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。
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