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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0151- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
项目优选
收起
暂无描述
Dockerfile
732
4.75 K
Ascend Extension for PyTorch
Python
614
793
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++
1 K
1.01 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
433
393
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
145
237
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.17 K
151
暂无简介
Dart
983
252
Oohos_react_native
React Native鸿蒙化仓库
C++
348
402
昇腾LLM分布式训练框架
Python
166
198
🎉 (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
1.67 K
987