ts-rs v11.0.0发布:更强大的Rust到TypeScript类型转换工具
ts-rs是一个优秀的Rust库,它能够自动将Rust类型转换为TypeScript类型定义,极大地简化了前后端类型同步的工作。这个工具特别适合全栈开发场景,让开发者可以保持前后端类型系统的一致性,减少手动维护类型定义的工作量。
主要更新内容
1. 可选字段的批量声明
新版本引入了#[ts(optional_fields)]属性,这是一个非常实用的功能。在之前的版本中,如果我们需要将一个结构体的所有字段都声明为可选,需要为每个字段单独添加#[ts(optional)]属性。现在,只需要在结构体级别添加#[ts(optional_fields)]就能实现同样的效果。
#[derive(TS)]
#[ts(optional_fields)]
struct Form {
first_name: Option<String>, // 生成 first_name?: string
last_name: Option<String>, // 生成 last_name?: string
email: Option<String>, // 生成 email?: string
}
这个特性特别适合处理表单数据或API请求体这类场景,其中很多字段都是可选的。
2. 增强的serde兼容性
ts-rs现在更好地与serde序列化库集成。当字段同时使用#[serde(skip_serializing_if)]和#[serde(default)]属性时,ts-rs会自动将这些字段转换为TypeScript中的可选属性。
#[derive(Serialize, Deserialize, TS)]
struct User {
#[serde(skip_serializing_if = "Option::is_none", default)]
nickname: Option<String>, // 生成 nickname?: string | null
}
这种改进确保了生成的TypeScript类型既能正确反映序列化行为,也能匹配反序列化需求,减少了类型不匹配的问题。
3. 更灵活的属性表达式
新版本允许在多个属性中使用任意Rust表达式,这为类型定义带来了更大的灵活性:
// 使用模块路径作为类型名称
#[derive(TS)]
#[ts(rename = module_path!().rsplit_once("::").unwrap().1)]
struct Model;
// 在文档注释中包含文件路径信息
#[derive(TS)]
#[doc = concat!("定义于 ", file!())]
struct UserGroup;
这个特性特别适合大型项目或代码生成场景,可以实现更动态的类型定义方式。
4. 元组结构体的可选字段
现在可以在元组结构体中使用#[ts(optional)]属性标记可选字段:
#[derive(TS)]
struct Location(Country, State, #[ts(optional)] City); // 生成 [Country, State, City?]
这使得元组结构体的类型转换更加灵活,能够更好地表达各种数据结构。
升级注意事项
从v10升级到v11时需要注意以下几点:
-
当同时使用
#[serde(skip_serializing(_if))]和#[serde(default)]时,字段现在会被转换为可选属性。如果不需要这种行为,可以使用#[ts(optional = false)]显式禁用。 -
ts_rs::TStrait的API有微小调整,大多数用户不会受到影响,但如果直接与这个trait交互,可能需要做少量调整。
技术实现亮点
-
更智能的serde属性处理:通过分析serde属性组合,自动推断出最合适的TypeScript类型表示。
-
表达式支持:利用Rust的宏系统,实现了对任意表达式的解析和求值,大大增强了属性的表达能力。
-
类型系统改进:优化了内部类型表示,使得可选类型的处理更加一致和可靠。
适用场景
ts-rs v11.0.0特别适合以下场景:
-
全栈TypeScript项目:保持前后端类型定义完全同步。
-
API文档生成:结合Swagger或其他文档工具,自动生成准确的类型定义。
-
大型项目维护:减少手动维护类型定义的工作量,提高开发效率。
-
动态类型需求:利用新的表达式支持,实现更灵活的类型生成逻辑。
这个版本的发布标志着ts-rs在Rust和TypeScript互操作领域又迈出了重要一步,为开发者提供了更强大、更灵活的类型转换能力。
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
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
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
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00