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
kernelopenEuler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。C090
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
473
3.51 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
223
89
暂无简介
Dart
721
174
Ascend Extension for PyTorch
Python
283
316
React Native鸿蒙化仓库
JavaScript
286
337
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++
848
437
🎉 (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
1.27 K
698
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
10
1
🔥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