Encore项目中TypeScript高级类型支持的演进
Encore作为一款现代化的开发框架,近期在其v1.46.12版本中增强了对TypeScript高级类型特性的支持,特别是解决了开发者在使用映射类型和索引访问类型时遇到的限制问题。这一改进显著提升了开发者在Encore生态中使用复杂类型系统的能力。
类型系统限制的突破
在之前的版本中,Encore对TypeScript某些高级类型特性的支持存在限制。开发者反馈在使用类似ObjectValues<T>这样的实用类型时遇到了"unsupported index access type operation"的错误。这类实用类型通常用于从常量对象中提取值类型,是TypeScript生态中的常见模式。
export type ObjectValues<T> = T[keyof T];
这种模式允许开发者从常量对象中派生出联合类型,保持类型安全的同时减少重复代码。例如,当定义一组动作常量时:
export const TAGGING_ACTION = {
ADD: 'ADD',
REMOVE: 'REMOVE',
} as const;
开发者可以方便地派生出对应的类型:
export type TaggingAction = ObjectValues<typeof TAGGING_ACTION>;
实际应用场景
这种类型模式在实际开发中有多重优势:
- 单一真实来源:常量和类型定义保持同步,避免不一致
- 可维护性:修改只需在一处进行,编辑器重构功能可自动传播变更
- 类型安全:相比直接使用字符串字面量,这种方式提供了更好的类型检查
此外,这种模式在各类代码生成工具中尤为常见,如Prisma、GraphQL Codegen和OpenAPI生成器等,它们通常依赖这些高级类型特性来生成类型定义。
更复杂的类型支持
Encore的更新不仅解决了基础的keyof访问问题,还支持了更复杂的类型操作。例如,开发者现在可以使用条件类型和映射类型的组合:
export type KeepNullable<T> = {
[K in keyof T]: null extends T[K] ? T[K] : never;
} extends infer O ? Pick<O, { [K in keyof O]: O[K] extends never ? never : K }[keyof O]> : never;
这种类型可以提取出对象类型中所有可为null的属性,在表单处理和API响应等场景中非常实用。
最佳实践演进
Encore团队在解决这一问题时,也探讨了类型定义的最佳实践。虽然直接使用字符串字面量或TypeScript枚举在某些简单场景下可行:
// 方案1: 直接使用字符串字面量
interface Request1 {
action: "ADD" | "REMOVE";
}
// 方案2: 使用TypeScript枚举
enum TaggingAction {
ADD = "ADD",
REMOVE = "REMOVE"
}
但社区更倾向于使用as const结合类型推导的模式,原因在于:
- 保持JavaScript的运行时特性不变
- 避免TypeScript枚举的一些已知问题
- 与函数式编程风格更契合
- 更好的tree-shaking支持
总结
Encore对TypeScript高级类型支持的增强,体现了框架对开发者体验的持续关注。这一改进不仅解决了现有代码的兼容性问题,也为更复杂、更类型安全的应用程序开发铺平了道路。开发者现在可以更自由地使用TypeScript的类型系统来表达复杂的业务逻辑,同时保持代码的简洁性和可维护性。
随着Encore生态的成熟,这类对TypeScript深度集成的改进将继续提升开发者的生产力,特别是在需要严格类型安全的大型应用中。
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