LMNR-AI TypeScript SDK 中类型导出的重要性与实践
在开发基于 TypeScript 的评估系统时,类型安全是保证代码质量的关键因素。LMNR-AI 的 TypeScript SDK 提供了一个强大的评估框架,但在实际使用中,开发者可能会遇到类型推导不足的问题。
问题背景
当使用 LMNR-AI SDK 创建评估函数时,常见的做法是将评估逻辑单独定义为一个函数,然后再传递给评估包装器。这种分离的写法虽然提高了代码的可读性和复用性,但却带来了类型信息丢失的问题。
例如,在文档示例中:
const evaluator = async (output, target) =>
(await output) === target.capital ? 1 : 0
这里的 output 和 target 参数会被 TypeScript 推断为 any 类型,失去了类型检查的保护。
类型安全的解决方案
1. 内联函数写法
最简单的解决方案是将评估函数直接内联到评估包装器中:
evaluate({
evaluators: {
checkCapitalCorrectness: async (output, target) =>
(await output) === target.capital ? 1 : 0
}
})
这样 TypeScript 能够自动推导出参数的正确类型,无需额外类型注解。
2. 显式类型注解
对于更复杂的评估逻辑,可能需要单独定义函数。这时可以使用显式类型注解:
const evaluator = async (output: string, target: { capital: string }) =>
(await output) === target.capital ? 1 : 0
3. 使用 SDK 提供的类型
更优雅的解决方案是 SDK 导出内部使用的类型定义,如 EvaluatorFunction,让开发者可以这样使用:
import { EvaluatorFunction } from 'lmnr-ai';
type MyOutput = string;
type MyTarget = { capital: string };
const evaluator: EvaluatorFunction<MyOutput, MyTarget> = async (output, target) =>
(await output) === target.capital ? 1 : 0
这种方式既保持了代码的清晰分离,又获得了完整的类型安全。
最佳实践建议
-
简单评估优先内联:对于简单的评估逻辑,优先使用内联函数写法,让 TypeScript 自动推导类型。
-
复杂评估使用显式类型:当评估逻辑较复杂时,单独定义函数并使用 SDK 提供的类型或显式类型注解。
-
保持文档示例类型安全:文档示例应展示类型安全的写法,避免让开发者复制粘贴后出现
any类型的问题。 -
充分利用泛型:评估系统通常涉及多种数据类型,合理使用泛型可以大大提高代码的复用性和类型安全性。
结论
类型安全是 TypeScript 的核心价值之一。通过合理使用内联函数、显式类型注解和 SDK 提供的类型定义,开发者可以在 LMNR-AI 评估系统中构建既安全又易于维护的代码。SDK 维护者也应确保导出所有必要的中间类型,为开发者提供完整的类型支持。
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 StartedRust024
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