FuelLabs/fuels-ts 项目中的交易响应优化:消除冗余的 gas 价格查询
在 FuelLabs/fuels-ts 项目中,TransactionResponse 类负责处理交易后的响应信息。最近开发者们发现了一个可以优化的性能问题:在某些情况下,系统会不必要地发起网络请求来获取最新的 gas 价格,而实际上这些信息已经可以从交易状态中获取。
问题背景
当交易被成功处理后,交易状态对象中已经包含了该交易的总费用(totalFee)信息。然而,当前的 TransactionResponse 实现仍然会额外发起一个网络请求来获取最新的 gas 价格,然后重新计算交易费用。这种冗余的网络请求不仅增加了不必要的网络延迟,还浪费了系统资源。
技术分析
在 TransactionResponse 的实现中,有一个关键的条件判断:
if (totalFee) {
return totalFee;
}
这段代码表明,如果 totalFee 已经存在(意味着交易已经被处理并且可以从其状态中提取费用),就直接使用这个值。但在实际应用中,系统仍然会先尝试获取 gas 价格,然后才进入这个条件判断。
优化方案
开发者们提出了一个简单而有效的解决方案:只有在 totalFee 不可用时才获取 gas 价格。具体实现可以修改为:
const { totalFee } = processGraphqlStatus(this.status ?? this.gqlTransaction?.status);
const gasPrice = !totalFee && await this.provider.getLatestGasPrice();
这种修改确保了:
- 当交易状态中已经包含费用信息时,直接使用该信息
- 只有在费用信息不可用时,才发起网络请求获取 gas 价格
- 保持了原有功能的完整性
应用场景
这种优化特别适用于以下场景:
- 用户只关心交易是否成功,不关心具体费用细节
- 高频交易场景,减少不必要的网络请求可以显著提升性能
- 网络条件较差的环境,减少请求次数可以提升用户体验
实现考量
在实现这个优化时,开发者们考虑了以下几点:
- 向后兼容性:修改不会影响现有API的使用方式
- 错误处理:确保在费用信息不可用时仍然能够正确获取gas价格
- 性能影响:减少网络请求可以显著提升系统响应速度
总结
通过对 TransactionResponse 的优化,FuelLabs/fuels-ts 项目成功消除了冗余的网络请求,提升了系统性能。这种优化展示了在区块链开发中,如何通过仔细分析交易生命周期和状态信息来识别和消除不必要的操作。对于开发者而言,理解交易状态中包含的完整信息,并据此优化相关操作,是提升区块链应用性能的重要途径。
这种优化不仅适用于FuelLabs/fuels-ts项目,其思路也可以借鉴到其他区块链开发项目中,特别是在处理交易响应和费用计算时,充分利用已有的状态信息,避免不必要的网络请求和重复计算。
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