Substrate开发者指南:如何在运行时中添加Nicks Pallet
前言
Substrate区块链框架为开发者提供了高度模块化的设计,其中FRAME(Framework for Runtime Aggregation of Modularized Entities)是构建区块链运行时的核心框架。Node Template作为Substrate的最小化实现,虽然包含了基础组件,但为了保持简洁性,它并未包含Substrate核心库中的所有功能模块(即Pallets)。本文将详细介绍如何在Substrate运行时中添加Nicks Pallet,并以此为例说明添加任意Pallet的通用方法。
准备工作
在开始之前,请确保您已经:
- 完成了Substrate开发环境的搭建
- 成功编译了最新版本的Node Template
- 对Rust语言和Substrate基础概念有基本了解
Pallet基础概念
在Substrate中,Pallet是功能模块的基本单位,每个Pallet实现了特定的区块链功能。Nicks Pallet提供了一个简单的昵称注册系统,允许用户为他们的账户关联一个可读的名称。
添加Nicks Pallet的步骤
第一步:引入Pallet依赖
在runtime的Cargo.toml文件中添加Nicks Pallet作为依赖项:
[dependencies]
pallet-nicks = { version = "4.0.0-dev", default-features = false, git = "https://github.com/paritytech/substrate.git", branch = "polkadot-vX.Y.Z" }
注意版本号需要与您使用的Substrate版本匹配。
第二步:配置运行时特性
在同一Cargo.toml文件中,确保将Nicks Pallet添加到runtime的std特性中:
[features]
default = ["std"]
std = [
# ...其他依赖...
"pallet-nicks/std",
]
第三步:实现Pallet配置特性
在runtime的lib.rs文件中,您需要为Nicks Pallet实现其配置特性(Config trait)。这通常包括:
- 定义必要的类型
- 设置参数常量
- 配置事件类型
impl pallet_nicks::Config for Runtime {
type Event = Event;
type Currency = Balances;
type ReservationFee = ConstU128<100>;
type MinLength = ConstU32<3>;
type MaxLength = ConstU32<16>;
}
第四步:将Pallet添加到construct_runtime宏
在construct_runtime宏中添加Nicks Pallet:
construct_runtime!(
pub enum Runtime where
Block = Block,
NodeBlock = opaque::Block,
UncheckedExtrinsic = UncheckedExtrinsic
{
// ...其他Pallet...
Nicks: pallet_nicks,
}
);
配置参数详解
在实现Nicks Pallet的Config trait时,有几个关键参数需要配置:
Currency:指定用于支付昵称注册费用的货币类型ReservationFee:设置昵称注册的基本费用MinLength:昵称的最小长度限制MaxLength:昵称的最大长度限制
这些参数应根据您的链的具体需求进行调整。
常见问题解决
在添加Pallet过程中可能会遇到以下问题:
- 版本不兼容:确保Pallet版本与Substrate版本匹配
- 缺失特性实现:仔细检查是否实现了Config trait中的所有必要类型
- 编译错误:检查Cargo.toml中的依赖声明是否正确
测试验证
添加完成后,建议进行以下验证:
- 编译运行时确保没有错误
- 编写测试用例验证Nicks功能
- 通过UI或命令行测试实际功能
扩展思考
通过添加Nicks Pallet的过程,我们可以总结出添加任意Pallet的通用模式:
- 添加依赖项
- 配置特性
- 实现Config trait
- 集成到construct_runtime
- 测试验证
这种模式适用于大多数Substrate Pallet的集成,尽管每个Pallet可能有其特定的配置要求。
总结
本文详细介绍了在Substrate运行时中添加Nicks Pallet的完整过程,从依赖管理到运行时配置,再到最终集成。通过这个实例,开发者可以掌握Substrate运行时模块化扩展的基本方法,为构建更复杂的区块链功能打下坚实基础。
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