OpenAPI-TS 项目中 TanStack Query 生成器命名优化方案
2025-07-01 23:23:08作者:史锋燃Gardner
背景介绍
在 OpenAPI-TS 项目中,当开发者使用 TanStack Query 插件生成 API 客户端代码时,会遇到一个常见的命名规范问题:对于 POST 请求的搜索端点,默认会生成一个 mutation 操作,而实际上这类端点更适合作为查询(query)操作使用。
问题本质
在 RESTful API 设计中,虽然 POST 请求通常用于创建资源(mutation),但有时也会用于复杂查询场景,特别是当查询参数过于复杂无法通过 URL 参数传递时。这种情况下,开发者更希望将这些 POST 端点作为查询(query)而非变更(mutation)来处理。
现有解决方案
当前 OpenAPI-TS 的 TanStack Query 插件已经提供了解决方案:
- 对于所有端点都会生成一个
xxxOptions函数 - 这个函数返回的选项可以直接用于
useQuery或useMutation钩子 - 开发者可以自由选择将 POST 端点用作查询还是变更
例如:
const query = useQuery({
...postLoansOptions({
body: {
query: {
op: 'eq',
args: { property: 'zipCode', value: '90815' },
},
},
}),
});
改进方向
虽然现有方案功能完整,但从开发者体验角度仍有优化空间:
-
命名一致性:目前生成的函数统一使用
Options后缀,而开发者可能期望更明确的Query或Mutation后缀 -
可配置性:可以增加配置选项,允许开发者:
- 自定义生成函数的命名模式
- 为特定端点强制指定生成查询或变更操作
- 基于 OpenAPI 文档中的 operationId 或路径模式进行规则匹配
-
文档增强:更突出地展示如何将 POST 端点用作查询的最佳实践
技术实现建议
要实现更灵活的命名配置,可以考虑以下方案:
// 配置示例
{
namingConvention: {
query: {
pattern: '{operationId}Query', // 或 '{pathName}Query'
overrides: [
{
path: '/search',
method: 'post',
type: 'query' // 强制作为查询
}
]
},
mutation: {
pattern: '{operationId}Mutation'
}
}
}
最佳实践
对于搜索类 POST 端点,推荐以下处理方式:
-
语义明确:在 OpenAPI 文档中为搜索类 POST 端点添加明确的
operationId,如searchUsers -
类型安全:利用生成的类型定义确保查询参数和返回值的类型安全
-
性能优化:对于高频搜索,考虑结合 TanStack Query 的缓存策略优化性能
总结
OpenAPI-TS 项目为 TanStack Query 集成提供了坚实的基础设施,通过合理的配置和命名优化,可以进一步提升开发者体验。未来可以考虑增加更灵活的命名配置选项,同时保持现有功能的向后兼容性。
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
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
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++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322