FastEndpoints中路由参数类型定义的最佳实践
在使用FastEndpoints框架开发API时,正确设置路由参数的数据类型对于生成准确的客户端代码至关重要。本文将详细介绍如何确保路由参数在Swagger文档和生成的客户端代码中保持正确的数据类型。
问题背景
开发者在FastEndpoints框架中定义了一个接收Guid类型路由参数的端点,但在使用GenerateClientsAndExitAsync方法生成客户端代码时,发现路由参数被生成为string?类型,而非期望的Guid类型。这会导致客户端调用时需要额外的类型转换,影响开发体验。
解决方案
使用请求DTO定义路由参数类型
FastEndpoints框架的客户端代码生成依赖于Swagger文档的准确描述。为了确保路由参数在Swagger文档中被正确识别为Guid类型,最佳实践是使用请求DTO来明确定义参数类型:
sealed class RequestDto
{
public Guid SomeId { get; set; } // 明确指定参数为Guid类型
}
sealed class ResponseDto
{
public string Id { get; set; }
}
sealed class GetSomeEndpoint : Endpoint<RequestDto, ResponseDto>
{
public override void Configure()
{
Get("something/{SomeId}");
AllowAnonymous();
}
public override async Task HandleAsync(RequestDto r, CancellationToken ct)
{
await SendAsync(new() { Id = r.SomeId.ToString() });
}
}
工作原理
-
Swagger文档生成:当使用请求DTO时,FastEndpoints框架会根据DTO属性类型在Swagger文档中正确标注参数类型。对于Guid类型的属性,Swagger会生成相应的schema定义。
-
客户端代码生成:基于正确的Swagger文档,客户端生成工具(如NSwag)能够识别参数应为Guid类型而非字符串类型,从而生成类型正确的客户端方法签名。
替代方案比较
虽然可以通过Route()方法在端点处理程序中获取Guid类型的路由参数,但这种方法不会影响Swagger文档的生成。因此,对于需要生成客户端代码的场景,使用请求DTO是更可靠的方法。
额外建议
-
考虑使用Kiota客户端生成:FastEndpoints现在支持基于Kiota的客户端生成方案,它提供了更现代化的客户端生成体验,值得开发者评估使用。
-
保持一致性:建议在整个项目中统一使用请求DTO来定义所有路由参数,以确保Swagger文档和客户端代码的一致性。
-
文档注释:为DTO属性添加XML注释,这些注释会被包含在Swagger文档中,进一步提升API文档的质量。
通过遵循这些最佳实践,开发者可以确保FastEndpoints应用生成的路由参数类型在客户端代码中保持准确,提高开发效率和代码质量。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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