Foundry中vm.startPrank()方法的正确使用方式
前言
在使用Foundry进行智能合约测试时,vm.startPrank()是一个非常重要的测试工具方法,它允许开发者模拟特定地址调用合约的场景。然而,许多开发者在使用过程中会遇到一些预期外的行为,特别是当嵌套使用多个startPrank时。本文将深入探讨vm.startPrank()的工作原理和正确使用方法。
vm.startPrank()的基本功能
vm.startPrank()是Foundry测试框架提供的作弊码(cheatcode)之一,它的主要作用是临时改变后续调用的msg.sender地址。这在测试权限控制、多账户交互等场景下非常有用。
基本用法如下:
vm.startPrank(someAddress);
// 这里的调用将以someAddress作为msg.sender
vm.stopPrank();
常见误解
许多开发者误以为vm.startPrank()会形成一个"调用栈",即后开始的prank会压入栈中,当调用stopPrank时会弹出并恢复前一个prank的状态。这种理解在Foundry中是不准确的。
实际上,vm.startPrank()的覆盖是线性的而非栈式的。当你在同一调用深度多次调用startPrank时,后一个会直接覆盖前一个的设置,而不会保留之前的上下文。
正确使用方法
- 单层prank:最简单的使用场景,开始一个prank并在完成后停止
vm.startPrank(admin);
// 以admin身份执行操作
vm.stopPrank();
- 嵌套prank:需要在不同调用深度切换身份时
function testNested() external {
vm.startPrank(admin);
// 以admin身份执行操作
this.innerFunction(); // 内部函数调用
// 仍然以admin身份执行操作
vm.stopPrank();
}
function innerFunction() external {
vm.startPrank(manager);
// 以manager身份执行操作
vm.stopPrank();
// 自动恢复为调用者(admin)身份
}
- 连续切换身份:在同一调用深度需要切换不同身份时
vm.startPrank(admin);
// 以admin身份执行操作
vm.startPrank(manager); // 直接覆盖为manager身份
// 以manager身份执行操作
vm.startPrank(admin); // 需要再次明确指定
// 以admin身份执行操作
常见错误及解决方案
-
错误:期望stopPrank后自动恢复前一个prank 解决方案:需要显式地再次调用startPrank设置回之前的身份
-
错误:在同一调用深度嵌套多个startPrank 解决方案:将需要不同身份的操作封装到不同的函数中,利用调用深度实现真正的"嵌套"
-
错误:忘记调用stopPrank 解决方案:始终确保每个startPrank都有对应的stopPrank,必要时使用
vm.prank单次调用版本
最佳实践建议
-
尽量使用
vm.prank进行单次调用的身份模拟,避免长期状态维护的复杂性 -
当确实需要保持身份状态时,使用注释明确标识prank的作用范围
-
考虑将不同身份的操作封装到辅助函数中,提高测试代码的可读性
-
在复杂场景下,可以使用
vm.recordLogs()和vm.getRecordedLogs()来验证预期的调用行为
总结
理解vm.startPrank()的实际行为对于编写可靠的Foundry测试至关重要。记住它不是栈式的而是覆盖式的,在同一调用深度的多次调用会直接覆盖前一个设置。通过合理组织测试代码结构,将不同身份的操作分离到不同函数中,可以更清晰地管理测试中的身份切换,避免常见的陷阱。
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-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
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