gqlgen 中实现 @defer 指令的多部分混合响应支持
在 GraphQL 服务端框架 gqlgen 中,开发者发现了一个关于 @defer 指令支持的有趣问题。当客户端使用 accept: multipart/mixed 头部时,服务端无法正确处理上下文并返回延迟字段,而使用 accept: text/event-stream 头部时则能正常工作。
问题背景
@defer 是 GraphQL 中的一个实验性指令,允许客户端请求部分数据先返回,其余数据延迟加载。Apollo Client 在检测到查询中包含 @defer 指令时,会自动发送 accept: multipart/mixed 头部。然而,gqlgen 服务端在这种情况下会错误地使上下文过期,导致无法返回延迟字段。
技术分析
通过测试发现,当使用 text/event-stream 作为接受类型时,gqlgen 能够正确处理上下文并返回延迟数据。这表明 gqlgen 对 Server-Sent Events (SSE) 协议的支持是完整的,但对 multipart/mixed 格式的支持存在缺陷。
解决方案实现
开发者实现了自己的 multipart/mixed 传输处理逻辑,使其能够与 Apollo Client 协同工作。关键发现包括:
- 当服务器只返回单个响应时,即使带有
hasNext: false标记,Apollo Client 3.11.8 仍会保持加载状态 - 根据 GraphQL 增量交付规范,需要在最后一个有效载荷后发送一个边界分隔符
- 可以实施批量处理策略,将1毫秒内的延迟响应分组到单个
incremental数组中
实现细节
最终的解决方案采用了以下技术决策:
- 对于单响应情况,发送一个空的有效载荷,包含
"data": null和"hasNext": false - 在所有响应后添加规范要求的最终边界分隔符
- 实现了响应批处理优化,减少网络传输量
兼容性考虑
由于 GraphQL 的 @defer 规范仍在发展中,实现时特别注意了向后兼容性。解决方案参考了 Apollo Server 的实现方式,确保与现有客户端的兼容性。
总结
通过对 gqlgen 的多部分混合响应支持进行改进,现在可以更好地支持 Apollo Client 的 @defer 指令使用场景。这一改进为开发者提供了更灵活的 GraphQL 数据加载策略选择,同时保持了良好的性能和兼容性。
对于希望使用 @defer 指令优化应用性能的开发者,现在可以放心地在 gqlgen 服务端和 Apollo Client 前端之间实现无缝协作。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00