Starknet.js v7.0.0-beta.1 发布:RPC 0.8 与 V3 交易支持详解
Starknet.js 是区块链二层扩容解决方案 Starknet 的官方 JavaScript SDK,它为开发者提供了与 Starknet 区块链交互的完整工具集。作为 Starknet 生态中最核心的开发库之一,Starknet.js 承担着连接前端应用与 Starknet 网络的重要桥梁作用。
近日,Starknet.js 发布了具有里程碑意义的 v7.0.0-beta.1 版本,这个版本带来了对 Starknet RPC 0.8 规范的完整支持,并引入了备受期待的 V3 交易类型。这些更新不仅代表了技术栈的重大演进,也为 Starknet 生态带来了更强大的功能和更高效的交互方式。
RPC 0.8 规范支持
RPC(远程过程调用)是 Starknet.js 与 Starknet 节点通信的核心协议。v7.0.0-beta.1 版本中,Starknet.js 正式将默认 RPC 版本升级至 0.8,同时移除了对旧版 RPC 0.6 的支持。这一变化带来了几个关键改进:
-
性能优化:RPC 0.8 在数据传输和请求处理方面进行了多项优化,显著提升了节点与客户端之间的通信效率。
-
API 结构调整:新版 RPC 对部分 API 端点和方法进行了重新设计,使其更加符合开发者直觉,同时增强了类型安全性。
-
错误处理改进:错误代码和消息更加标准化,便于开发者诊断和处理各类网络问题。
-
批量请求支持:增强了对批量 RPC 请求的处理能力,适合需要同时执行多个查询的场景。
V3 交易类型引入
V3 交易是 Starknet 网络中的新一代交易格式,它解决了现有交易类型的多个局限性,并为未来的功能扩展奠定了基础:
-
资源定价分离:V3 交易将计算资源(计算步骤)和存储资源(存储写入)分开定价,使费用模型更加精细和公平。
-
支付灵活性:支持使用任意代币支付交易费用,不再局限于特定代币,大大提升了用户体验。
-
账户抽象增强:为智能合约账户提供了更多自定义逻辑的可能性,使账户行为可以更加灵活。
-
非ce管理改进:引入了更先进的 nonce 管理机制,支持并行交易处理等高级用例。
迁移注意事项
由于这是一个主版本更新,开发者需要注意以下不兼容变更:
-
RPC 0.6 移除:项目如果仍在使用 RPC 0.6 接口,需要先升级节点至支持 RPC 0.8 的版本,再迁移客户端代码。
-
交易构建API变更:创建交易时需要使用新的 V3 交易构建器,原有的交易构建方式已被标记为废弃。
-
类型定义调整:多个核心接口的类型定义发生了变化,需要检查类型相关的代码。
-
错误处理更新:捕获和处理 RPC 错误的方式可能需要相应调整以适应新的错误代码体系。
开发者实践建议
对于准备升级到 v7.0.0-beta.1 的开发者,建议采取以下步骤:
-
测试环境验证:先在测试网络上验证现有功能,确保兼容性。
-
渐进式迁移:对于复杂项目,可以考虑逐步迁移模块,而非一次性全量升级。
-
关注交易费用变化:V3 交易的费用计算逻辑有所不同,需要重新评估和调整费用预估策略。
-
利用类型检查:TypeScript 用户应充分利用增强的类型系统,在编译时捕获潜在问题。
-
查阅更新日志:详细阅读版本变更说明,了解每个 API 的具体变化。
未来展望
随着 Starknet.js v7.0.0 的正式发布临近,Starknet 生态系统将迎来更加稳定和强大的开发工具链。RPC 0.8 和 V3 交易的引入不仅解决了当前的技术债务,还为以下方向铺平了道路:
-
更复杂的账户模型:支持更灵活的账户抽象实现。
-
跨链交互增强:为未来的跨链交易提供基础支持。
-
费用优化:更精细的资源定价模型将带来更公平的费用分配。
-
开发者体验提升:简化的 API 设计和更强的类型安全将降低开发门槛。
Starknet.js v7.0.0-beta.1 的发布标志着 Starknet 开发者工具的重要进化,虽然升级过程可能需要一些适应,但长远来看,这些改进将显著提升开发效率和用户体验。开发者应尽早开始评估升级计划,以充分利用新版本带来的各项优势。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00