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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00