Wagmi 钱包连接与断开问题解析:深入理解 useDisconnect 钩子的正确使用
问题现象
在使用 Wagmi 框架开发 DApp 时,开发者可能会遇到一个奇怪的现象:当用户反复连接和断开钱包时,某些情况下无法正常断开连接。特别是在使用 MetaMask 钱包时,这个问题尤为明显。
问题重现
通过简化测试场景,我们可以清晰地观察到这个问题:
- 用户首次点击连接钱包按钮,成功连接 MetaMask
- 点击断开按钮,钱包正常断开
- 再次点击连接按钮,成功连接
- 此时点击断开按钮,发现无法正常断开连接
问题根源
经过深入分析,这个问题主要源于 Wagmi 框架中 injected() 连接器的实现方式与现代钱包生态的兼容性问题。
在传统的 Web3 开发中,我们通常直接使用 window.ethereum 对象来与钱包交互。然而,随着 EIP-6963 标准的推出,现代钱包生态正在向多注入提供者发现机制转变。Wagmi 默认启用了 multiInjectedProviderDiscovery 选项,这在与传统 injected() 连接器一起使用时可能导致状态管理异常。
解决方案
针对这个问题,开发者有以下几种解决方案:
方案一:禁用多注入提供者发现
在创建 Wagmi 配置时,显式地关闭 multiInjectedProviderDiscovery 选项:
const config = createConfig({
// ...其他配置
connectors: [
injected({
target: "metaMask",
}),
],
multiInjectedProviderDiscovery: false,
});
方案二:使用 EIP-6963 兼容的连接器
更推荐的做法是使用符合 EIP-6963 标准的钱包连接方式,这代表了未来的发展方向:
import { createConfig, http } from "wagmi";
import { walletConnect, injected } from "wagmi/connectors";
const config = createConfig({
connectors: [
walletConnect({ projectId: "..." }),
// 或者使用特定钱包的连接器而非通用的injected
],
});
最佳实践建议
-
避免直接使用
injected():随着 EIP-6963 的普及,直接使用window.ethereum的方式将逐渐被淘汰。 -
明确指定目标钱包:如果必须使用注入式连接器,应该明确指定目标钱包,如
injected({ target: "metaMask" })。 -
保持依赖更新:确保 Wagmi 和 Viem 版本保持最新,以获得最佳兼容性。
-
类型检查:注意 TypeScript 版本兼容性,避免因类型系统不匹配导致的潜在问题。
总结
Wagmi 框架正在积极适应 Web3 生态的发展变化,从传统的 window.ethereum 方式向更现代的 EIP-6963 标准过渡。开发者在使用钱包连接功能时,应当了解这一背景,选择合适的连接方式,避免直接使用可能被弃用的 API。通过采用推荐的解决方案,可以确保应用在不同钱包环境下都能提供稳定可靠的连接/断开体验。
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