Goa框架中如何为OpenAPI规范添加Deprecated标记
在Goa框架中,开发者可以通过DSL(领域特定语言)来定义API的设计规范,这些规范最终会被转换为OpenAPI文档。OpenAPI规范中的deprecated字段是一个重要标记,用于标识某个API端点是否已被弃用。本文将介绍如何在Goa框架中为API端点添加deprecated标记。
背景
OpenAPI规范允许开发者通过deprecated字段来标记不再推荐使用的API端点。这个标记会出现在生成的OpenAPI文档中,提醒API使用者该端点可能会在未来的版本中被移除。Goa框架目前支持通过Docs DSL来添加externalDocs,但原生不支持deprecated标记。
实现原理
要实现deprecated标记的支持,需要在Goa框架的多个层面进行修改:
- DSL层:新增一个
Deprecated函数,用于在API端点定义中添加元数据标记 - 代码生成层:在OpenAPI v2和v3的生成器中检查这个元数据标记,并相应地设置OpenAPI文档中的
deprecated字段
具体实现
DSL函数定义
新的Deprecated DSL函数应该被定义在method相关的DSL文件中。这个函数需要:
- 获取当前的eval作用域
- 验证当前作用域是一个HTTP端点表达式
- 向该端点添加特定的元数据标记
元数据处理
在OpenAPI生成器中,需要检查端点是否包含特定的元数据标记。这可以通过检查MetaExpr的Last方法来实现,类似于现有的mustGenerate检查逻辑。
OpenAPI生成
对于OpenAPI v2和v3生成器,需要在适当的位置添加逻辑来检查deprecated元数据标记,并相应地设置生成的OpenAPI文档中的deprecated字段。
使用示例
开发者可以在定义API端点时使用新的Deprecated DSL函数:
var _ = Service("example", func() {
Method("oldEndpoint", func() {
Deprecated() // 标记该端点为弃用
HTTP(func() {
GET("/old")
})
})
})
这将在生成的OpenAPI文档中为该端点添加deprecated: true标记。
测试考虑
为这一新功能添加测试时,需要考虑:
- DSL解析是否正确添加了元数据
- OpenAPI生成器是否正确识别了元数据并生成了正确的标记
- 边界情况,如多个
Deprecated调用等
总结
通过为Goa框架添加Deprecated DSL支持,开发者可以更方便地在API设计中标记弃用的端点,生成的OpenAPI文档也会包含这些信息,帮助API使用者更好地理解API的生命周期。这一改进保持了Goa框架DSL的一致性和表达力,同时完善了其OpenAPI规范的生成能力。
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