总结
这个文档错误虽然看起来很小,但却可能导致开发者在实际使用中遇到困惑和错误。理解 React Query 内部数据结构的设计理念对于正确使用其 API 非常重要。Mutation 的状态数据存储在 state 属性中这一设计,与 React Query 的整体架构思想是一致的,即保持配置(options)和状态(state)的清晰分离。
通过这个案例,我们也看到即使是官方文档也可能存在需要修正的地方,作为开发者,在遇到问题时查阅源码往往能快速找到正确答案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00