GraphQL Yoga 5.13.0 版本发布:新增 Instruments API 与多项改进
2025-06-07 07:03:31作者:沈韬淼Beryl
GraphQL Yoga 是一个功能强大且灵活的 GraphQL 服务器实现,它基于现代 Web 标准构建,提供了简单易用的 API 和丰富的插件生态系统。在最新发布的 5.13.0 版本中,GraphQL Yoga 引入了一个重要的新特性——Instruments API,同时对多个核心组件进行了升级和优化。
Instruments API:全新的可观测性解决方案
5.13.0 版本最显著的改进是新增了 Instruments API,这是一个专门为监控、追踪等可观测性需求设计的全新接口。与现有的 Hooks 系统不同,Instruments API 能够在整个阶段处理过程(包括插件钩子执行)的前后运行自定义代码,而不直接访问阶段的输入输出。
Instruments API 的核心特点
- 执行范围更广:可以包装整个阶段的处理流程,包括所有插件钩子的执行
- 专注可观测性:特别适合用于监控、错误追踪和性能分析
- 灵活的组合方式:支持多个 Instruments 插件的有序组合
基本使用示例
import { createYoga } from 'graphql-yoga'
import Sentry from '@sentry/node'
import schema from './schema'
const server = createYoga({
schema,
plugins: [
{
instruments: {
request: ({ request }, wrapped) =>
Sentry.startSpan({ name: 'Graphql Operation' }, async () => {
try {
await wrapped()
} catch (err) {
Sentry.captureException(err)
}
})
}
}
]
})
多 Instruments 插件的组合
当使用多个 Instruments 插件(如同时使用 Prometheus 和 Sentry)时,它们会按照插件数组的顺序自动组合——第一个插件是最外层,最后一个插件是最内层。
如果需要自定义组合顺序,可以使用 composeInstruments 方法手动组合:
import { composeInstruments, createYoga } from 'graphql-yoga'
import schema from './schema'
const { instruments: sentryInstruments, ...sentryPlugin } = useSentry()
const { instruments: otelInstruments, ...otelPlugin } = useOpentelemetry()
const instruments = composeInstruments([otelInstruments, sentryInstruments])
const server = createYoga({
schema,
plugins: [{ instruments }, useSentry(), useOpentelemetry()]
})
其他重要改进
除了引入 Instruments API 外,5.13.0 版本还包含以下重要更新:
-
依赖项升级:
- 更新了
@envelop/core到 5.2.1 版本 - 新增了
@envelop/instruments和@whatwg-node/promise-helpers依赖 - 升级
@whatwg-node/server到 0.10.0 版本
- 更新了
-
插件兼容性更新:
- 多个官方插件(如 Apollo Federation、Prometheus、Response Cache 等)都进行了相应的依赖更新,确保与新版本核心的兼容性
-
性能优化:
- 通过更新底层依赖,整体性能有所提升
- 改进了异步处理的效率
升级建议
对于现有用户,升级到 5.13.0 版本通常是安全的,因为大部分变更都是向后兼容的。特别是对于需要增强可观测性的项目,建议尝试新的 Instruments API 来替代或补充现有的监控方案。
对于新项目,5.13.0 版本提供了更完善的工具链和更好的性能,是理想的起点。开发者可以根据项目需求选择合适的插件组合,构建高效、可观测的 GraphQL 服务。
GraphQL Yoga 持续致力于提供简单而强大的 GraphQL 服务器解决方案,5.13.0 版本的发布进一步巩固了它在这一领域的地位。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.13 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
316
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219