Bon项目v3.5.0版本发布:构建器模式与文档生成的增强
Bon是一个Rust语言的构建器模式(Builder Pattern)代码生成库,它通过过程宏简化了构建器模式的实现。构建器模式是一种创建型设计模式,允许用户通过链式调用的方式逐步构建复杂对象,特别适合需要多个可选参数的场景。
本次发布的v3.5.0版本主要带来了两个重要改进:文档生成控制和宏属性顺序检查。这些改进虽然看似微小,但对于提升开发体验和代码质量有着实际意义。
文档生成控制:setters(doc(default(skip)))
在构建器模式中,我们经常需要为字段设置默认值。之前的版本中,这些默认值会被自动包含在生成的文档中,这在某些情况下可能不是开发者想要的。v3.5.0版本引入了setters(doc(default(skip)))属性,允许开发者显式地跳过默认值在文档中的显示。
这个特性的使用场景包括:
- 当默认值实现较为复杂,不适合直接展示在文档中时
- 当默认值可能随时间变化,不希望给用户造成"这是固定值"的印象时
- 当默认值的展示会干扰主要API文档的可读性时
使用方法很简单,只需要在字段上添加该属性即可:
#[builder]
struct Config {
#[builder(setters(doc(default(skip))))]
timeout: u64,
}
宏属性顺序检查
另一个改进是关于宏属性顺序的编译器警告。在Rust中,当同时使用#[tracing::instrument]和#[builder]属性时,如果#[tracing::instrument]放在#[builder]之后,会导致生成的span名称带有难看的__orig_前缀。
v3.5.0版本会触发编译器警告来提醒开发者正确的属性顺序应该是:
#[tracing::instrument] // 这个应该在前
#[builder] // 这个应该在后
fn my_function() { ... }
这个改进虽然小,但对于保持代码整洁和提高调试体验很有帮助,因为正确的span名称可以让日志更加清晰易读。
其他修复
本次版本还修复了一个关于自由函数上重复#[builder]属性被忽略的问题。这意味着现在可以在自由函数上安全地使用多个#[builder]属性而不会出现意外行为。
总结
Bon v3.5.0虽然不是一个重大版本更新,但这些改进展示了项目对开发者体验的持续关注。文档生成控制的增强让API文档更加精准,宏属性顺序检查避免了潜在的调试困扰,这些细节的打磨使得Bon作为一个构建器模式代码生成工具更加完善和易用。
对于正在使用或考虑使用Bon的Rust开发者来说,这个版本值得升级,特别是那些需要精细控制文档内容或同时使用tracing进行日志记录的项目。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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