Scribe项目中ResponseCalls策略仅应用于GET请求的配置方法
2025-07-05 16:07:02作者:咎竹峻Karen
在Laravel API文档生成工具Scribe的使用过程中,ResponseCalls策略是一个非常有用的功能,它能够自动调用API端点并捕获响应作为文档示例。然而,在某些情况下,我们可能希望限制这种自动调用行为,特别是对于非GET请求(如POST、PUT、DELETE等),因为这些请求可能会对生产数据造成不可逆的影响。
问题背景
默认情况下,Scribe的ResponseCalls策略会尝试调用所有类型的API端点来获取响应示例。这在开发环境中可能没有问题,但在某些场景下会带来风险:
- 修改数据的请求(如创建订单、发送邮件等)会被实际执行
- 删除操作会导致真实数据被移除
- 可能触发一些无法回滚的业务流程
解决方案
Scribe提供了配置选项来限制ResponseCalls策略仅应用于特定类型的HTTP请求。以下是推荐的配置方法:
'strategies' => [
'responses' => [
Strategies\Responses\UseResponseAttributes::class,
Strategies\Responses\UseTransformerTags::class,
Strategies\Responses\UseApiResourceTags::class,
Strategies\Responses\UseResponseTag::class,
Strategies\Responses\UseResponseFileTag::class,
[
Strategies\Responses\ResponseCalls::class,
[
'only' => ['GET *'],
'config' => [
'app.debug' => false,
],
],
],
],
],
配置说明
-
only参数:
'GET *'表示仅对GET请求应用ResponseCalls策略- 星号(*)是通配符,表示匹配所有GET端点
- 也可以指定具体路径,如
'GET users/*'
-
debug模式配置:通过
config选项可以临时修改应用配置- 示例中关闭了debug模式,避免在文档中显示调用堆栈
- 这在生产环境文档生成时特别有用
注意事项
-
确保不要将
config选项放在路由配置的apply部分,而应该直接放在策略配置中 -
对于确实需要示例的非GET请求,可以考虑:
- 使用
@response标签手动提供示例 - 创建专门的测试端点用于文档生成
- 使用API资源或转换器来生成模拟响应
- 使用
-
在团队协作环境中,建议将这种配置纳入项目标准,避免意外执行危险操作
最佳实践
- 在CI/CD流程中生成文档时,使用专门的测试数据库
- 对于关键业务端点,优先考虑手动提供响应示例
- 定期审查文档生成配置,确保安全策略得到正确应用
通过合理配置ResponseCalls策略,我们可以在保证文档质量的同时,避免对生产环境造成不必要的影响,实现安全高效的API文档生成流程。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146