TSED框架中为@BodyParams添加描述的解决方案
在TSED框架开发过程中,开发者经常会遇到需要为API接口的请求体参数添加详细描述的需求。本文将以一个实际案例为基础,深入探讨如何正确地为@BodyParams装饰器添加描述信息,并分析其背后的技术原理。
问题背景
在构建RESTful API时,良好的文档是必不可少的。TSED框架通过装饰器提供了强大的Swagger文档生成能力。然而,当开发者尝试为@BodyParams参数添加描述时,可能会遇到描述信息没有正确显示在生成的Swagger文档中的问题。
典型场景分析
考虑以下常见场景:一个文件上传接口需要接收三个参数:
- 文件本身(通过
@MultipartFile接收) - 文件URL(通过
@BodyParams接收) - 文件密码(通过
@BodyParams接收)
开发者期望为每个参数添加独立的描述信息,但实际生成的Swagger文档中,描述信息只出现在请求体的顶层,而不是各个参数上。
解决方案
TSED框架从7.69.2版本开始,已经修复了这个问题。现在开发者可以按照以下方式为每个@BodyParams参数添加描述:
@Post("/upload")
async uploadFile(
@Description("The file you want to upload")
@MultipartFile("file")
file?: PlatformMulterFile,
@Description("The URL of the file you want to upload")
@BodyParams("url")
url?: string,
@Description("Set a password for this file...")
@BodyParams("password")
password?: string
) {
// 方法实现
}
技术实现原理
在底层实现上,TSED框架通过以下机制支持参数级别的描述:
-
装饰器组合:
@Description装饰器会与@BodyParams装饰器协同工作,将描述信息存储在元数据中。 -
Swagger转换:当生成OpenAPI/Swagger规范时,框架会正确地将参数级别的描述信息映射到对应字段的
description属性上。 -
多部分请求处理:对于
multipart/form-data类型的请求,框架会特殊处理文件上传和其他参数的组合情况。
最佳实践
-
描述清晰明确:为每个参数提供准确、清晰的描述,帮助API使用者理解参数用途。
-
保持一致性:在整个项目中保持描述风格的一致性,便于维护和理解。
-
考虑国际化:如果项目需要支持多语言,可以考虑将描述信息提取到单独的国际化文件中。
-
结合其他装饰器:可以结合
@Required、@Example等装饰器,提供更完整的API文档。
总结
TSED框架通过灵活的装饰器系统,为开发者提供了强大的API文档生成能力。正确使用@Description与@BodyParams的组合,可以生成清晰、专业的API文档,极大提升开发效率和API可用性。随着框架的不断更新,这类文档相关的功能也在持续完善中。
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