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。
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