在TsED项目中使用@Examples()装饰器增强Swagger文档
概述
TsED框架提供了强大的装饰器功能来增强API文档的生成。其中@Examples()装饰器是一个非常实用的工具,它允许开发者为API参数或模型属性定义多个示例值,从而在Swagger UI中生成直观的下拉选择框。
问题背景
在TsED项目中,开发者经常需要为API参数提供示例值。当参数直接定义在控制器方法中时,可以使用@Examples()装饰器轻松实现这一需求。但随着项目规模扩大,开发者倾向于将参数封装到模型类中,这时就遇到了@Examples()装饰器无法直接在模型属性上使用的问题。
解决方案
TsED 7.66.0版本对此进行了优化,现在可以在模型类上使用@Examples()装饰器。以下是具体实现方式:
基本用法
class QueryParamModel {
@Property()
path: string;
@Property()
condition: string;
@Property()
value: string;
}
@Path("/query")
class QueryModelCtrl {
@OperationPath("GET", "/")
async get(
@QueryParams()
@Examples({
example1: {
description: "description1",
value: {
path: "path1",
condition: "condition1"
}
},
example2: {
description: "description1",
value: {
path: "path2",
condition: "condition2"
}
}
})
q: QueryParamModel
) {}
}
生成效果
上述代码会生成包含示例值的Swagger文档,每个属性都会显示对应的示例选项:
{
"paths": {
"/query": {
"get": {
"parameters": [
{
"in": "query",
"name": "path",
"examples": {
"example1": {
"description": "description1",
"value": "path1"
},
"example2": {
"description": "description1",
"value": "path2"
}
},
"schema": {
"type": "string"
}
},
{
"examples": {
"example1": {
"description": "description1",
"value": "condition1"
},
"example2": {
"description": "description1",
"value": "condition2"
}
},
"in": "query",
"name": "condition",
"schema": {
"type": "string"
}
}
]
}
}
}
}
技术细节
-
装饰器位置:@Examples()装饰器应放在模型类作为参数使用的装饰器之后,如@QueryParams()之后。
-
示例结构:示例对象需要遵循特定格式,包含description和value属性,value值应与模型结构匹配。
-
自动映射:框架会自动将模型级别的示例值映射到各个属性上,无需为每个属性单独定义示例。
-
Swagger UI效果:生成的文档会在Swagger UI中为每个参数显示下拉选择框,方便API使用者快速选择预定义的示例值。
最佳实践
-
语义化示例名称:为每个示例使用有意义的名称,方便识别。
-
完整描述:为每个示例提供清晰的description,说明使用场景。
-
覆盖典型场景:提供足够多的示例覆盖常见使用场景。
-
保持一致性:确保示例值与实际业务逻辑一致,避免误导API使用者。
总结
TsED框架通过增强@Examples()装饰器的功能,使开发者能够更灵活地为模型类定义示例值,大大提升了API文档的可用性和开发体验。这一改进特别适合大型项目中使用模型类封装参数的场景,既保持了代码的整洁性,又提供了丰富的文档支持。
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