FuelCore项目中交易提交与状态等待的优化方案
在FuelCore区块链项目中,开发者们正在讨论如何优化交易提交与状态等待的机制,特别是针对submitAndAwait功能的错误处理问题。当前实现存在一个关键的技术挑战:当交易无效时,系统无法立即向用户反馈错误信息,而是需要等待订阅响应,这影响了用户体验和开发效率。
当前机制的问题分析
FuelCore现有的交易处理流程分为两个主要部分:
-
直接提交交易:通过
submit突变操作实现- 如果交易无效,立即抛出异常
- 如果有效,继续后续处理
-
提交并等待状态:通过
submitAndAwait订阅实现- 当前无法立即识别无效交易
- 需要读取订阅响应体才能确定交易状态
- 对于有效交易,读取操作会阻塞直到状态更新
这种设计导致了一个技术困境:开发者无法在第一时间知道交易是否有效,因为订阅响应的读取操作对于有效交易会保持挂起状态,直到燃料核心节点推送状态更新。
技术实现细节
在TypeScript SDK中,当前实现采用了以下流程:
const response = await fetchFn(`${url}-sub`, {
method: 'POST',
body,
headers,
});
const [errorReader, resultReader] = response.body.tee().map((stream) => stream.getReader());
const errorChecker = new FuelGraphqlSubscriber(errorReader);
await errorChecker.next();
return new FuelGraphqlSubscriber(resultReader);
这段代码尝试通过分流技术来同时检查错误和返回订阅迭代器,但遇到了阻塞问题。当交易有效时,errorChecker.next()会一直等待状态更新,无法立即返回迭代器给用户。
提出的解决方案
经过深入讨论,项目团队提出了两种优化方案:
方案一:响应头标记法
在交易失败时,通过添加特定的响应头来标识失败状态。这样前端代码可以立即检查响应头,而不必等待读取响应体:
if(response.headers.has('transaction-failed') {
await errorChecker.next();
}
这种方法简单直接,但提供的信息有限,无法包含交易提交时间等额外元数据。
方案二:状态立即返回法
借鉴statusChange的实现方式,在提交交易后立即返回一个SubmittedStatus响应,而不是等待交易状态变更。这样:
- 对于无效交易,可以立即抛出异常
- 对于有效交易,立即返回包含提交时间等信息的
SubmittedStatus - 同时保持订阅通道开放,用于后续状态更新
这种方案更加全面,不仅解决了立即错误反馈的问题,还保留了有用的交易元数据,为开发者提供了更多灵活性。
技术决策与未来方向
经过权衡,FuelCore团队更倾向于采用第二种方案,因为它提供了更完整的功能集和更好的开发者体验。团队计划新增一个submit_and_await_status端点,专门用于这种改进后的交互模式。
这种优化将显著提升FuelCore区块链应用的开发体验,使开发者能够更高效地处理交易提交和状态跟踪,同时获得更及时的反馈信息。这对于构建响应式和高可用性的区块链应用至关重要。
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