Hardhat项目中关于revertWithCustomError与Viem集成的技术解析
2025-05-29 20:03:53作者:毕习沙Eudora
背景与问题场景
在智能合约测试过程中,错误断言是验证合约行为的重要环节。Hardhat作为流行的区块链开发环境,提供了hardhat-chai-matchers插件来扩展Chai断言库的功能。其中revertedWithCustomError是一个常用的匹配器,用于验证合约是否抛出了特定的自定义错误。
然而,当开发者尝试将这一功能与hardhat-viem(Hardhat的Viem集成)配合使用时,会遇到一个关键问题:从getContractAt获取的合约实例缺少interface属性,导致revertedWithCustomError无法正常工作。
技术原理分析
-
Ethers与Viem的架构差异:
- Ethers.js的合约实例包含完整的ABI信息,通过
interface属性暴露错误定义 - Viem采用更轻量级的架构,合约实例不自动包含完整的接口定义
- Ethers.js的合约实例包含完整的ABI信息,通过
-
hardhat-chai-matchers的设计:
- 该插件最初为Ethers.js设计,依赖
interface属性来解析自定义错误 - 错误匹配器需要访问合约ABI才能识别自定义错误的selector和参数
- 该插件最初为Ethers.js设计,依赖
-
Viem的工作方式:
- 提供更底层的RPC交互
- 合约调用返回的错误信息格式与Ethers不同
- 需要额外的错误解码层
当前解决方案
在Hardhat 3.0发布Viem专用匹配器之前,开发者可以采用以下替代方案:
- 基础错误断言:
await expect(contract.write.grantMinter([address]))
.to.be.rejectedWith("预期的错误消息");
-
手动错误解码:
- 通过Viem的
decodeErrorResult手动解析revert数据 - 需要预先知道错误ABI定义
- 通过Viem的
-
临时封装方案:
function withCustomError(contract, errorName) {
return {
async assert(receipt) {
const error = await decodeCustomError(contract, receipt);
if(error.name !== errorName) {
throw new Error(`Expected ${errorName} but got ${error.name}`);
}
}
}
}
最佳实践建议
-
项目技术栈统一:
- 新项目建议统一使用Ethers或Viem全套工具链
- 避免混合使用不同生态的测试工具
-
错误测试策略:
- 对于关键业务错误,建议增加错误码的显式断言
- 可以考虑将错误定义提取为共享常量
-
升级规划:
- 关注Hardhat 3.0的发布动态
- 为Viem专用匹配器的引入预留升级路径
未来展望
随着Viem在区块链生态中的普及,Hardhat团队正在积极开发与之深度集成的测试工具。预计在Hardhat 3.0中将会提供:
- 原生支持Viem合约实例的错误匹配器
- 更精细的错误解码和断言能力
- 与TypeScript更好的类型集成
开发者可以保持对Hardhat更新日志的关注,及时获取最新的Viem集成进展。对于当前项目,建议根据实际需求选择合适的临时解决方案,并在技术栈升级时进行相应的测试代码迁移。
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
Ascend Extension for PyTorch
Python
222
238
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
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217