Swift Argument Parser 中隐藏命令的元数据支持
在 Swift Argument Parser 项目中,开发者可以通过添加 @Argument 或 @Option 包装器来定义命令行参数,并使用 hidden 属性来隐藏这些参数在帮助输出中的显示。然而,当前版本存在一个功能缺口:虽然可以隐藏单个参数,但对于整个命令的隐藏支持还不够完善。
问题背景
当开发者创建一个复杂的命令行工具时,可能会包含一些不希望普通用户看到的内部命令或调试命令。这些命令通常用于开发或维护目的,不应该出现在公开的帮助文档中。虽然可以通过将命令标记为 private 来实现一定程度的隐藏,但这在元数据层面(如通过 --experimental-dump-help 生成的 JSON 格式帮助信息)并没有得到充分体现。
技术实现细节
Swift Argument Parser 使用反射机制来生成命令行工具的元数据。当开发者使用 --experimental-dump-help 标志时,系统会生成一个包含所有命令和参数详细信息的 JSON 结构。当前的实现中,这个 JSON 结构能够反映单个参数的 hidden 属性,但对于整个命令的隐藏状态却没有相应的字段表示。
解决方案
为了解决这个问题,开发团队在代码库中进行了以下改进:
- 扩展了命令的元数据结构,增加了表示隐藏状态的字段
- 确保
generate-manual命令能够正确处理隐藏命令,不在生成的文档中包含这些内容 - 使
--experimental-dump-help的输出能够准确反映命令的隐藏状态
实际应用场景
假设我们正在开发一个数据库管理工具,其中包含一些仅供内部使用的维护命令:
struct DatabaseTool: ParsableCommand {
static var configuration = CommandConfiguration(
subcommands: [Query.self, InternalMaintenance.self]
)
private struct InternalMaintenance: ParsableCommand {
static var configuration = CommandConfiguration(
shouldDisplay: false
)
// 内部维护命令的具体实现
}
}
改进后,当使用 --experimental-dump-help 时,InternalMaintenance 命令将在 JSON 输出中被正确标记为隐藏,同时也不会出现在生成的 man 页面中。
技术意义
这项改进使得 Swift Argument Parser 的命令隐藏功能更加完整和一致。开发者现在可以:
- 更精确地控制哪些命令应该对最终用户可见
- 保持内部工具命令的整洁性,避免混淆普通用户
- 在自动生成的文档中排除内部实现细节
- 通过结构化元数据更好地集成到其他工具链中
总结
Swift Argument Parser 作为一个成熟的命令行参数解析库,通过不断完善其功能细节来满足开发者的实际需求。这次对隐藏命令元数据支持的改进,体现了项目团队对API一致性和开发者体验的重视。对于需要开发复杂命令行工具的Swift开发者来说,这项改进使得管理命令的可见性变得更加简单和可靠。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00