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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00