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
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
223
246
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
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218