FuelLabs/fuels-ts项目中的SDK与钱包通信优化方案
在FuelLabs/fuels-ts项目中,开发团队发现当前SDK与钱包之间的通信流程存在冗余操作问题。当应用程序向钱包传递交易时,钱包会重复执行SDK已经完成的估算和资金准备等网络请求。这种重复操作不仅降低了系统效率,还增加了不必要的网络开销。
问题背景
当前交易流程中,SDK完成交易估算和资金准备后,将交易传递给钱包时,钱包由于无法获知交易当前状态,会再次执行相同的操作。这导致整个交易流程中存在以下冗余:
- 重复的gas费用估算
- 重复的资金准备检查
- 重复的网络请求
这种设计不仅浪费资源,还可能在某些情况下导致交易状态不一致的问题。
解决方案设计
开发团队提出了一个分阶段实施的优化方案,通过扩展SDK与钱包之间的通信协议,传递更多交易状态信息,使钱包能够智能判断需要执行的操作。
第一阶段:状态标记传递
在第一阶段,重点解决交易状态的传递问题。通过引入状态标记,让钱包了解交易已经完成了哪些处理步骤。
新的JSON RPC接口将包含以下状态标记:
funded:表示交易已完成资金准备immutable:表示交易已签名,不应再修改(如使用无gas支付者的情况)
实现机制上,SDK会在交易处理过程中跟踪交易哈希和状态。当交易被发送到钱包时,会检查当前交易哈希与状态标记是否匹配,确保状态信息的准确性。
第二阶段:链信息共享
第二阶段着重解决链信息的共享问题。SDK会将已经获取的链配置和gas价格信息传递给钱包,避免钱包重复查询。
新增的接口内容包括:
- 共识参数时间戳
- 链配置信息
- 最新gas价格
- 估算gas价格
同时,SDK将支持通过初始化参数传递链信息缓存,使钱包可以直接使用这些信息而无需重新获取。
第三阶段:完整交易摘要
第三阶段将提供完整的交易摘要信息,使钱包能够直接显示交易详情而无需额外查询。
SDK会使用assembleTransactionSummary()方法生成完整的交易摘要,包括:
- 交易费用估算
- 输入输出详情
- 相关收据信息
特别是对于已标记为funded状态的交易,钱包可以直接使用这些摘要信息而无需执行任何额外网络请求。
技术实现细节
在技术实现上,开发团队考虑了多种实际应用场景,包括:
- React Hooks使用场景
- Mira项目中的流动性添加操作
- Griffy项目中的预测机交易处理
- Swaylend项目中的借贷操作
通过对这些实际案例的分析,团队确保优化方案能够覆盖各种使用模式。特别是对于复杂的预测机交易和合约交互场景,新的状态标记机制能够准确传递交易准备状态。
预期收益
实施这一优化方案后,预计将带来以下改进:
- 减少50%以上的冗余网络请求
- 提高交易处理速度
- 降低因重复操作导致的潜在错误
- 改善用户体验,特别是对于复杂交易场景
总结
FuelLabs/fuels-ts项目中的这一优化方案,通过引入状态标记、链信息共享和完整交易摘要三个阶段的改进,有效解决了SDK与钱包之间的通信冗余问题。这一改进不仅提升了系统效率,还为未来更复杂的交易场景提供了良好的扩展基础。
该方案体现了Fuel团队对区块链基础设施性能优化的深入思考,以及对开发者体验的高度重视。随着这些改进的逐步实施,Fuel生态系统将能够为开发者提供更高效、更可靠的开发体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00