服务端之NestJS接口响应message编写规范详解、写给前后端都舒服的接口、API提示信息标准化

服务端之NestJS接口响应message编写规范详解、写给前后端都舒服的接口、API提示信息标准化


前言

在现代后端开发中,接口响应不仅仅是数据的传递,还承担着向前端或用户传递操作状态和结果的功能。一个规范、统一的message字段设计,可以显著提升系统的可维护性、前端开发效率和用户体验。

定义

响应结构示例(NestJS风格)

各字段作用

提示信息设计原则

简洁明了
1、不宜过长,一般3~12个汉字。
2、避免含糊不清的词,如“完成了”、“OK”等。


统一风格
1、同一项目接口建议使用统一动词+状态组合,例如:获取数据成功、数据加载完成。


上下文清晰
1、提示信息应体现操作对象或类型,如“用户列表获取成功”而不是“获取成功”。


可扩展与模板化
1、对于多类型数据返回,可使用模板化语法:


2、如 设备列表获取成功、订单数据获取成功

面向用户与面向开发分层
1、前端提示:简短易懂,强调用户操作状态。
2、后台日志 / 文档:正式、完整,便于排查接口状态。

提示信息风格分类

简洁风格(前端显示)

正式 / 日志风格(后台接口 / 接口文档)

带数量 / 上下文提示

带操作指引提示

提示信息模板化设计

模板
为了统一风格和减少重复代码,可设计模板:


输出:用户列表获取成功,共10条

模板化好处:
1、统一风格,易维护
2、可动态生成提示内容
3、可适配多语言(国际化)

国际化与多语言支持

模板
在国际化项目中,message应使用 语言文件或翻译key,避免硬编码:


好处
1、适配不同语言
2、前端可直接展示翻译内容
3、后端日志仍可使用统一key便于排查

最佳实践

前端提示短小清晰
1、数据加载完成、获取数据成功


后台 / 日志提示正式完整
1、数据已成功获取、列表数据已返回


数量提示增加用户反馈
1、列表数据获取成功,共${list.length}条


模板化 + 动态内容
1、提高复用率,降低出错率


避免模糊词
1、不使用“OK”、“完成了”、“操作成功了”
2、必须明确操作对象、状态或数量

参考示例(NestJS响应)



1、前端显示,用户列表获取成功,共10条
2、日志可记录status+message用于接口监控

总结

1、message字段是接口的重要组成部分,承担操作反馈和提示作用。
2、优化目标:简洁、统一、明确、可扩展、可国际化。
3、规范化提示信息:
3.1、前端提示:短小清晰,用户友好
3.2、后端日志 / 文档:正式完整,便于排查
3.3、可模板化,适应多接口、多数据类型
3.4、可动态添加数量或操作引导

统一风格示例清单推荐


API响应message清单(可直接使用)

1、前端提示(简洁直观)
获取数据成功、数据加载完成、操作成功、保存成功、更新成功、删除成功


2、后端日志 / 正式风格(完整清晰)
数据已成功获取、数据获取操作完成、列表数据已返回、数据更新操作已完成、记录已成功删除、请求已成功处理


3、列表类提示(带上下文)
用户列表获取成功、设备列表获取成功、订单列表获取成功、日志记录获取成功、配置数据获取成功


4、分页 / 带数量提示
列表数据获取成功,共${list.length}条、用户列表加载完成,共${list.length}条、数据获取成功,当前页${page}/共${totalPages}页、数据加载成功,本页${list.length}条,总数${total}条、查询成功,符合条件的数据共${total}条


5、操作提示 / 引导型
数据加载成功,可进行下一步操作、操作成功,数据已更新、删除成功,记录已移除、保存成功,请刷新查看、数据获取成功,请查看列表

Read more

手把手用ROS实现Ego-Planner动态避障:无人机撞树问题终结方案

手把手用ROS实现Ego-Planner动态避障:无人机撞树问题终结方案 你是否曾满怀期待地启动无人机,看着它在仿真环境中流畅起飞,却在下一秒“砰”地一声撞上突然出现的障碍物,仿真画面定格,留下一串令人沮丧的报错信息?在复杂、非结构化的真实飞行场景中,比如在枝叶交错的林间穿行,或在有行人、车辆移动的城区执行任务,传统的全局规划器往往显得力不从心。它们规划的路径可能全局最优,但面对瞬息万变的局部环境,反应速度跟不上变化,导致“撞树”成了家常便饭。今天,我们不谈空洞的理论对比,而是聚焦于一个能真正解决这个痛点的方案——Ego-Planner,并带你一步步在ROS和Gazebo搭建的仿真世界里,亲手实现一个能“眼观六路、随机应变”的无人机大脑。 本文面向的是已经具备一定ROS和无人机仿真基础,正被动态避障问题困扰的开发者、研究者或高级爱好者。我们将彻底抛开宏观的算法优劣论述,直接深入到代码配置、参数调优和实战排错层面。你将看到的不是“Ego-Planner实时性更好”这样的结论,而是“如何设置距离场梯度计算的网格分辨率”、“碰撞反作用力系数调到多少能让无人机既灵活又稳定”的具体操作。我们

宇树科技机器人核心技术

宇树科技机器人核心技术

前言 宇树科技作为全球足式/人形机器人领域的标杆企业,其技术体系覆盖消费级(Go2)、工业级(B2)、人形(G1/H1)全产品线,以“硬件自研+软件全栈+AI赋能”构建核心壁垒。本文不仅拆解宇树机器人的关键技术(单硬件、单软件、软硬件协同、AI+),还配套就业技能图谱、学习路线与工具推荐,适合机械、电子、计算机、AI领域开发者/求职者参考。 一、宇树科技机器人核心技术全景(附插图建议) 宇树的技术体系可概括为“四层金字塔结构”,从下到上实现“能运动→会运动→智能运动”的进阶: 技术层级核心定位代表技术应用价值底层硬件机器人“躯体骨架”自研伺服电机、分层计算平台、4D激光雷达保障运动性能与环境适配性全栈软件机器人“智慧大脑”MPC/WBC控制算法、SLAM感知融合、ROS2中间件实现精准控制与灵活交互软硬件协同机器人“神经中枢”实时控制闭环、

Submodular function次模函数 概念——AI学习

Submodular function次模函数 概念——AI学习

论文名称:Submodularity In Machine Learning and Artificial Intelligence 一、综述论文 这篇文章是一篇 综述论文(survey)。 核心目标是: 介绍 Submodular functions(次模函数) 以及它们在 机器学习与人工智能中的应用。 作者想说明一个非常重要的观点: 很多机器学习问题其实是“离散优化问题”。 例如: * Feature Selection:属于数据预处理问题,旨在从原始特征中筛选出最相关、最有信息量的子集,以降低维度、提升模型性能与可解释性。 * Dataset Subset Selection:属于数据采样或核心集选择问题,旨在从大规模数据中选取一个具有代表性的子集,以降低计算和存储成本,同时保持模型性能。 * Active Learning:属于机器学习训练策略问题,通过让模型主动选择最有价值的数据进行标注,以最少的标注成本最大化模型性能。 * Clustering:属于无监督学习问题,旨在根据数据的内在相似性,将未标记的数据自动分组为不同的类别或簇。 * Data

汇川机器人软件RobotLab常规操作

汇川机器人软件RobotLab常规操作

一.权限管理注意事项 1.1 软件登录权限管理 连接上软件后,修改轴参数、点位数据需要权限。点击人物图标,登录对应的权限,管理员权限登录密码6个0。 1.2机器人控制权限管理 点击“锁”,打开机器人控制权配置页面。 选择“InoRoboLabt”,机器人受编程软件控制,使用软件可手动移动点位、示教位置信息。 选择“远程IO单元”,机器人受外部设备控制如PLC、上位机,机器人进入自动模式,收到交互信号就按照程序执行。 选择“远程以太网客户端”,机器人受远程客户短控制,用于查找问题、远程调试。 二、 使用过渡点注意事项 程序中点到点直线运动会有机构干涉或有安全风险时,使用过渡点在运动规避风险。 使用过渡点时,注意指令的工具坐标系,选择正确的Wobj工具好,否则运动出错有撞机风险。 如下图所示为例,wobj0为A工位,wobj1为B工位,注意在“轴控制面板”中选择对应工具坐标号 三、使用全局点位移动注意事项 双击左侧“P.