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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust019
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00