Safe智能账户项目中代理创建事件的盐值随机数改进
在区块链应用开发中,事件日志是链下服务获取链上状态变化的重要途径。Safe智能账户项目近期对其代理合约创建机制进行了一项重要改进,增加了盐值随机数(salt nonce)的事件记录功能。这项改进为开发者提供了更完整的数据索引能力,同时保持了良好的向后兼容性。
技术背景
Safe智能账户使用代理工厂模式来部署新的Safe合约实例。在创建过程中,系统会生成一个独特的代理地址,这个地址由以下因素决定:
- 工厂合约地址
- 初始化代码
- 盐值随机数(salt nonce)
盐值随机数是确保每次部署都能生成不同地址的关键参数。在改进前,虽然系统会发出ProxyCreated事件,但该事件不包含盐值随机数信息,这给需要完整记录创建过程的链下服务带来了不便。
改进方案
项目团队采用了最小化变更原则来实现这一需求:
-
保持原有事件结构不变:原有的ProxyCreated事件继续存在,确保不影响现有监听该事件的应用程序。
-
新增盐值随机数事件:引入一个新的事件类型,专门携带盐值随机数信息。这种设计既满足了新需求,又完全避免了破坏性变更。
-
事件关联性:两个事件在同一个交易中发出,通过交易哈希可以轻松关联起来。
技术意义
这项改进带来了几个重要优势:
-
完整审计追踪:现在可以完整记录每个Safe账户创建时的所有关键参数,包括盐值随机数。
-
增强的索引能力:链下索引服务可以基于盐值随机数建立更完善的查询机制。
-
灵活的集成选择:新老系统可以根据自身需求选择监听一个或两个事件。
-
无迁移成本:现有系统可以继续工作,无需任何修改。
实现考量
在实现过程中,开发团队特别注意了以下方面:
-
Gas成本优化:新增事件的Gas消耗经过仔细评估,确保不会显著增加部署成本。
-
数据一致性:确保两个事件中的其他字段完全一致,避免数据歧义。
-
文档更新:相关文档同步更新,明确说明新旧事件的使用方式。
这项改进体现了Safe项目对开发者体验的重视,通过精心设计的事件机制,既满足了新需求,又保护了现有集成的稳定性。对于构建在Safe之上的应用和服务来说,这意味着更强大的数据可观测性和更灵活的集成选项。
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