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。
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