FuelLabs/fuels-rs项目动态基础资产ID改造解析
2025-05-02 06:01:06作者:何将鹤
背景概述
FuelLabs/fuels-rs项目即将迎来一个重要变更——基础资产ID(BASE_ASSET_ID)将从静态常量转变为动态获取机制。这一改动将影响整个Fuel生态系统的多个层面,包括Fuel虚拟机、客户端以及各语言SDK的实现。
技术变更要点
静态常量的移除
在现有实现中,基础资产ID被定义为静态常量:
pub const BASE_ASSET_ID: AssetId = AssetId::BASE;
这种硬编码方式虽然简单直接,但缺乏灵活性。在新的架构中,这个静态常量将被完全移除,取而代之的是动态获取机制。
Provider接口的扩展
作为替代方案,将在Provider实现中添加新的方法:
base_asset_id()
这个设计有几个关键特点:
- 预获取机制:当调用
connect()方法建立连接时,Provider会自动预获取基础资产ID - 轻量级访问:通过简单的方法调用即可获取已缓存的值
- 一致性保证:确保在整个会话期间使用相同的基础资产ID
代码库的适配改造
整个代码库中所有使用BASE_ASSET_ID的地方都需要进行改造。以费用调整功能为例:
改造前:
.get_asset_inputs_for_amount(BASE_ASSET_ID, missing_base_amount)
改造后:
.get_asset_inputs_for_amount(self.try_provider()?.base_asset_id(), missing_base_amount)
这种改造需要全面扫描代码库,确保没有遗漏任何使用静态基础资产ID的地方。
技术实现细节
动态获取的优势
- 网络灵活性:允许不同网络配置不同的基础资产
- 协议升级:无需硬分叉即可更新基础资产
- 测试便利性:测试环境中可以轻松切换基础资产
错误处理考量
动态获取机制引入了新的错误场景:
- 网络连接问题导致获取失败
- 缓存失效或过期
- 权限问题
需要在实现中妥善处理这些潜在错误,确保系统健壮性。
性能优化
虽然从静态变为动态看似增加了开销,但通过以下方式可以最小化影响:
- 连接时预获取
- 本地缓存机制
- 智能刷新策略
开发者迁移指南
对于使用fuels-rs的开发者,需要注意:
- 立即停止使用BASE_ASSET_ID常量:该常量将在未来版本中被移除
- 检查所有资产相关操作:特别是与燃料费相关的逻辑
- 更新测试用例:测试中不应再依赖硬编码的基础资产ID
- 处理异步逻辑:动态获取通常是异步操作,需要相应调整代码结构
未来展望
这一改造为Fuel生态系统带来了更大的灵活性,未来可能基于此实现:
- 多资产燃料支付
- 动态费用市场
- 跨链资产兼容性
动态基础资产ID机制是Fuel协议向更灵活、更可扩展架构演进的重要一步,为未来的功能扩展奠定了坚实基础。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492