Larastan 中 whereRaw 方法返回类型问题的分析与解决
问题背景
在使用 Larastan 进行 Laravel 项目的静态分析时,开发者可能会遇到一个关于 whereRaw 方法返回类型的类型检查问题。这个问题通常出现在使用 when 条件结合 whereRaw 方法构建查询时。
问题现象
当开发者编写类似以下的查询代码时:
$subject = JobAdvertisement::query()
->where(fn (Builder $q) => $q
->when($request->str('radius'), function (Builder $q, Stringable $radius) use ($request) {
['longitude' => $lng, 'latitude' => $lat] = $request->only('longitude', 'latitude');
$q->whereRaw("ST_Distance_Sphere(ST_GeomFromText('POINT($lng $lat)'), location_point) <= ?", [$radius->toString()]);
})
);
Larastan 会报出类型错误,提示匿名函数应该返回 Builder<Model> 类型,但实际返回的是 Builder<JobAdvertisement> 类型。
问题原因
这个问题的根源在于 Laravel 的 Builder 类的泛型类型参数不是协变的。在静态分析过程中,当明确指定 Builder 类型时,会覆盖/重置泛型类型信息,导致类型推断出现问题。
解决方案
方案一:移除类型声明
最简单的解决方案是移除闭包中的 Builder 类型声明,让 Larastan 能够自动推断正确的类型:
$subject = JobAdvertisement::query()
->where(fn ($q) => $q
->when($request->str('radius'), function ($q, Stringable $radius) use ($request) {
// 查询逻辑保持不变
})
);
方案二:使用类型注解
如果希望保留类型提示,可以使用 PHPDoc 注解来明确指定类型:
$subject = JobAdvertisement::query()
->where(fn (/** @var Builder<JobAdvertisement> $q */ $q) => $q
->when($request->str('radius'), function (/** @var Builder<JobAdvertisement> $q */ $q, Stringable $radius) use ($request) {
// 查询逻辑保持不变
})
);
深入理解
这个问题实际上反映了静态类型分析在动态语言环境中的挑战。Laravel 的查询构建器使用了流畅接口设计模式,这使得类型推断变得复杂。当方法链中的每个调用都可能改变返回类型时,静态分析工具需要更多的上下文信息来正确推断类型。
在最新版本的 PHPStan 中,这个问题已经得到了修复。因此,升级 PHPStan 到 1.11.2 或更高版本也可以解决这个问题。
最佳实践建议
-
优先使用自动类型推断:在大多数情况下,让 Larastan 自动推断类型是最佳选择,可以减少类型声明带来的复杂性。
-
必要时使用精确的类型注解:当自动推断不准确时,使用精确的 PHPDoc 注解来帮助静态分析工具理解代码意图。
-
保持工具更新:定期更新 PHPStan 和 Larastan 版本,以获得更好的类型推断能力和错误修复。
-
理解泛型概念:深入理解泛型在静态分析中的作用,特别是协变和逆变的概念,有助于编写更类型安全的代码。
通过理解这个问题及其解决方案,开发者可以更有效地使用 Larastan 进行 Laravel 项目的静态分析,同时编写出更健壮、类型安全的代码。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00