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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00