Orval v7.5.0 版本发布:全面优化与功能增强
Orval 是一个强大的 OpenAPI/Swagger 客户端代码生成工具,能够根据 API 规范自动生成类型安全的客户端代码。它支持多种前端框架和库,包括 React、Vue、Angular 等,并提供了丰富的配置选项来满足不同项目的需求。最新发布的 v7.5.0 版本带来了一系列重要的改进和新特性,进一步提升了开发体验和代码质量。
核心功能优化
在核心功能方面,v7.5.0 版本进行了多项重要改进:
-
数组类型模式组合:现在能够正确处理数组类型的模式组合,确保生成的类型定义更加准确。
-
必填属性处理:改进了 allOf 对象中必填属性的导出方式,确保生成的类型定义包含所有必需的属性。
-
参数计数处理:优化了自定义实例返回 useCallback 时的参数计数处理,避免了潜在的错误。
-
操作生成逻辑:修复了当操作具有多个标签时可能生成重复操作的问题,确保每个操作只生成一次。
-
枚举属性处理:改进了原生枚举属性的处理方式,使用
keyof typeof语法来确保类型安全。
Hono 客户端增强
针对 Hono 客户端,v7.5.0 版本引入了多项改进:
-
自定义验证器:新增了
hono.validator选项,允许开发者自定义验证逻辑,提供了更大的灵活性。 -
验证器导入优化:减少了不必要的
zValidator导入,使生成的代码更加简洁高效。 -
复合路由生成:新增了生成复合路由的能力,使得在 Hono 中组织和管理路由更加方便。
-
标签模式优化:在标签模式下移除了不必要的手柄导入,减少了代码冗余。
Mock 和测试改进
在 Mock 和测试方面,v7.5.0 版本也进行了多项优化:
-
MSW 处理改进:正确支持整数枚举的处理,并简化了组合逻辑,使 Mock 数据更加准确。
-
类型导入优化:避免了值和类型的重复导入,提高了代码的可读性和维护性。
-
Mock 标量值:确保
getMockScalar尊重 int64 格式的自定义覆盖,使 Mock 数据更加符合实际场景。 -
MSW 索引文件:在拆分标签模式下创建导出 MSW 的索引文件,方便管理和使用 Mock 服务。
其他重要改进
-
参数序列化文档:更新了参数序列化的相关文档,帮助开发者更好地理解和使用这一功能。
-
Fetch 客户端增强:改进了当 body 不存在时的错误处理,并确保
responseDataType不为空,提高了客户端的健壮性。 -
查询库修复:解决了在使用自定义 mutation 时可能破坏
TData类型检查的回归问题。 -
类型导出:现在可以从
@orval/core导出类型,方便在其他地方重用。 -
模型名称净化:新增了模型名称的净化功能,确保生成的代码更加规范和可读。
-
类型排序修复:移除了可能导致问题的生成类型排序,确保生成的代码更加稳定。
总结
Orval v7.5.0 版本通过一系列的核心优化、Hono 客户端增强和 Mock 测试改进,进一步提升了代码生成的质量和开发体验。这些改进不仅解决了多个已知问题,还引入了新的功能特性,使 Orval 成为一个更加强大和可靠的 API 客户端生成工具。无论是对于新项目还是现有项目的升级,v7.5.0 版本都值得开发者考虑采用。
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