Foundry项目中脚本执行时msg.sender差异问题解析
2025-05-26 19:07:35作者:翟萌耘Ralph
问题背景
在使用Foundry工具集进行智能合约开发和部署时,开发者可能会遇到一个看似奇怪的现象:通过--account参数和--private-key参数指定相同的账户地址,但在脚本执行过程中获取到的msg.sender却不同。这个问题在FundMe合约的部署过程中尤为明显。
现象描述
当使用以下两种方式运行部署脚本时:
- 使用keystore账户:
forge script script/DeployFundMe.s.sol --rpc-url http://127.0.0.1:8545 --broadcast --account account1 --password admin123
- 使用私钥直接指定:
forge script script/DeployFundMe.s.sol --rpc-url http://127.0.0.1:8545 --broadcast --private-key 0xac0974bec39a17e36ba4a6b4d238ff944bacb478cbed5efcae784d7bf4f2ff80
虽然两种方式指定的账户地址相同(0xf39Fd6e51aad88F6F4ce6aB8827279cffFb92266),但在脚本执行过程中,通过msg.sender获取的地址却不一致:
- 使用keystore账户时,
msg.sender显示为0x1804c8AB1F12E6bbf3894d4083f33e07309d1f38 - 使用私钥时,
msg.sender正确显示为0xf39Fd6e51aad88F6F4ce6aB8827279cffFb92266
技术原理分析
这个现象实际上与Foundry脚本执行的工作机制有关。在Foundry中,脚本执行分为两个阶段:
- 模拟执行阶段:默认使用Foundry的预设发送者地址(0x1804c8AB1F12E6bbf3894d4083f33e07309d1f38)
- 实际广播阶段:使用用户指定的账户地址
当使用--private-key参数时,Foundry会将该私钥对应的地址同时用于模拟执行和广播阶段。而使用keystore账户时,默认情况下只会在广播阶段使用该账户,模拟执行阶段仍然使用预设地址。
解决方案
要确保在整个脚本执行过程中使用相同的发送者地址,有以下几种方法:
- 显式指定发送者:使用
--sender参数明确指定发送者地址
forge script script/DeployFundMe.s.sol --rpc-url http://127.0.0.1:8545 --broadcast --account account1 --password admin123 --sender 0xf39Fd6e51aad88F6F4ce6aB8827279cffFb92266
- 在脚本中设置发送者:使用
vm.startBroadcast(address)重载方法
vm.startBroadcast(0xf39Fd6e51aad88F6F4ce6aB8827279cffFb92266);
- 统一使用私钥方式:如果不需要keystore的特殊功能,可以直接使用私钥参数
最佳实践建议
- 在开发和测试阶段,建议使用
--private-key参数,简化调试过程 - 在生产环境部署时,考虑使用keystore或硬件钱包等更安全的方式
- 在脚本中添加日志输出,明确显示当前使用的发送者地址
- 对于复杂的部署场景,考虑使用
--sender参数确保一致性
总结
Foundry的这种设计实际上是为了提高开发效率,在模拟执行阶段使用预设地址可以避免频繁切换账户带来的复杂性。理解这一机制后,开发者可以根据实际需求选择最适合的参数组合,确保合约部署和交互过程符合预期。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
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
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210