WalletConnect 通用提供者库 v2.21.0 版本解析
WalletConnect 是一个开源协议,旨在实现钱包与去中心化应用(DApp)之间的安全通信。作为其核心组件之一,Universal Provider(通用提供者)库为开发者提供了便捷的Web3交互接口。最新发布的2.21.0版本带来了两项重要改进,优化了命名空间处理和能力缓存机制。
命名空间处理的重大变更
本次更新中最显著的变化是对requiredNamespaces参数的弃用。在之前的版本中,开发者需要通过这个参数来指定DApp运行所必需的区块链命名空间。而在2.21.0版本中,当检测到使用了requiredNamespaces参数时,系统会自动将其值赋给optionalNamespaces。
这一变更反映了WalletConnect团队对开发者体验的优化思路。在实践中,严格要求特定命名空间可能会导致不必要的连接失败,而将其转为可选参数后:
- 提高了连接的成功率
- 给予钱包端更大的灵活性
- 保持了向后兼容性,现有代码无需立即修改
这种设计决策体现了渐进式改进的理念,既引入了更合理的默认行为,又确保了现有应用的平稳过渡。
能力缓存机制的增强
另一个重要改进是针对wallet_getCapabilities请求的缓存策略优化。新版本现在会同时考虑链ID(chainIds)和地址(address)两个维度来决定是否向钱包发送请求。
具体来说,缓存系统现在会:
- 检查请求的链ID是否与缓存记录匹配
- 验证请求地址是否与缓存记录一致
- 只有两者都匹配时才会使用缓存结果
这种细粒度的缓存控制带来了以下优势:
- 避免了不同链或不同地址情况下返回错误缓存结果的风险
- 减少了不必要的网络请求
- 提高了响应速度
- 保持了数据准确性
对于开发者而言,这意味着在跨链或多地址场景下,能力查询将更加可靠和高效。
技术实现细节
从实现层面看,这次更新涉及到了WalletConnect核心库的多个组件:
- 在Sign Client中实现了新的缓存逻辑
- 更新了类型定义以支持变更
- 工具库也相应进行了调整
这些变更都保持了API的稳定性,开发者可以平滑升级而无需修改现有代码。同时,所有相关依赖版本都保持了一致性,确保了生态组件的兼容性。
升级建议
对于正在使用WalletConnect通用提供者库的开发者,建议:
- 评估现有代码中对
requiredNamespaces的使用情况 - 考虑逐步迁移到
optionalNamespaces参数 - 测试多链和多地址场景下的能力查询功能
- 关注性能指标,特别是缓存命中率的变化
这次更新体现了WalletConnect团队对开发者体验的持续关注,通过智能的默认值和精细化的缓存策略,既提升了系统的灵活性,又保证了稳定性和性能。对于构建复杂Web3应用的团队来说,这些改进将显著提升开发效率和用户体验。
kernelopenEuler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。C026
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