Swagger-core 2.2.31版本发布:增强OpenAPI规范支持
Swagger-core是一个用于Java生态系统的开源库,它帮助开发者轻松地将API描述集成到他们的应用程序中。通过Swagger-core,开发者可以自动生成符合OpenAPI规范的API文档,这对于构建、测试和使用RESTful API非常有价值。最新发布的2.2.31版本带来了一系列改进和修复,进一步增强了其对OpenAPI规范的支持。
主要改进内容
1. OpenAPI 3.1规范的增强支持
本次更新重点改进了对OpenAPI 3.1规范的支持。开发团队修复了全局路径参数在OpenAPI 3.1中的模型解析问题,确保了参数定义能够正确映射到生成的文档中。同时,针对OAS 3.1版本的Schema/JSONSchema实例创建也进行了优化,使得生成的文档更加准确。
在扩展属性处理方面,团队修复了OAS 3.1中扩展属性"x-"前缀的装饰问题。这一改进确保了自定义扩展属性能够按照规范要求正确显示,保持了文档的一致性和规范性。
2. 参数处理优化
参数处理方面有两个重要改进。首先是修复了参数"explode"属性的解析问题,这个属性控制着复杂参数如何被展开和序列化。正确的解析对于确保API客户端能够正确理解和使用参数至关重要。
其次,新增了对非字符串类型枚举值的支持。这意味着开发者现在可以在API定义中使用数字、布尔值等其他类型的枚举值,而不仅限于字符串类型,大大增强了API定义的灵活性。
3. Jakarta验证注解支持
为了适应现代Java开发的需求,这个版本增加了对Jakarta EE验证注解的支持。具体包括:
- 支持
jakarta.validation.constraints.Email注解,用于验证电子邮件格式 - 支持
jakarta.annotation.Nonnull注解标记必需项
这些改进使得Swagger-core能够更好地与现代Java框架集成,特别是那些已经迁移到Jakarta EE的项目。
4. 测试和质量保证
团队在测试方面也做了改进,统一使用了TestNG测试框架,这有助于保持测试代码的一致性和可维护性。同时新增了针对OpenAPI 3.1规范的单元测试,特别是测试了同时包含引用($ref)和描述(description)的情况,确保这种常见场景能够正确处理。
技术意义与应用价值
这些改进虽然看起来是细节性的,但对于实际开发有着重要意义:
-
规范兼容性:对OpenAPI 3.1规范的更好支持意味着开发者可以利用最新规范提供的功能,如webhooks支持、改进的JSON Schema兼容性等。
-
开发体验:Jakarta注解的支持简化了现代Java项目的集成,减少了适配层的工作量。
-
文档质量:参数处理和枚举类型的改进使得生成的API文档更加准确和完整,降低了API使用者的困惑。
-
稳定性:测试覆盖率的提高意味着更少的运行时问题,特别是在复杂场景下。
升级建议
对于正在使用Swagger-core的项目,特别是那些已经或计划采用OpenAPI 3.1规范的项目,建议尽快升级到这个版本。升级过程通常是平滑的,但需要注意:
- 如果项目中使用了自定义的参数处理逻辑,可能需要检查与"explode"属性相关的代码。
- 使用Jakarta注解的项目现在可以简化配置,移除可能的适配层代码。
- 对于枚举类型的API参数,现在可以考虑使用更合适的类型而不仅限于字符串。
这个版本的改进体现了Swagger-core项目对细节的关注和对规范的严格遵守,使得它继续成为Java生态中API文档生成的可靠选择。
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