WalletConnect/web3modal 1.6.5版本更新解析:多链钱包连接的重大改进
项目简介
WalletConnect/web3modal是一个流行的Web3钱包连接解决方案,它提供了一个简单易用的模态框界面,让DApp开发者可以轻松集成多种钱包连接方式。该项目支持包括MetaMask、WalletConnect、Coinbase Wallet等主流钱包,并提供了良好的用户体验。
核心更新内容
1. 多链适配器架构优化
本次更新对多链适配器架构进行了重大重构,特别是针对主流网络的适配器进行了稳定性改进。开发团队重新设计了switchNetwork函数的执行逻辑,确保在不同区块链网络间切换时更加可靠。
对于高性能链的适配器,团队抽象出了连接器管理逻辑,使代码结构更加清晰。同时优化了网络切换机制,当尝试使用认证连接器但当前活跃网络不被支持时,系统会自动切换到兼容网络。
2. 钱包连接流程增强
在钱包连接方面,1.6.5版本带来了多项改进:
- 修复了WalletConnect事件中
chainChanged事件对不支持链的条件判断 - 优化了Universal Provider的账户获取逻辑,当命名空间不可用时提供默认值
- 移除了URI回调的多余传递,改为在初始化Universal Provider时统一处理
这些改进显著提升了钱包连接过程的稳定性和用户体验。
3. 移动端体验优化
针对移动端用户,开发团队修复了几个关键问题:
- 修正了移动视图在没有适配器时错误显示认证登录选项的问题
- 解决了在没有适配器情况下打开模态框会显示常规WalletConnect界面的问题
- 添加了账户按钮的加载指示器,在余额尚未获取时提供更好的视觉反馈
4. 认证与社交登录改进
认证流程也获得了多项增强:
- 重构了动态添加/移除电子邮件和社交登录适配器时的连接器渲染逻辑
- 修复了多链社交/电子邮件登录不工作的问题
- 优化了监听
ChainController.state.noAdapters和OptionsController.state.features的机制,确保动态启用/禁用认证选项时响应正确
5. 余额与网络支持优化
在余额获取和网络支持方面,1.6.5版本带来了以下改进:
- 在测试网络上也能获取原生代币余额
- 当API不支持时仍能获取原生余额
- 防止调用不支持区块链API的请求
- 移除了非支持网络上的冗余功能(如法币入金和活动记录)
开发者工具增强
本次更新还包含了对开发者体验的改进:
-
扩展了模态框视图选项:现在开发者可以编程方式打开更多视图,包括"Swap"、"Send"、"What Is a Wallet?"、"What Is a Network?"和"All Wallets"等界面。
-
新增钱包按钮创建函数:
createAppKitWalletButton函数让开发者能够更简单地实现钱包按钮功能,无需依赖钩子。 -
Wagmi适配器修复:解决了Wagmi适配器在钱包已连接时
walletProvider为undefined的问题,并修复了Wagmi连接器不显示在连接模态框中的问题。
技术细节优化
在底层实现上,开发团队进行了多项技术优化:
- 更新了@walletconnect相关包到最新版本
- 修复了1CA会话因地址大小写不匹配而找不到的问题
- 防止了Wagmi适配器在用户未连接时发出断开事件导致SIWE中断
- 添加了分析事件失败时的错误提醒
总结
WalletConnect/web3modal 1.6.5版本带来了全面的质量改进和功能增强,特别是在多链支持、移动端体验和开发者工具方面。这些更新使该项目在Web3钱包连接领域的领先地位更加稳固,为开发者提供了更强大、更可靠的集成解决方案,同时为终端用户带来了更流畅的钱包连接体验。
对于正在使用或考虑使用WalletConnect/web3modal的开发者来说,升级到1.6.5版本将能够利用这些改进来构建更稳定、功能更丰富的Web3应用。
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
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01