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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00