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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00