Plutus项目中关于字节串构造方式的探讨与决策
2025-07-10 07:38:49作者:尤辰城Agatha
在Plutus智能合约开发中,BuiltinByteString作为一种基础数据类型,其构造方式直接影响着开发者的编码体验。本文将深入分析Plutus团队对字节串构造方式的讨论过程和技术决策。
背景与需求
Plutus开发团队最初考虑为BuiltinByteString增加一种基于Haskell Word8列表的构造方式,即通过[Word8]列表直接构建字节串。这种语法直观明了,开发者可以显式地列出每个字节的值,例如[0xDE, 0xAD, 0xBE, 0xEF]。
技术分析
在深入技术实现时,团队发现GHC编译器将[Word8]列表转换为Core语言时,会使用Scott编码方式表示列表结构。具体表现为一个build函数,其中包含连续的嵌套函数调用,每个Word8值都通过fromInteger转换得到。
这种表示方式虽然理论上可以在编译时解析出各个字节值,但实现起来较为复杂,需要处理Core语言的AST结构。这不仅增加了实现难度,还可能引入额外的编译时开销。
替代方案评估
经过技术评估,团队确定了两种更优的替代方案:
-
整数字面量转换:使用
integerToByteString函数配合NumericUnderscores扩展integerToByteString BigEndian 4 0x_DE_AD_BE_EF这种方式支持直观的十六进制表示,且能明确指定字节序和长度。
-
字符串字面量:利用IsString实例
"\1\2\3\8\16\32\128"对于包含可打印字符或小数值的字节串,这种方式最为简洁。
决策依据
团队最终决定不实现基于[Word8]的构造方式,主要基于以下考虑:
- 实现复杂度:解析Core AST会增加编译器复杂度
- 已有替代方案:现有方法已能覆盖大多数用例
- 性能考量:避免不必要的编译时处理
- 代码可读性:替代方案同样具有较好的可读性
最佳实践建议
对于Plutus开发者,建议根据具体场景选择合适的字节串构造方式:
- 当需要精确控制每个字节时,使用整数转换方式
- 对于包含可打印字符的字节串,使用字符串字面量
- 对于查找表等场景,字符串方式最为简洁
这一决策体现了Plutus团队在语言设计上对实现复杂度、开发体验和运行性能的平衡考量,最终选择了更符合项目长期发展的技术方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217