Schemars v1.0.0-alpha.20 版本发布:模式操作增强与透明结构体修复
Schemars 是一个用于 Rust 语言的 JSON Schema 生成库,它能够自动为 Rust 类型生成对应的 JSON Schema 定义。这个工具在构建 Web API 时特别有用,可以方便地为接口参数和返回值生成标准的 JSON Schema 描述,进而用于文档生成、输入验证等场景。
最新发布的 v1.0.0-alpha.20 版本带来了两个重要的功能增强和一个关键修复,这些改进使得 Schemars 在处理复杂数据结构时更加灵活和准确。
新增模式操作方法
本次更新引入了三个新的方法来更灵活地操作 Schema 对象:
get_mut- 获取 Schema 的可变引用pointer- 使用 JSON Pointer 获取 Schema 的不可变引用pointer_mut- 使用 JSON Pointer 获取 Schema 的可变引用
这些方法为开发者提供了更细粒度的控制能力,使得在生成 Schema 后能够对其进行动态调整。例如,当需要根据某些条件修改 Schema 的某些属性时,现在可以直接获取对应部分的引用进行修改,而不必重新构建整个 Schema。
改进映射类型的模式生成
对于 Rust 中的映射类型(如 BTreeMap 和 HashMap),新版本优化了它们的 Schema 生成方式,现在会正确地使用 patternProperties 来描述这些类型,而不是简单地标记为"对象"类型。
需要注意的是,这一改进带来了一个重要的变化:现在 BTreeMap<K,V> 和 HashMap<K,V> 只有在键类型 K 和值类型 V 都实现了 JsonSchema trait 时才会实现 JsonSchema trait。这一改变确保了生成的 Schema 能够准确反映映射类型的结构。
修复透明结构体属性处理问题
新版本修复了一个关于 transparent 属性的问题。在之前的版本中,如果一个结构体标记为 transparent(透明),那么它的其他属性可能会被错误地忽略。现在,即使结构体是透明的,其他属性也会被正确地处理。
透明结构体通常用于类型包装场景,这个修复确保了在保持透明特性的同时,不会意外丢失其他重要的模式定义信息。
总结
Schemars v1.0.0-alpha.20 版本通过新增的模式操作方法提升了库的灵活性,改进了映射类型的模式生成准确性,并修复了透明结构体的属性处理问题。这些改进使得 Schemars 在描述复杂数据结构时更加精确和实用,为开发者提供了更好的工具支持。
对于正在使用 Schemars 的开发者,特别是那些需要处理复杂数据结构和需要动态调整 Schema 的场景,这个版本值得升级。不过需要注意的是映射类型的 trait 实现条件变化可能会影响现有代码,升级时需要检查相关使用情况。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00