Viem项目中newHeads订阅与区块交易哈希缺失问题解析
问题背景
在Viem项目中,开发者使用watchBlocks方法监听新区块时,发现返回的区块对象中缺少交易哈希数组。这个问题源于底层实现使用了区块链网络的newHeads订阅机制,而该机制返回的区块头信息不包含完整的交易数据。
技术细节分析
Viem的watchBlocks方法默认通过WebSocket使用newHeads订阅来获取新区块通知。根据区块链JSON-RPC规范,newHeads订阅返回的是区块头信息,而非完整的区块数据。区块头包含如区块号、哈希、父哈希等元数据,但不包含交易列表。
然而,Viem的类型系统将返回对象定义为Block类型,该类型强制要求包含transactions字段(交易哈希数组)。这种类型定义与实际返回数据的不匹配导致了运行时错误。
解决方案演进
Viem团队对此问题提出了几种解决方案:
-
修改类型定义:使
Block类型中的transactions字段变为可选,以反映newHeads返回数据的实际情况。 -
强制使用轮询模式:通过设置
poll: true参数,改为使用getBlockByNumber等RPC方法获取完整区块数据,确保交易哈希数组的存在。 -
自动补全数据:在收到
newHeads通知后,自动调用getBlock方法获取完整区块数据,为用户提供一致的接口体验。
最终,Viem团队倾向于采用第三种方案,即在内部自动补全缺失的交易数据,既保持了接口的一致性,又利用了newHeads的低延迟优势。
最佳实践建议
对于需要交易数据的应用场景,开发者可以:
-
显式设置
includeTransactions: true参数,确保获取完整的交易数据。 -
如果对延迟敏感,可以组合使用
newHeads订阅和后续的getBlock调用,先快速响应区块到达事件,再异步获取详细交易数据。 -
对于不需要交易数据的场景,可以直接使用
watchBlockNumber方法,仅监听区块号变化。
总结
这个问题揭示了区块链客户端库中一个常见的设计挑战:如何在保持接口简洁性的同时,准确反映底层协议的数据差异。Viem的解决方案展示了如何通过合理的抽象和自动补全机制,为开发者提供更友好的API体验。
对于开发者而言,理解底层RPC方法与库抽象层之间的关系非常重要,这有助于在遇到类似问题时快速定位原因并找到合适的解决方案。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00