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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust021
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00