Apollo Client v3.13+ 版本中 jest 假定时器与 useMutation 的兼容性问题分析
问题背景
在 Apollo Client 3.13 及以上版本中,开发者在使用 jest 的假定时器(fakeTimers)进行测试时,会遇到 React 的 act 警告。这个问题在之前的版本中并不存在,主要出现在包含 useMutation 钩子的测试用例中。
技术细节
这个问题的根源在于 Apollo Client 3.13 版本中对 mutation 处理逻辑的优化。具体来说,在 PR #12174 中,开发团队将 mutation 的 Promise 处理方式从链式调用改为直接传递回调函数:
旧版本代码:
return client
.mutate(...)
.then(onResolvedCb)
.catch(onErrorCb)
新版本代码:
return client
.mutate(...)
.then(onResolvedCb, onErrorCb)
这种修改减少了 Promise 解析所需的 tick 时间,使得 mutation 完成回调的执行时机发生了变化。在测试环境中,特别是当使用 jest 的假定时器时,这种微小的时序变化会导致 React 的 act 警告出现。
解决方案
对于遇到此问题的开发者,有以下几种解决方案:
- 使用 mutation 的 onCompleted 回调: 将需要在 mutation 完成后执行的操作移到 onCompleted 回调中,而不是在 await 之后执行。
someMutation({
onCompleted: () => showSnackbar()
});
-
调整测试时序: 在测试中适当添加 await 语句,确保所有异步操作完成后再进行断言。
-
保持测试环境一致性: 理解测试环境与实际运行环境的差异,避免对异步操作的具体时序做出过于严格的假设。
最佳实践建议
-
避免依赖具体实现细节: 测试不应该依赖于 mutation 完成的确切时间,因为在实际应用中网络请求的耗时是不确定的。
-
优先使用官方推荐模式: 对于需要在 mutation 完成后执行的操作,优先考虑使用 onCompleted/onError 回调,而不是 await 模式。
-
理解测试工具限制: 在使用假定时器进行测试时,要意识到它可能无法完全模拟真实环境中的异步行为。
总结
Apollo Client 3.13 版本的这一变更虽然带来了性能上的优化,但也影响了测试环境中的行为。开发者需要理解这种变化的本质,并相应调整自己的测试策略。通过采用更健壮的测试模式和回调方式,可以确保应用在各种环境下都能稳定运行。
这个问题也提醒我们,在编写测试时应该关注行为而非实现,这样才能构建出更加健壮和可维护的测试套件。
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