Foundry项目中的Prank机制深度解析与正确使用姿势
2025-05-26 20:12:18作者:谭伦延
理解Foundry的Prank机制
Foundry测试框架中的Prank功能是模拟交易发送者的重要工具,它允许开发者修改合约调用时的msg.sender值。这个功能在测试权限控制、多账户交互等场景下非常有用。
典型问题场景分析
在测试过程中,开发者可能会遇到这样的情况:当尝试嵌套使用vm.startPrank()时,发现第二次调用后的msg.sender没有按预期恢复为前一个Prank设置的地址。这实际上是由于对Prank机制的工作原理理解不够深入导致的。
Prank机制的工作原理
Foundry的Prank机制有以下几个关键特性:
-
单层Prank:当使用单个
startPrank和stopPrank时,stopPrank会将msg.sender恢复为测试合约地址(address(this)) -
嵌套Prank:Prank的"堆栈"是基于调用深度(call depth)维护的,而不是简单的线性堆栈。在同一调用深度下,新的Prank会完全覆盖前一个Prank
-
应用时机:Prank必须在被实际应用(即至少有一次合约调用)后才能被覆盖
正确的Prank使用模式
简单场景
function testSimplePrank() external {
vm.startPrank(userA);
// 这里的msg.sender是userA
someContract.doSomething();
vm.stopPrank();
// 这里的msg.sender恢复为address(this)
}
嵌套场景
function testNestedPrank() external {
vm.startPrank(userA);
someContract.doSomething(); // 必须先应用一次
vm.startPrank(userB);
someContract.doSomethingElse();
vm.stopPrank();
// 需要显式恢复为userA
vm.startPrank(userA);
someContract.doAnotherThing();
vm.stopPrank();
}
常见误区与解决方案
-
误区一:认为Prank会自动堆叠恢复
- 解决方案:每次切换Prank都需要显式设置
-
误区二:未应用Prank就尝试覆盖
- 解决方案:确保在覆盖前至少有一次合约调用
-
误区三:忽略调用深度的影响
- 解决方案:理解Prank是基于调用深度而非简单堆栈
最佳实践建议
- 保持Prank的作用域尽可能小
- 为每个测试用例编写清晰的注释,说明预期的发送者
- 考虑使用辅助函数来管理复杂的Prank场景
- 在测试中增加
console.log输出当前msg.sender以验证行为
通过深入理解Foundry的Prank机制并遵循这些最佳实践,开发者可以更有效地编写可靠的智能合约测试用例。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
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++
941
868
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
394
292
暂无简介
Dart
911
219
🎉 (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
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
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
1.07 K
557