在async-graphql中保持字段的snake_case命名风格
在使用Rust的async-graphql库时,开发者经常会遇到一个常见问题:如何保持GraphQL输出类型中的字段命名风格与Rust结构体中的snake_case命名一致。本文将深入探讨这个问题及其解决方案。
问题背景
在Rust中,变量和字段名通常使用snake_case命名风格,这是Rust社区的约定俗成。然而,GraphQL规范推荐使用camelCase作为字段命名风格。这种风格差异会导致开发者在定义GraphQL类型时面临命名转换的问题。
具体案例
考虑一个分页结构体Page<T>,其字段如current_page和per_page都采用了snake_case命名。当使用#[Object]宏将其转换为GraphQL类型时,默认情况下这些字段会被转换为camelCase风格(如currentPage和perPage)。
解决方案
async-graphql提供了几种方式来控制字段的命名风格:
-
结构体级别重命名:可以使用
#[graphql(rename_all = "snake_case")]属性来指定整个结构体的字段命名风格。 -
字段级别重命名:对于特定字段,可以使用
#[graphql(name = "field_name")]属性来显式指定其在GraphQL中的名称。 -
全局配置:在Schema构建时,可以设置全局的命名转换规则。
推荐实现
对于上述Page<T>结构体,最佳实践是在结构体定义上添加rename_all属性:
#[derive(Serialize, Deserialize, Debug, Clone)]
#[graphql(rename_all = "snake_case")]
pub struct Page<T> {
pub total: i32,
pub current_page: i32,
pub per_page: i32,
pub last_page: i32,
pub data: Vec<T>,
}
这种方式简洁明了,能够保持整个结构体的字段命名风格一致,同时避免了为每个字段单独指定名称的冗余。
注意事项
-
当结构体同时用于序列化(如JSON)和GraphQL输出时,需要注意不同场景下的命名风格要求可能不同。
-
如果API需要同时满足不同客户端的命名风格偏好,可以考虑在GraphQL层统一使用camelCase,而在内部Rust代码中使用snake_case。
-
保持命名风格的一致性对于API的可维护性和开发者体验非常重要。
通过合理使用async-graphql提供的命名控制功能,开发者可以灵活地在Rust代码风格和GraphQL最佳实践之间找到平衡点。
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