Space and Time项目中的InnerProductTypes重构实践
在Space and Time项目的sxt-proof-of-sql代码库中,最近完成了一项重要的代码重构工作,将InnerProductTypes相关类型从base模块迁移到了proof_primitive目录下。这项重构工作解决了代码库中的循环依赖问题,同时提升了代码的组织结构和可维护性。
重构背景
在项目开发过程中,开发团队发现base模块中包含了三个与内积证明相关的核心类型:Curve25519Scalar、RistrettoPoint和InnerProductProof。这些类型的存放位置导致了模块间的循环依赖问题,影响了代码的编译效率和架构清晰度。
重构方案
重构工作被分解为三个主要任务,每个任务对应一个独立的Pull Request:
-
Curve25519Scalar迁移:将Curve25519Scalar类型及其单元测试迁移到新创建的proof_primitive/inner_product目录下。这个类型代表了椭圆曲线密码学中使用的标量值。
-
RistrettoPoint迁移:将RistrettoPoint类型及其单元测试迁移到inner_product目录。RistrettoPoint是Ristretto椭圆曲线上的点表示,在密码学证明中扮演重要角色。
-
InnerProductProof迁移:将InnerProductProof类型及其单元测试迁移到inner_product目录。这个类型实现了内积证明的核心逻辑。
技术挑战
在重构过程中,开发团队遇到了几个技术挑战:
-
测试依赖问题:在迁移过程中,发现TestScalar类型仅在测试环境中可用,导致文档测试(doctest)无法找到该类型而失败。团队考虑了几种解决方案:
- 直接使用TestScalar会导致文档测试失败
- 将测试包装在#[test]函数中会触发Clippy警告
-
代码冲突风险:这项重构工作与另一个正在进行的问题(#234)可能存在代码冲突,需要特别注意协调。
-
依赖顺序:重构工作依赖于另一个问题(#230)的完成,这要求团队合理安排工作顺序。
解决方案
针对测试依赖问题,团队最终采用了以下策略:
- 保留原有的测试方式,不强制转换为使用TestScalar
- 对于必须使用TestScalar的情况,创建专门的测试模块
- 仔细处理文档测试,避免引入不必要的依赖
重构成果
通过这项重构工作,项目实现了以下改进:
- 消除了base模块与proof_primitive模块间的循环依赖
- 提高了代码的组织性和可维护性
- 为未来的功能扩展打下了更好的基础
- 保持了测试覆盖率和代码质量
这项重构工作展示了在复杂密码学项目中管理代码依赖和组织结构的重要性,也为类似项目提供了有价值的参考经验。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00