解决fuels-rs项目中setup_program_test宏的依赖污染问题
2025-05-02 10:17:23作者:瞿蔚英Wynne
在fuels-rs项目中,setup_program_test宏存在一个重要的设计缺陷——它采用了不卫生的宏实现方式,导致了一系列依赖污染问题。这个问题不仅影响了代码的整洁性,还可能给使用者带来不必要的困扰。
问题本质
宏的不卫生性主要体现在它直接假设调用环境中已经存在某些特定的依赖项和类型。具体表现为:
- 宏内部直接使用了
::rand这样的绝对路径,这意味着如果用户代码中没有显式引入rand crate,宏调用就会失败 - 宏假设fuels相关的类型已经在当前作用域中可用,没有正确处理类型的命名空间
这种实现方式违反了Rust宏设计的最佳实践,即宏应该尽可能自包含,不对外部环境做出过多假设。
问题影响
这种设计缺陷会导致几个实际问题:
- 强制依赖:即使用户代码本身不需要rand功能,由于宏内部使用了rand,用户也不得不添加这个依赖
- 命名冲突:绝对路径的使用可能导致与其他crate中的同名项冲突
- 可维护性差:如果需要修改依赖项,必须修改宏本身,而不是通过配置或参数来调整
解决方案
针对这个问题,我们可以采用几种改进方法:
1. 依赖重导出
fuels-rs可以在自己的crate中重新导出rand的相关功能。这样:
pub use rand; // 在lib.rs中重导出
然后在宏中使用crate::rand而不是::rand。这种方式的好处是保持了API的稳定性,但需要注意:
- 重导出的版本升级需要考虑semver兼容性
- 会增加fuels-rs的公开接口表面积
2. 功能委托
更优雅的解决方案是将随机数生成等功能委托给fuels-rs导出的函数:
// 在lib.rs中
mod internal {
pub fn generate_random() -> u64 {
rand::random()
}
}
// 宏内部调用crate::internal::generate_random()
这种方式完全隐藏了实现细节,提供了更好的封装性。
3. 参数化设计
最灵活的方式是让宏接受随机数生成器作为参数:
setup_program_test!(rng = my_rng, ...);
这样用户可以根据需要提供自己的随机源。
实施建议
基于工程实践考虑,推荐采用第二种方案(功能委托)为主,理由如下:
- 完全隐藏实现细节,减少公开API的维护负担
- 不影响现有用户代码
- 未来可以灵活调整内部实现而不破坏兼容性
实施步骤应包括:
- 创建内部模块封装所有依赖功能
- 修改宏实现使用这些封装函数
- 更新文档说明
- 从e2e测试中移除直接的rand依赖
总结
宏的设计应当遵循最小意外原则,setup_program_test宏的当前实现由于忽略了卫生性考虑,给用户带来了不必要的约束。通过合理的封装和委托,我们可以既保持功能完整,又提供更干净的接口。这种改进对于提升fuels-rs的整体质量和用户体验具有重要意义。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492