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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07