OpenAPI TypeScript 项目中的不可变数组类型支持
在 TypeScript 开发中,不可变数据结构对于保证代码的稳定性和可预测性非常重要。OpenAPI TypeScript 项目作为一个能够将 OpenAPI 规范转换为 TypeScript 类型的工具,近期对其不可变类型支持进行了重要增强。
不可变类型的重要性
不可变数据结构是现代前端开发中的重要概念。它们能够:
- 防止意外的数据修改
- 简化状态管理
- 提高代码的可预测性
- 便于调试和追踪数据变化
在 OpenAPI TypeScript 项目中,通过 --immutable 标志可以生成不可变类型,但之前的版本存在一个局限性:虽然对象属性被标记为 readonly,但数组内容仍然可以被修改。
问题分析
考虑以下 OpenAPI 规范片段:
{
"Test": {
"type": "object",
"properties": {
"Foo": {
"type": "array",
"items": {
"type": "string"
}
}
}
}
}
在 7.0.0-next.7 版本中,生成的类型是:
Test: {
readonly Foo: string[];
}
虽然 Foo 属性本身是只读的,但数组内容仍然可以被修改,例如通过 push()、pop() 等方法。这破坏了真正的不可变性。
解决方案实现
最新版本的 OpenAPI TypeScript 已经解决了这个问题,现在会生成以下两种等效形式之一:
Test: {
readonly Foo: readonly string[];
}
或者
Test: {
readonly Foo: ReadonlyArray<string>;
}
这两种形式在 TypeScript 中是等价的,都能确保数组内容不可变。ReadonlyArray 类型移除了所有会修改数组内容的方法,如 push()、pop()、splice() 等,只保留了不会修改原数组的方法如 map()、filter() 等。
技术实现细节
这一改进主要涉及对数组类型生成的修改。在代码层面,主要调整了 schema 对象转换逻辑中处理数组类型的部分。开发者现在可以确保通过 OpenAPI TypeScript 生成的不可变类型是真正不可变的,包括嵌套的数组结构。
使用建议
对于大多数 API 响应数据,推荐使用不可变类型:
- 它能更好地反映 API 响应的本质(通常不应被修改)
- 提高代码的稳定性
- 简化状态管理
对于需要修改数据的场景(如准备请求数据),可以:
- 使用类型断言(谨慎使用)
- 创建新的数据结构副本
- 使用专门的工具库处理不可变数据
总结
OpenAPI TypeScript 的这一改进使得生成的类型更加严格和安全,特别是对于不可变数据结构。开发者现在可以放心地使用生成的类型,确保数据的真正不可变性,从而编写出更健壮、更易维护的代码。
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