TypeSpec项目中的Diagnosable API设计解析
2025-06-10 17:20:20作者:殷蕙予
背景与问题
在TypeSpec项目中,许多API的设计采用了返回结果与诊断信息分离的模式,即返回一个包含结果和诊断信息的元组[Result, readonly Diagnostic[]]。这种设计模式在编译器开发中非常常见,它允许API在返回计算结果的同时,携带相关的警告或错误信息。
然而,在实际使用中,特别是在编写emitter或其他库代码时,开发者往往并不关心这些诊断信息,因为这些信息可能已经被上游处理过,或者对当前上下文并不重要。这就导致开发者需要频繁地使用类似ignoreDiagnostics($.foo.my(...))这样的代码来忽略诊断信息,增加了代码的冗余度。
解决方案:Diagnosable API设计
为了解决上述问题,TypeSpec团队提出了一种名为"Diagnosable API"的设计模式。该模式的核心思想是为API提供两种调用方式:
- 简洁调用:直接返回结果,忽略诊断信息
- 完整调用:返回结果和诊断信息的元组
这种设计通过一个统一的接口DiagnosableApi来实现,它包含两个方法:
- 常规调用:直接返回结果
withDiagnostics调用:返回结果和诊断信息的元组
实现细节
实现这一设计的关键在于createDiagnosable工厂函数。这个函数接受一个返回[R, readonly Diagnostic[]]的原始函数,并将其包装成一个具有双重调用能力的API。
interface DiagnosableApi<P, R> {
(...args: P): R;
withDiagnostics(...args: P): [R, readonly Diagnostic[]];
}
function createDiagnosable<P, R>(fn: (...args: P) => [R, readonly Diagnostic[]]): DiagnosableApi<P, R> {
// 实现细节...
}
使用示例
使用这种API设计后,开发者可以根据需要选择调用方式:
// 简洁调用 - 只关心结果
const bar = $.resolve("Foo.bar");
// 完整调用 - 需要处理诊断信息
const [bar, diagnostics] = $.resolve.withDiagnostics("Foo.Bar");
优势分析
这种设计模式带来了几个显著优势:
- API使用更灵活:开发者可以根据上下文选择是否需要处理诊断信息
- 代码更简洁:在不需要诊断信息的场景下,避免了冗余的忽略诊断代码
- 类型安全:通过TypeScript的类型系统,确保两种调用方式都得到正确的类型检查
- 一致性:为项目中所有需要返回诊断信息的API提供了统一的设计模式
应用场景
这种Diagnosable API设计特别适用于以下场景:
- 编译器开发:在语法分析、类型检查等环节,需要收集大量诊断信息
- 代码生成器:在生成代码时可能需要报告警告但继续执行
- 工具链开发:需要灵活处理不同级别的诊断信息
- 库开发:提供丰富的错误信息同时保持简洁的API
总结
TypeSpec项目中的Diagnosable API设计是一种优雅的解决方案,它解决了在需要返回诊断信息的API中简洁性与完整性之间的矛盾。通过提供两种调用方式,既满足了需要详细诊断信息的场景,又简化了不关心诊断信息的代码编写。这种设计模式不仅提高了代码的可读性和可维护性,还为TypeSpec项目的API设计提供了一致性的标准。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660