TypeFest项目中CamelCasedPropertiesDeep对Tagged类型的处理问题分析
在TypeScript类型编程中,TypeFest是一个非常实用的工具库,提供了各种类型转换工具。其中CamelCasedPropertiesDeep是一个常用的深度转换工具类型,可以将对象的所有属性名转换为驼峰命名法。然而,在实际使用中发现它对Tagged类型的处理存在一些问题。
问题现象
当使用CamelCasedPropertiesDeep处理包含Tagged类型的对象时,会出现类型信息丢失的情况。例如,定义一个使用Tagged标记的UUID类型:
type UUID = Tagged<string, "UUID">;
type User = {
user_id: UUID;
}
type Article = {
name: string;
view_count: number;
author: User;
}
使用CamelCasedPropertiesDeep<Article>转换后,期望得到的类型应该保留UUID的标记信息,但实际上转换后的类型中UUID被还原为了普通的string类型。
问题原因分析
Tagged类型是TypeScript中一种常见的标记类型模式,用于为基本类型添加额外的类型信息。当前的CamelCasedPropertiesDeep实现没有专门处理Tagged类型的情况,导致在深度转换过程中丢失了这些标记信息。
解决方案
要解决这个问题,需要在CamelCasedPropertiesDeep的类型定义中添加对Tagged类型的特殊处理。具体来说,当遇到Tagged类型时,应该直接返回原类型而不进行转换。
改进后的实现方案如下:
export type CamelCasedPropertiesDeep<
Value,
Options extends CamelCaseOptions = {preserveConsecutiveUppercase: true},
> = Value extends Function
? Value
: Value extends UnknownArray
? CamelCasedPropertiesArrayDeep<Value>
: Value extends Set<infer U>
? Set<CamelCasedPropertiesDeep<U, Options>>
: Value extends Tag<any, any>
? Value
: {
[K in keyof Value as CamelCase<K, Options>]: CamelCasedPropertiesDeep<
Value[K],
Options
>;
};
这个改进方案在原有逻辑的基础上增加了一个条件分支,专门检查Tagged类型。当检测到输入类型是Tagged类型时,直接返回原类型,从而保留了所有的标记信息。
实际应用意义
这种改进对于实际项目开发非常重要,特别是在以下场景:
- 领域驱动设计(DDD)中,经常使用标记类型来表示领域概念
- 需要区分语义的类型系统中,如区分普通字符串和UUID、Email等特定格式的字符串
- 需要保持类型安全性的深度对象转换场景
通过正确处理Tagged类型,可以确保类型转换过程中不丢失重要的类型信息,从而提高代码的类型安全性。
总结
TypeFest中的CamelCasedPropertiesDeep类型是一个强大的工具,但在处理标记类型时存在不足。通过增加对Tagged类型的特殊处理,可以使其在保持原有功能的同时,更好地支持标记类型的使用场景。这个改进体现了TypeScript类型编程中需要考虑各种边界情况的必要性,也展示了如何通过条件类型来实现精细化的类型转换控制。
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