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。
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