Bisheng项目OpenAPI工具解析中的请求体参数处理问题
在Bisheng项目中,开发者遇到了一个关于自定义工具不支持OpenAPI规范中请求体(body)参数解析的问题。这个问题涉及到如何正确处理OpenAPI/Swagger规范中的请求体参数定义,对于构建完善的API工具支持至关重要。
问题背景
当使用OpenAPI规范定义API接口时,请求参数可以通过多种方式传递,包括路径参数、查询参数和请求体参数。其中请求体参数通常用于POST、PUT等需要传输较复杂数据的请求。在OpenAPI规范中,请求体参数通过requestBody字段定义,并可以引用组件(components)中的模式(schema)。
问题分析
原始问题中提供的OpenAPI规范示例展示了一个会议室预订接口,该接口通过POST方法接收包含开始时间、结束时间、用户名和用户电话等信息的JSON请求体。然而,Bisheng项目的工具在解析这类规范时,未能正确提取请求体中的参数定义,导致无法进行有效的API测试。
解决方案
通过分析问题,开发者提供了一个改进后的解析函数get_tool_schema_by_swagger_dict,该函数能够正确处理OpenAPI规范中的请求体参数。这个解决方案的关键点包括:
-
请求体参数提取:函数首先检查是否存在
requestBody定义,然后深入解析其中的内容。 -
模式引用处理:当请求体参数通过
$ref引用组件中的模式时,函数能够正确追踪并解析引用的模式定义。 -
参数属性提取:对于模式中的每个属性(property),函数会提取参数名称、类型、是否必需等关键信息。
-
与其他参数类型的兼容:除了请求体参数外,函数还同时处理路径参数和查询参数,保持对各种参数类型的全面支持。
技术实现细节
改进后的解析函数采用了递归和深度遍历的策略来处理复杂的OpenAPI结构。对于请求体参数,它特别关注以下几个方面:
-
内容类型处理:虽然示例中只展示了
application/json类型,但函数结构支持扩展处理多种内容类型。 -
嵌套结构支持:通过递归处理
$ref引用,函数能够处理多层嵌套的参数结构。 -
必需字段标记:正确识别模式定义中的
required字段,确保参数的必要性信息不丢失。
实际应用价值
这一改进使得Bisheng项目能够:
- 更全面地支持RESTful API的定义和测试
- 处理复杂的请求数据结构
- 提供更准确的API文档和测试界面
- 提升开发者体验,减少手动配置的工作量
总结
在API工具开发中,正确处理OpenAPI规范的各个细节至关重要。Bisheng项目通过改进请求体参数的解析逻辑,显著提升了工具的功能完整性和实用性。这一经验也提醒我们,在实现OpenAPI解析器时,需要特别注意对请求体参数和模式引用的处理,以确保对各种API定义场景的全面支持。
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