47ng/next-usequerystate 在 Next.js 15 中的使用注意事项
在 Next.js 15 中,服务器组件的 searchParams 属性变成了一个 Promise 对象,这一变化影响了 47ng/next-usequerystate 库的使用方式。本文将详细介绍这一变化及其解决方案。
问题背景
在 Next.js 14 及更早版本中,页面组件的 searchParams 属性可以直接访问,开发者可以像使用普通对象一样使用它。然而,在 Next.js 15 中,为了优化性能,searchParams 属性变成了一个异步的 Promise 对象。
具体表现
当开发者尝试使用 next-usequerystate 库的 createSearchParamsCache 方法解析 searchParams 时,如果 searchParams 是 Promise 对象而未正确处理,会导致 withDefault 方法失效,返回 undefined 而不是预期的默认值。
解决方案
要解决这个问题,开发者需要在解析 searchParams 时使用 await 关键字。这可以确保在解析之前等待 Promise 解析完成。以下是两种等效的解决方案:
方案一:在 parse 方法前 await
const { q: query, sport: sports } = await createSearchParamsCache({
q: parseAsString,
sport: parseAsArrayOf<keyof typeof SPORTS>(
parseAsStringEnum(Object.keys(SPORTS) as (keyof typeof SPORTS)[]),
).withDefault([]),
}).parse(searchParams);
方案二:在 searchParams 前 await
const resolvedSearchParams = await searchParams;
const { q: query, sport: sports } = createSearchParamsCache({
q: parseAsString,
sport: parseAsArrayOf<keyof typeof SPORTS>(
parseAsStringEnum(Object.keys(SPORTS) as (keyof typeof SPORTS)[]),
).withDefault([]),
}).parse(resolvedSearchParams);
技术原理
Next.js 15 将 searchParams 改为 Promise 主要是为了支持更高效的服务器端渲染。通过异步获取查询参数,可以在数据准备好之前就开始渲染页面,提高首屏渲染速度。
next-usequerystate 库的 createSearchParamsCache 方法期望接收一个普通的对象,而不是 Promise 对象。因此,在使用前必须确保 Promise 已经解析完成。
最佳实践
- 始终在异步组件中使用 await 处理 searchParams
- 考虑在组件顶部统一解析所有查询参数
- 对于复杂的参数处理逻辑,可以封装成单独的函数
- 在类型定义中明确标记异步属性
兼容性考虑
如果项目需要同时支持 Next.js 14 和 15,可以使用条件判断:
const resolvedSearchParams = searchParams instanceof Promise
? await searchParams
: searchParams;
这种写法可以确保代码在不同版本的 Next.js 中都能正常工作。
总结
Next.js 15 的这一变化虽然带来了小小的适配成本,但为性能优化提供了更多可能性。开发者在使用 next-usequerystate 库时,只需记住在解析前正确处理 Promise 即可保持原有功能。这一调整也符合现代前端开发中异步处理数据的最佳实践。
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