ORPC v0.23.0 发布:输入输出结构定制化新特性解析
ORPC(OpenAPI RPC Framework)是一个基于 TypeScript 的 API 开发框架,它通过结合 OpenAPI 规范和 RPC 模式,为开发者提供了类型安全和高效的 API 开发体验。最新发布的 v0.23.0 版本引入了一个重要的新特性——输入输出结构定制化功能,这为 API 的数据处理方式带来了更大的灵活性。
输入输出结构定制化功能详解
在 API 开发中,请求和响应的数据结构处理是一个核心关注点。ORPC v0.23.0 通过引入 inputStructure 和 outputStructure 配置项,让开发者能够根据实际需求选择最适合的数据处理方式。
输入结构配置(inputStructure)
inputStructure 提供了两种模式来处理传入的请求数据:
-
compact(紧凑模式)
- 自动合并路径参数(params)与查询参数(query)或请求体(body)
- 简化了输入处理,适用于简单的 API 场景
- 减少了代码中处理不同来源参数的复杂度
-
detailed(详细模式)
- 保持路径参数、查询参数、请求头和请求体的分离
- 提供更精细的控制,适用于需要明确区分不同来源参数的复杂场景
- 保留了完整的请求上下文信息
输出结构配置(outputStructure)
同样地,outputStructure 也提供了两种响应数据处理方式:
-
compact(紧凑模式)
- 仅返回响应体内容
- 简化了响应结构,适用于大多数基础 API 场景
- 减少了不必要的数据传输
-
detailed(详细模式)
- 分离响应头和响应体
- 允许开发者精细控制响应头信息
- 适用于需要自定义 HTTP 头的高级场景
实际应用示例
以下是一个使用详细模式的完整示例,展示了如何定义和处理具有复杂结构的 API:
os.route({
inputStructure: 'detailed', // 使用详细输入结构
outputStructure: 'detailed' // 使用详细输出结构
})
.input(z.object({
params: z.object({ id: z.string() }), // 路径参数
query: z.object({ search: z.string() }), // 查询参数
body: z.object({ name: z.string() }).optional(), // 请求体
}))
.handler((input) => ({
body: { message: 'Hello' }, // 响应体
headers: { 'x-header': 'value' }, // 自定义响应头
}));
这个示例清晰地展示了如何:
- 分别定义路径参数、查询参数和请求体
- 在处理器中返回包含响应体和自定义头的完整响应
- 保持输入输出结构的明确分离
技术实现细节
在底层实现上,ORPC 通过增强 Zod 模式验证的能力来支持这一特性。Zod 是一个强大的 TypeScript 模式验证库,ORPC 利用它来:
- 根据选择的输入结构模式,自动重组或保持请求数据的原始结构
- 对不同类型的参数进行统一的类型验证
- 将复杂的模式定义转换为清晰的 OpenAPI 规范
值得注意的是,v0.23.0 还修复了 Zod 到 JSON Schema 转换过程中描述信息丢失的问题,进一步提升了文档生成的准确性。
适用场景分析
紧凑模式最适合:
- 简单的 CRUD 操作
- 快速原型开发
- 参数来源单一的 API 端点
详细模式则更适合:
- 需要精细控制 HTTP 头的 API
- 需要明确区分不同来源参数的复杂业务逻辑
- 需要向后兼容的历史 API
- 需要完整请求上下文的中间件处理
升级建议
对于现有项目,升级到 v0.23.0 后:
- 评估现有 API 是否需要更精细的输入输出控制
- 对于简单 API,可以考虑使用紧凑模式简化代码
- 对于复杂 API,详细模式可以提供更好的可维护性
- 注意检查 Zod 描述信息在文档生成中的表现
ORPC v0.23.0 的输入输出结构定制化功能为开发者提供了更灵活的数据处理方式,无论是构建简单的微服务还是复杂的企业级 API,都能找到合适的配置方案。这一特性的引入,进一步巩固了 ORPC 作为现代化 API 开发框架的地位。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00