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。
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