AWS Amplify JS 中使用 PostgreSQL 自动生成类型时 list() 命令返回空数组问题解析
问题背景
在使用 AWS Amplify JS 的 Gen 2 版本时,开发者可能会遇到一个特殊的数据查询问题:当通过 npx ampx generate schema-from-database 命令从 PostgreSQL 数据库自动生成数据模型后,对于使用字符串类型作为标识符(identifier)的模型,list() 方法会返回空数组,而使用整数类型作为标识符的模型则能正常返回数据。
技术细节分析
自动生成的模型结构差异
从 PostgreSQL 数据库自动生成的模型有两种典型结构:
- 字符串类型标识符模型
"auth": a.model({
user_id: a.string().required(),
username: a.string().required(),
password: a.string().required(),
access: a.boolean(),
created: a.datetime(),
updated: a.datetime()
}).identifier(["user_id"])
- 整数类型标识符模型
"one_off": a.model({
id: a.integer().required(),
token: a.string(),
amount: a.integer(),
used: a.integer(),
expiry_date: a.datetime(),
created: a.datetime(),
updated: a.datetime()
}).identifier(["id"])
GraphQL 查询差异
这两种模型生成的 GraphQL 查询语句存在关键差异:
字符串标识符模型查询
query ($user_id: String, $sortDirection: ModelSortDirection, $filter: ModelAuthFilterInput, $limit: Int, $nextToken: String) {
listAuths(
user_id: $user_id
sortDirection: $sortDirection
filter: $filter
limit: $limit
nextToken: $nextToken
) {
items {
user_id
username
password
access
created
updated
}
nextToken
__typename
}
}
整数标识符模型查询
query ($filter: ModelOne_offFilterInput, $limit: Int, $nextToken: String) {
listOne_offs(filter: $filter, limit: $limit, nextToken: $nextToken) {
items {
id
token
amount
used
expiry_date
created
updated
}
nextToken
__typename
}
}
关键区别在于字符串标识符模型会将标识符字段(如 user_id)作为查询参数,而整数标识符模型则不会。当 user_id 参数未提供时,查询可能无法返回预期结果。
解决方案
经过 AWS Amplify 团队的验证,最新版本的 @aws-amplify/backend 和 @aws-amplify/backend-cli 已经解决了这个问题。开发者可以采取以下步骤:
- 更新相关依赖包:
npm i @aws-amplify/backend @aws-amplify/backend-cli
- 更新数据模式包:
npm update @aws-amplify/data-schema
验证结果
在最新版本中,即使是使用字符串类型作为标识符的模型,list() 方法也能正常返回数据。例如:
const { data } = await client.models.posts.list();
console.log(data); // 正常返回所有帖子数据
对应的 GraphQL 查询也不再包含标识符字段作为查询参数,确保了查询的完整性和一致性。
总结
这个问题主要出现在特定版本的 AWS Amplify JS 中,特别是在处理 PostgreSQL 数据库自动生成的模型时。通过更新到最新版本,开发者可以避免这种不一致的行为,确保无论使用何种类型的标识符,list() 方法都能按预期工作。
对于使用 AWS Amplify JS 连接现有数据库的开发人员,建议定期检查并更新相关依赖包,以获得最佳兼容性和稳定性。同时,在定义数据库模型时,了解不同类型标识符的处理方式也有助于更好地设计数据结构和查询逻辑。
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 StartedRust0197
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 Notebook0126
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。Python06
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