Orval v7.8.0 版本发布:增强类型安全与开发体验
Orval 是一个强大的 API 客户端生成工具,它能够根据 OpenAPI/Swagger 规范自动生成类型安全的 API 客户端代码。最新发布的 7.8.0 版本带来了一系列改进,特别是在类型系统、Zod 集成和错误处理方面有了显著提升。
核心改进
类型系统增强
本次版本在类型系统方面做了多项优化:
-
自定义错误和响应体类型:修复了自定义错误和响应体类型的导入问题,现在能够正确识别和导入用户定义的类型,这对于需要自定义错误处理的场景尤为重要。
-
默认响应处理:为 fetch 实现添加了默认响应处理逻辑,当 API 没有明确指定响应类型时,系统会提供合理的默认值,避免运行时错误。
-
原生枚举支持:重新引入了对原生枚举类型的支持修复,确保枚举类型在生成的代码中能够正确工作。
Zod 集成优化
Orval 与 Zod 的集成在本版本中获得了多项重要改进:
-
必填字段处理:现在会优先考虑
required定义来确定是否使用optional(),这使得必填字段的校验更加准确。 -
元组函数映射:修正了元组(tuple)类型的函数映射问题,现在能够正确生成元组类型的校验代码。
-
枚举模式生成:改进了多种类型下的枚举模式生成逻辑,支持更丰富的枚举使用场景。
-
引用属性处理:修复了 schema 中
$ref属性名的处理问题,确保引用属性能够正确解析。 -
日期时间选项:新增了
output.orverride.zod.datetimeOptions配置选项,允许开发者自定义日期时间类型的处理方式。
开发者体验提升
QueryClient 参数可选化
针对使用 TanStack Query v5 的用户,现在 mutations 操作支持可选的 queryClient 参数。这一改进使得在需要自定义 QueryClient 实例的场景下更加灵活,同时保持了向后兼容性。
MSW 集成改进
解决了嵌套引用(nested ref)的处理问题,使得在使用 Mock Service Worker 进行 API 模拟时,能够正确处理复杂的嵌套数据结构。
Axios 升级
将 axios 依赖升级到了 1.8.2 版本,并修复了相关的 TypeScript 错误,提升了 HTTP 客户端的稳定性和类型安全性。
技术价值
这次更新体现了 Orval 项目对开发者体验和类型安全的持续关注。特别是对 Zod 集成的多项改进,使得开发者能够更自信地构建类型安全的 API 客户端。自定义错误处理的完善也为构建健壮的应用提供了更好支持。
对于正在使用 Orval 的团队来说,升级到 7.8.0 版本将获得更稳定的类型推断和更灵活的配置选项,特别是在处理复杂数据结构和自定义校验规则时体验会明显提升。新加入的日期时间配置选项也为国际化应用开发提供了更多可能性。
总体而言,Orval 7.8.0 通过这一系列改进,进一步巩固了其作为 API 客户端生成工具的领导地位,特别是在类型安全和开发者体验方面树立了新的标杆。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07