Redux Toolkit中injectEndpoints与upsertQueryData的类型问题解析
在使用Redux Toolkit的RTK Query功能时,开发者经常会遇到需要将API端点拆分到不同文件的情况。injectEndpoints方法为此提供了便利,但在使用过程中可能会遇到一些类型系统相关的问题,特别是当尝试使用upsertQueryData方法时。
问题现象
当开发者使用injectEndpoints创建API端点后,在mutation的onQueryStarted回调中调用upsertQueryData方法时,TypeScript可能会报错:"Argument of type '"getRecordById"' is not assignable to parameter of type 'never'"。
问题根源
这个类型错误的核心原因在于upsertQueryData方法的第一个参数需要接收一个有效的端点名称。当直接从原始API实例(如示例中的DefaultApi)调用该方法时,TypeScript无法确定该端点名称是否存在于原始API中,因为端点是通过injectEndpoints动态注入的。
解决方案
正确的做法是使用注入端点后返回的新API切片实例(如示例中的RecordApiSlice)来调用upsertQueryData方法。这样TypeScript就能正确识别所有已注入的端点名称。
// 错误方式
DefaultApi.util.upsertQueryData("getRecordById", data.id, data)
// 正确方式
RecordApiSlice.util.upsertQueryData("getRecordById", data.id, data)
技术原理
Redux Toolkit的RTK Query在设计时考虑了类型安全。当使用injectEndpoints时,它会返回一个新的API实例,该实例的类型包含了所有原始端点和新注入的端点。因此:
- 原始API实例(
DefaultApi)的类型定义中不包含后来注入的端点 - 新API切片(
RecordApiSlice)的类型定义包含了所有端点 - TypeScript会根据调用对象的类型来验证端点名称的有效性
最佳实践
- 统一引用:在同一个文件中,始终使用注入后的API切片实例
- 类型推断:利用返回的API切片实例获得完整的类型支持
- 模块化设计:将相关端点分组到不同的注入模块中,保持代码组织清晰
- 类型导出:可以考虑导出API切片的类型,以便在其他地方使用
扩展思考
这种设计模式体现了RTK Query的类型安全理念。它强制开发者在正确的上下文中使用API方法,避免了潜在的运行时错误。同时,这种显式的类型要求也促使开发者思考API的组织结构,有助于创建更清晰的代码架构。
通过理解这一机制,开发者可以更好地利用RTK Query的强大功能,构建类型安全且易于维护的API层。
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