TypeSpec 1.0.0 正式版发布:全面升级的类型定义语言工具链
TypeSpec 是一个用于定义 API 和数据结构的高级类型定义语言,它通过简洁的语法和强大的类型系统,帮助开发者更高效地设计、验证和生成各种 API 规范。1.0.0 正式版的发布标志着 TypeSpec 工具链的成熟与稳定,为开发者带来了多项重要改进和新特性。
编译器核心增强
TypeSpec 编译器在这一版本中获得了多项关键改进。字符串处理方面新增了"capitalize"辅助函数,使得字符串操作更加便捷。配置文件的格式化支持让开发者现在可以使用tsp format命令来格式化tspconfig.yaml文件,提升了项目维护的一致性。
类型系统方面,TypeKit 功能从实验状态正式毕业,移入@typespec/compiler/typekit子模块。这一变化带来了更丰富的类型操作能力,包括类型解析、类型兼容性检查等核心功能。新增的$.type.resolve和$.value.resolve方法让类型和值的解析更加灵活,而$.type.isAssignableTo系列方法则为类型兼容性检查提供了标准化的解决方案。
开发体验优化
语言服务器协议(LSP)的改进显著提升了开发体验。现在在重命名TypeSpec文件时,相关的导入语句会自动更新,减少了手动维护的工作量。格式化功能也得到了增强,支持更灵活的全局模式匹配,如tsp format .或tsp format "**/*",让代码风格管理更加全面。
模板参数解析的改进解决了嵌套模板场景下的命名问题,同时修正了当默认模板参数值由父容器解析时的类型推断问题。这些底层优化使得模板系统的行为更加符合开发者预期。
HTTP 相关重大变更
HTTP 模块引入了一项重要变更:@patch装饰器默认不再应用"隐式可选性"转换。这一变化要求开发者在需要JSON Merge-Patch功能时,显式使用MergePatchUpdate模板或启用implicitOptionality选项。虽然这增加了些许显式配置,但带来了更清晰的语义表达和更可控的行为。
新增的JSON Merge-Patch包装器(MergePatchUpdate和MergePatchCreateOrUpdate)为处理资源更新提供了标准化的解决方案,同时放宽了@mediaTypeHint装饰器的限制,支持带有后缀的媒体类型,如"application/merge-patch+json"。
类型系统与可见性过滤
类型系统方面,模型可见性过滤功能得到了显著增强。新增的nameTemplate参数允许在应用可见性过滤器时动态重命名模型,提供了比@friendlyName装饰器更灵活的命名控制。同时,优化了可见性过滤结果的缓存机制,减少了重复计算和命名冲突的可能性。
底层类型操作API也进行了清理和优化,移除了不推荐使用的program.checker.isTypeAssignableTo方法,转而推荐使用TypeKit提供的标准化替代方案。新增的unsafe_isMutableType方法为高级用例提供了必要的工具,但使用时需要格外谨慎。
TypeSpec 1.0.0 正式版的发布为API设计领域带来了一个成熟、稳定的工具链,其增强的类型系统、改进的开发体验和更清晰的语义表达,将帮助开发者更高效地设计和维护复杂的API规范。无论是对于新项目还是现有系统的演进,这个版本都提供了坚实的基础和丰富的功能集。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00