Wagmi v2中useWalletClient和useConnectorClient的性能优化问题解析
2025-06-03 21:18:46作者:昌雅子Ethen
问题背景
在Wagmi v2的使用过程中,开发者发现useWalletClient和useConnectorClient这两个钩子函数会导致过多的重新渲染,严重影响应用性能。经过深入分析,发现问题源于这些钩子内部实现中的查询失效逻辑。
核心问题分析
这两个钩子函数内部都包含一个useEffect,其逻辑如下:
useEffect(() => {
// 当地址变化时使查询失效
if (address) queryClient.invalidateQueries({ queryKey })
else queryClient.removeQueries({ queryKey }) // 当账户断开连接时移除查询
}, [address, queryClient])
这段代码看似合理,但实际上存在一个关键问题:每当组件首次挂载时,这个效果都会运行,导致查询被不必要地无效化。这意味着:
- 每次包含这些钩子的组件挂载时,都会触发查询无效化
- 这会导致连锁反应,触发其他监听器/效果/订阅
- 最终会调用
createClient并生成新的uuid() - 这种模式很容易陷入性能陷阱
解决方案探讨
经过社区讨论,提出了几种改进方案:
方案一:使用ref跟踪地址变化
const prevAddress = useRef<UseAccountReturnType<config>["address"]>(address)
useEffect(() => {
if (!address) {
queryClient.removeQueries({ queryKey })
} else if (address !== prevAddress.current) {
queryClient.invalidateQueries({ queryKey })
}
prevAddress.current = address
}, [address, queryClient])
方案二:优化后的ref方案
const addressRef = useRef<Address | null | undefined>(null)
useEffect(() => {
if (addressRef.current === null || addressRef.current === address) return
if (address) queryClient.invalidateQueries({ queryKey })
else queryClient.removeQueries({ queryKey })
addressRef.current = address
}, [address])
技术实现要点
- 首次渲染处理:通过ref初始值为null来区分首次渲染和后续更新
- 变化检测:只有当地址实际发生变化时才执行查询操作
- 性能优化:避免了不必要的查询无效化和重新渲染
最佳实践建议
- 在使用这些钩子时,应注意其可能带来的性能影响
- 对于频繁更新的组件,考虑使用ref方案优化
- 在复杂应用中,可能需要考虑全局状态管理来减少重复查询
总结
Wagmi v2中的useWalletClient和useConnectorClient钩子函数在默认实现中存在性能隐患,通过引入ref来跟踪状态变化可以有效解决这个问题。这种优化模式不仅适用于Wagmi,也可以应用于其他需要精细控制副作用的React钩子场景中。
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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
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
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥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
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869