TypeBox 中如何访问非 TObject 类型的模式属性
在 TypeBox 项目中,开发者经常需要处理复杂的 JSON Schema 类型定义。本文将深入探讨如何访问不同类型模式中的属性,特别是针对非 TObject 类型(如联合类型和交叉类型)的处理方法。
问题背景
在构建基于声明的数据模型时,我们可能需要创建一个能够指向任何类型属性的通用引用类型。这个引用需要包含类型名称、属性名称和属性范围(即属性的类型定义)。
例如,考虑以下 LegalStatement 类型:
const LegalStatement = Type.Object({
legalEvent: Type.Union([core.Identifier, core.JsonPointer]),
record: Type.Union([core.Identifier, core.JsonPointer]),
value: Type.Any(),
created: core.DateTime,
effectiveFrom: core.TemporalPosition,
effectiveUntil: Type.Optional(core.TemporalPosition),
})
我们需要确保语句只能针对底层模型的现有属性,并能够指示属性的范围以便正确解析值。
初步解决方案
最初尝试的方案是针对 TObject 类型的:
const AttributeReference = <T extends TObject>(type: T, attribute: string) => {
const typeName = type.$id as string;
const attributeRange = type.properties[attribute].$id as string
return Type.Object({
type: Type.Literal(typeName),
attributeName: Type.Literal(attribute),
attributeRange: Type.Literal(attributeRange)
})
}
然而,这种方法存在局限性,因为它无法处理 TIntersect 或 TUnion 等非 TObject 类型,因为这些类型没有 properties 属性。
改进方案:使用 Type.Index
TypeBox 提供了 Type.Index 方法,可以访问嵌入在对象、联合、交叉和元组类型中的顶级类型。这个方法与 TypeScript 中的索引访问类型设计一致。
const AttributeReference = <T extends TSchema>(type: T, attributeName: string) => {
const typeName = type.$id as string;
const attributeRange = Type.Index(type, [attributeName]);
if (TypeGuard.IsNever(attributeRange)) {
throw new Error(`The attribute ${attributeName} does not exist on the type ${typeName}.`);
}
return Type.Object({
targetType: Type.Literal(typeName),
targetAttribute: Type.Literal(attributeName),
value: attributeRange
});
}
这个改进后的方案可以处理更广泛的类型,包括交叉类型和联合类型。Type.Index 方法会返回指定属性的类型定义,如果属性不存在则返回 Never 类型。
关于 $id 属性的思考
虽然上述方案解决了类型访问的问题,但开发者可能还希望获取属性类型的 $id(模式标识符)。然而,TypeBox 目前不将 $id 作为泛型参数跟踪,因为 TypeScript 无法从类型中派生变量名。
例如:
const Foo = Type.String({ $id: 'Foo' })
在这个例子中,'Foo' 是引用变量名,但不是泛型的。TypeScript 没有提供从类型中获取 'Foo' 作为字符串字面量的方法。
结论
通过使用 Type.Index 方法,我们能够构建一个更通用的属性引用解决方案,适用于各种 TypeBox 类型。虽然 $id 属性的内省目前受到限制,但 TypeBox 的类型系统提供了足够的灵活性来处理大多数实际场景。
对于需要在客户端和服务器之间共享模式信息的应用,如果双方使用相同的模式定义,模式标识符足以共享含义。如果模式没有 $id,也可以回退到模式本身的序列化表示。
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-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
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