KCL语言中对象迭代时出现__settings__键的问题分析
问题描述
在使用KCL语言进行开发时,当开发者尝试对一个schema类型的对象进行迭代操作时,输出结果中会意外出现一个名为__settings__的键值对。这个键值对并不是开发者显式定义的,而是由KCL运行时自动添加的,这给数据处理带来了不便。
问题复现
让我们通过一个简单的例子来重现这个问题:
schema Item:
value: str
schema Items:
[str]: Item
_data = Items {
"a": {value: 'foo'}
"b": {value: 'bar'}
}
r = [[k, v] for k, v in _data]
开发者期望的输出是:
r:
- - a
- value: foo
- - b
- value: bar
但实际得到的输出却是:
r:
- - __settings__
- output_type: INLINE
- - a
- value: foo
- - b
- value: bar
问题分析
这个问题的根源在于KCL运行时在处理schema类型对象时,会为每个schema实例自动添加一个__settings__属性,用于存储该schema的一些内部配置信息。当进行迭代操作时,这个内部属性也被包含在了迭代结果中。
__settings__属性包含了一个名为output_type的字段,其值为INLINE,这表明该schema实例的输出方式为内联方式。这是KCL运行时用于控制输出格式的内部机制。
影响范围
这个问题主要影响以下场景:
- 当开发者需要对schema对象进行迭代操作时
- 当需要将schema对象转换为字典或其他数据结构时
- 当需要序列化schema对象时
在这些场景下,开发者不得不编写额外的代码来过滤掉__settings__键,例如:
r = [[k, v] for k, v in _data if k != "__settings__"]
这不仅增加了代码复杂度,也降低了代码的可读性。
解决方案
KCL开发团队已经确认这是一个需要修复的问题,并计划在0.8版本中移除迭代时出现的__settings__属性。这将使迭代操作更加符合开发者的直觉预期。
对于当前版本的用户,可以采取以下临时解决方案:
- 显式过滤
__settings__键:
filtered_data = {k: v for k, v in _data if k != "__settings__"}
-
使用schema的特定字段进行迭代,而不是直接迭代整个对象
-
在输出前对数据进行后处理,移除不需要的键
总结
KCL语言中schema对象迭代时出现__settings__键是一个已知问题,它源于KCL运行时的内部实现机制。虽然这个问题不会影响程序的正确性,但会给数据处理带来不便。开发团队已经计划在未来的版本中修复这个问题。在此期间,开发者可以使用上述临时解决方案来处理这个问题。
这个问题的修复将使得KCL语言在处理schema对象时更加一致和直观,提升开发体验。对于依赖KCL进行配置管理的项目来说,这是一个值得期待的改进。
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