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。
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