Ezno项目中的WASM目标TypeScript类型定义优化
概述
在Ezno项目的WASM目标开发中,TypeScript类型定义的支持是一个重要但尚未完善的功能。本文将详细介绍如何通过技术手段优化Ezno项目的WASM目标类型定义支持,包括自动生成类型声明文件和改进序列化返回结果的类型提示。
当前问题分析
目前Ezno项目在WASM目标下存在两个主要问题:
-
类型声明文件丢失:在构建过程中,unbuild工具会丢失由wasm-bindgen生成的.d.ts类型声明文件。虽然可以通过在构建配置中启用declarations标志来解决,但这会导致每个入口点都生成单独的.d.ts和.d.mts文件。
-
类型提示不足:在src/wasm_bindings.rs文件中,序列化返回结果的类型提示不够完善,影响开发体验。
解决方案
类型声明文件生成
通过调整构建配置,可以确保WASM构建过程中正确生成类型声明文件。这需要在构建配置中启用declarations标志,虽然会产生多个声明文件,但能确保类型系统的完整性。
改进类型提示
对于序列化返回结果的类型提示问题,可以采用以下技术方案:
-
使用Tsify派生宏:在wasm_bindings.rs中为绑定生成的struct添加Tsify派生宏,或者为函数定义添加自定义TypeScript部分。
-
处理可序列化类型:查找项目中所有带有derive(Serialize)的pub enum和struct,为它们添加适当的派生宏。
-
特殊类型处理:对于无法自动派生的类型(如bitflags!宏生成的类型),需要手动添加wasm_bingen(custom_typescript_section)静态文本块来指定其类型。
技术实现细节
Tsify派生宏的应用
Tsify是一个过程宏,能够从Rust项生成TypeScript定义。它可以很好地与serde::Serialize配合工作,并且能够正确处理各种serde属性(如tagging、flattening等)。不过需要注意rename直接用在struct上时可能会影响对原始名称的引用。
函数导出处理
对于顶层的函数导出(wasm_bindings的成员),由于Tsify宏的限制,需要使用typescript_custom_section手动指定类型。最佳实践是将这些定义放在各自函数上方,而不是集中在一个大块中,以提高可维护性。
WASM构建优化
虽然当前项目直接使用wasm-bindgen CLI,但考虑迁移到wasm-pack可以带来显著优势:
- wasm-opt优化:可减少约30%未压缩大小(压缩后差异不大)
- 性能提升:通常可获得10-15%的执行速度提升
- 版本一致性:wasm-pack能确保CLI版本与crate依赖版本精确匹配
实施建议
- 逐步实施:先解决类型声明文件生成问题,再逐步完善类型提示
- 添加类型测试:考虑添加未解析类型测试来捕获回归问题
- 引入辅助宏:使用macro_rules_attribute crate简化常用派生宏的组合
总结
通过上述技术方案,可以显著提升Ezno项目在WASM目标下的TypeScript类型支持,改善开发者体验,同时保持代码的可维护性。这些改进不仅解决了当前问题,还为未来的扩展奠定了良好基础。
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