Type-Fest项目中WritableKeysOf类型的缺陷分析与解决方案
问题背景
在TypeScript类型编程中,Type-Fest项目提供了一个非常实用的WritableKeysOf工具类型,用于提取对象类型中所有可写属性的键。然而,这个类型在某些情况下会出现不符合预期的行为,特别是当处理包含可选属性或只读属性的接口时。
问题现象
当使用WritableKeysOf处理如下接口时:
interface User {
name: string;
surname?: string;
readonly id: number;
}
理论上,我们期望WritableKeysOf<User>返回"name" | "surname",因为:
name是可写的常规属性surname是可写的可选属性id是只读属性,不应包含在内
但实际返回的类型却是"name" | "surname" | undefined,这显然不符合预期,因为undefined不应该出现在属性键的联合类型中。
问题分析
原始实现的问题
Type-Fest项目中WritableKeysOf的原始实现大致如下:
type WritableKeysOf<T> = {
[P in keyof T]: IsEqual<{ [Q in P]: T[P] }, { readonly [Q in P]: T[P] }> extends false ? P : never
}[keyof T];
这个实现存在两个主要问题:
-
未处理可选属性:当处理可选属性时,映射类型会保留
undefined的可能性,导致最终结果中也包含undefined。 -
未正确处理联合类型:当处理联合类型时,类型比较可能会产生意外结果。
解决方案探索
针对第一个问题,可以通过添加-?修饰符来移除可选性:
type WritableKeysOf<T> = {
[P in keyof T]-?: IsEqual<{ [Q in P]: T[P] }, { readonly [Q in P]: T[P] }> extends false ? P : never
}[keyof T];
这个修改确实解决了undefined出现在结果中的问题,但它并不能完全解决所有情况,特别是当处理联合类型时。
深入解决方案
更健壮的实现
为了创建一个更健壮的WritableKeysOf实现,我们需要考虑以下几点:
- 正确处理可选属性:使用
-?移除可选性 - 正确处理只读属性:准确识别哪些属性是只读的
- 处理联合类型:确保在联合类型上也能正确工作
一个更完整的实现可能如下:
type WritableKeysOf<T> = {
[P in keyof T]-?: IfEquals<
{ [Q in P]: T[P] },
{ -readonly [Q in P]: T[P] },
P,
never
>
}[keyof T];
这里使用了IfEquals类型来精确比较两个类型是否相等,同时使用-readonly来确保我们比较的是非只读版本。
类型比较的复杂性
在TypeScript中,准确比较两个类型是否相等是一个复杂的问题。简单的extends检查往往不够,因为TypeScript的类型系统是结构化的。我们需要更精确的类型比较技术,通常使用交叉类型和条件类型的组合来实现。
实际应用建议
在实际项目中,如果需要使用WritableKeysOf类型,建议:
- 明确需求:确定你是否真的需要区分可写和只读属性
- 测试边界情况:在使用前测试各种边界情况,包括可选属性、联合类型等
- 考虑替代方案:有时候简单的
keyof T可能就足够了,不需要区分可写性
总结
TypeScript的类型系统虽然强大,但在处理一些边缘情况时仍然存在挑战。WritableKeysOf类型的实现展示了在类型编程中需要考虑的各种因素,包括可选性、只读性和联合类型等。通过深入理解这些概念和仔细处理各种边界情况,我们可以创建出更健壮、更可靠的工具类型。
对于Type-Fest项目而言,这个问题也提醒我们在设计通用工具类型时需要全面考虑各种使用场景,确保类型在不同情况下都能表现出符合预期的行为。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00