Strawberry GraphQL 0.265.0版本发布:支持泛型联合类型
Strawberry是一个基于Python的类型安全GraphQL库,它允许开发者使用Python的类型注解来定义GraphQL schema。这个库最大的特点是能够将Python类型系统与GraphQL类型系统无缝衔接,让开发者可以用熟悉的Python语法来构建GraphQL API。
在最新发布的0.265.0版本中,Strawberry引入了一个重要特性:支持在泛型类中使用strawberry.union。这个改进让开发者能够更灵活地定义GraphQL联合类型,特别是在处理泛型查询时。
泛型联合类型的新支持
在之前的版本中,当开发者尝试在泛型类中使用联合类型时,会遇到类型命名和解析的问题。新版本解决了这个问题,使得以下代码模式成为可能:
@strawberry.type
class ObjectQueries[T]:
@strawberry.field
def by_id(
self, id: strawberry.ID
) -> Union[T, Annotated[NotFoundError, strawberry.union("ByIdResult")]]: ...
@strawberry.type
class Query:
@strawberry.field
def some_type_queries(self, id: strawberry.ID) -> ObjectQueries[SomeType]: ...
在这个例子中,ObjectQueries是一个泛型类,它定义了一个by_id字段,该字段返回一个联合类型。这个联合类型由泛型参数T和一个错误类型NotFoundError组成,并通过strawberry.union指定了结果类型的名称为"ByIdResult"。
新版本的关键改进在于,当这个泛型类被具体化为ObjectQueries[SomeType]时,Strawberry能够正确地生成联合类型名称SomeTypeByIdResult,而不是简单地使用泛型参数名T。
技术实现解析
这一改进背后的技术挑战主要在于类型系统的处理和名称生成。Strawberry需要:
- 在泛型类被具体化时识别出联合类型的定义
- 将泛型参数的实际类型信息合并到联合类型的名称中
- 确保生成的GraphQL schema中的类型名称既符合GraphQL规范,又能清晰地表达类型关系
这种处理方式使得类型系统更加灵活,同时保持了类型安全性。开发者现在可以创建可重用的查询模板,这些模板能够根据不同的实体类型自动生成正确的GraphQL类型定义。
实际应用场景
这个特性在构建GraphQL API时特别有用,尤其是当需要为多种实体类型提供相似的查询接口时。例如:
- 电商系统中不同商品类型的查询
- CMS系统中不同内容类型的检索
- 任何需要统一错误处理的查询场景
通过泛型联合类型,开发者可以避免重复代码,同时保持清晰的类型定义和错误处理。
总结
Strawberry 0.265.0版本的这一改进进一步巩固了它作为Python生态中最类型安全的GraphQL库的地位。通过支持泛型联合类型,Strawberry让开发者能够构建更加灵活、可维护的GraphQL API,同时充分利用Python类型系统的优势。
对于已经使用Strawberry的项目,这一特性可以显著简化代码结构;对于考虑采用GraphQL的Python开发者,这又是一个选择Strawberry的有力理由。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00