Hardhat项目中getAllFullyQualifiedNames方法的路径过滤问题分析
在Hardhat智能合约开发框架中,getAllFullyQualifiedNames是一个用于获取所有完全限定合约名称的方法。近期发现该方法存在路径过滤不够严格的问题,可能导致非合约文件被错误识别为合约名称。
问题背景
Hardhat框架会在编译后生成合约的artifact文件,这些文件通常存储在artifacts/contracts/目录下。每个artifact文件都包含合约的ABI、字节码等关键信息,并以完全限定名称(Fully Qualified Name)的形式进行标识。
问题现象
当项目中存在artifacts/根目录下的JSON文件时(例如用户自行添加的package.json),getAllFullyQualifiedNames方法会错误地将这些文件也识别为合约artifact,生成类似".:package"这样的无效完全限定名称。这会导致依赖此方法的插件出现异常行为。
技术分析
当前实现的主要问题在于路径过滤逻辑不够严格:
- 方法会扫描整个
artifacts/目录下的所有JSON文件 - 缺乏对文件路径的有效性验证
- 没有检查文件内容是否符合artifact格式标准
解决方案建议
针对此问题,可以考虑以下几种改进方案:
-
路径限制方案:修改扫描逻辑,仅处理
artifacts/contracts/等特定子目录下的文件,忽略根目录文件。这是最直接有效的解决方案。 -
内容验证方案:在返回名称前检查JSON文件内容,验证是否包含artifact特有的字段(如
_format属性)。这种方法更严格但会增加性能开销。 -
文档规范方案:明确禁止在
artifacts/目录下存放非artifact文件,但这依赖于用户遵守规范,可靠性较低。
从实现难度和效果考虑,第一种路径限制方案最为推荐,既能解决问题又不会引入额外性能消耗。
影响评估
该问题主要影响以下场景:
- 使用
getAllFullyQualifiedNames方法获取所有合约名称的插件 - 自动处理所有artifact文件的工具链
- 依赖完全限定名称准确性的构建流程
对于普通用户,只要不在artifacts根目录存放额外文件,通常不会遇到此问题。
最佳实践建议
为避免类似问题,建议:
- 保持
artifacts/目录结构规范 - 避免手动修改或添加artifact目录下的文件
- 在开发插件时,对获取的名称进行二次验证
- 及时更新Hardhat版本以获取问题修复
该问题的修复已经合并到主分支,将在后续版本中发布。
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。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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