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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00