Když GraphQL dotazy rostou, začněte měřit a ořezávat

Podvodný e-shop se neprojeví hned. Většina lidí přijde o peníze až ve chvíli, kdy už je pozdě řešit storno platby. Rozhodující je proto chvíle před zadáním údajů do platební brány. Dvě věci přitom napoví nejvíc: způsob, jakým obchod zveřejňuje recenze, a způsob, jak zařídit malou kuchyniým přijímá platby. Když si tyto dva signály propojíte, odhalíte riziko dřív, než zaplatíte.

Většina řidičů se drží intervalu předepsaného výrobcem, jenže ten platí pro ideální podmínky. Jestli jezdíte převážně po městě, taháte přívěs nebo startujete v mrazu, olej degraduje rychleji, než ukazuje servisní knížka. Prvním krokem je vytáhnout měrku oleje za studena i za tepla a dívat se nejen na hladinu, ale hlavně na to, co je na ní.

Poslední past je snaha napsat dokonalý prompt na první pokus. Žádný univerzální recept neexistuje, protože každý úkol má jiný kontext. Místo hledání zázračné formulace si veďte vlastní poznámky: co fungovalo, co nesmyslům, jaké slovo změnilo tón. Několik vlastních osvědčených vzorů vydrží déle než jakýkoli seznam rad. Pište krátce, konkrétně a počítejte s tím, že první verze je jen začátek.

Nezapomínejte na cache. GraphQL cache je složitější než u REST, protože odpovědi se skládají z mnoha částí. Pomáhá rozdělit cache na dvě úrovně: krátkodobou cache pro celé odpovědi podle otisku dotazu a dlouhodobější cache pro jednotlivé entity podle jejich identifikátorů. Když se entita změní, invalidujete jen ji, ne celou odpověď. To drží data konzistentní a zároveň snižuje zátěž databáze.

Kde se nejčastěji zkazí celý efe

Dalším krokem je omezení toho, co klient může žádat. Persistované dotazy nebo whitelist schválených tvarů dotazů výrazně snižují riziko i režii. Když klient pošle pouze identifikátor předem schváleného dotazu, server nemusí parsovat ani validovat celý text a má jistotu, že dotaz neobsahuje nečekané kombinace. To se hodí hlavně u mobilních aplikací, kde se dotazy mění jen při vydání nové verze. U volnějších rozhraní zůstaňte u analýzy složitosti a přísných timeoutů.

Největší chybou je vybírat barvu přímo v prodejně pod zářivkami. Vzorek naneste na čtyři místa v místnosti – na stěnu u okna, proti oknu, do rohu a k posteli. Nechte ho tam dva dny a sledujte ho ráno, odpoledne i večer při umělém světle. Barva, která ve dne vypadá elegantně, může být večer šedivá nebo do zelena. Stejný odstín na velké ploše navíc působí sytěji než na malém vzorku, takže počítejte s tím, že výsledek bude o stupeň tmavší.

Hloubka, složitost a limity jako prevence Druhý velký zdroj problémů je nekontrolovaná hloubka a šířka dotazu. Klient může poslat dotaz, který rekurzivně prochází vztahy a vrátí tisíce objektů. Zavedte analýzu dotazu ještě před spuštěním: spočítejte hloubku, počet polí a odhadněte složitost. Na základě toho dotaz buď odmítněte, nebo mu přiřaďte limit. Nestačí nastavit maximální hloubku na pevné číslo, protože některé legitimní dotazy jsou hluboké, ale úzké. Lepší je vážit pole podle toho, jak jsou drahá, a sčítat jejich náklady.

Druhá past je příliš mnoho požadavků osvětlení v obýváku jednom promptu. Když do jednoho zadání nacpete analýzu, strukturu, tón, délku i příklady, model se začne zmítat mezi protichůdnými instrukcemi a výsledek je kompromisní. Rozdělte práci na kroky. Nejprve nechte vygenerovat osnovu, pak ji připomínkujte, teprve potom žádejte finální text. Iterace není ztráta času, je to nejrychlejší cesta k použitelnému výstupu.

Na závěr: měřte, dávkujte, omezte složitost a cachujte chytře. Vyhněte se tomu, abyste optimalizovali podle pocitu, a místo toho sledujte konkrétní dotazy, které jsou pomalé. Většina zrychlení přijde z odstranění zbytečných volání a z toho, že klientovi dovolíte žádat jen to, co skutečně potřebuje.

Většina pomalých GraphQL rozhraní nemá problém v samotném dotazu, ale v tom, co se kolem něj děje. Než začnete cokoli přepisovat, zapněte si měření na úrovni resolverů. Zajímá vás nejen celkový čas dotazu, ale i čas jednotlivých polí, počet volání databáze a počet navrácených řádků. Bez těchto dat skončíte u hádání a náhodných optimalizací, které jeden případ zrychlí a jiný rozbijí. Praktický tip: logujte každý dotaz s jeho otiskem (hash), aby se daly seskupovat stejné tvary dotazů od různých klientů.

Nejčastější chyba je N+1 problém. GraphQL umožňuje klientovi žádat vnořená pole a naivní resolver pro každý záznam zavolá databázi zvlášť. Řešením je dávkování a odkládání. V praxi to znamená, že resolver nevrátí data hned, ale přidá požadavek do fronty a skutečné načtení proběhne jednou dávkou pro všechny sourozenecké objekty. Když tohle zavedete, často zmizí většina latence, aniž byste se dotkli schématu. Pozor ale na to, že dávkování musí respektovat kontext požadavku a nesmí míchat data různých uživatelů.