Payload CMS 自定义翻译类型的最佳实践
在 Payload CMS 项目中,处理自定义翻译类型是一个常见需求。开发者经常需要为特定函数如 useTranslation 或 getNextRequestI18n 传递自定义翻译泛型参数,以确保获得正确的翻译类型。然而,目前 getLocalI18n、req.i18n 和 req.t 等 Payload 钩子函数中缺乏对这些自定义翻译类型的支持。
问题背景
在 Payload CMS 的国际化(i18n)实现中,类型安全是一个重要考量。开发者希望能够为自定义翻译键名定义类型,以便在代码中获得更好的类型提示和编译时检查。虽然一些核心函数已经支持通过泛型参数传递自定义翻译类型,但部分钩子函数尚未提供相同的支持。
当前解决方案
对于 req.t 这类函数,Payload 团队推荐使用类型断言(Type Assertion)的方式来实现类型安全。具体做法是使用 TFunction 类型进行类型转换:
import type { TFunction } from '@payloadcms/translations'
const t = req.t as TFunction<YourCustomKeys>
这种方法虽然有效,但并不是最理想的解决方案,因为它依赖于类型断言而非真正的类型参数支持。
技术考量
Payload 团队在考虑是否要为 getLocalI18n 等函数添加泛型支持时,做出了谨慎的决定。主要基于以下技术考量:
-
类型参数滥用问题:使用类型参数作为类型转换工具并不是 TypeScript 的最佳实践,这会导致代码意图不清晰。
-
内部实现一致性:即使添加了泛型参数,内部实现仍然需要进行类型转换,与直接使用类型断言效果相同。
-
向后兼容性:保持现有 API 的稳定性,避免引入破坏性变更。
最佳实践建议
基于 Payload CMS 的当前实现,建议开发者采用以下方式处理自定义翻译类型:
-
核心函数:对于支持泛型的函数,直接使用泛型参数传递自定义翻译类型。
-
钩子函数:对于不支持泛型的钩子函数,使用类型断言的方式确保类型安全。
-
类型定义:明确定义自定义翻译键名的类型,保持项目中翻译键名的一致性。
// 定义自定义翻译键名类型
type MyCustomTranslations = {
welcome: string
goodbye: string
// 其他翻译键...
}
// 在支持泛型的函数中使用
const { t } = useTranslation<MyCustomTranslations>()
// 在不支持泛型的钩子中使用类型断言
const t = req.t as TFunction<MyCustomTranslations>
未来展望
虽然当前解决方案能够满足需求,但 Payload 团队仍在持续改进国际化支持。开发者可以期待未来版本中更完善的类型支持和更优雅的 API 设计。同时,团队也在努力完善相关文档,帮助开发者更好地理解和使用这些功能。
通过遵循这些最佳实践,开发者可以在 Payload CMS 项目中实现类型安全的国际化解决方案,同时保持代码的清晰和可维护性。
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