Hardhat项目中Solidity堆栈跟踪的推断错误显示问题解析
背景介绍
在区块链智能合约开发中,错误处理和调试是开发者日常工作中不可或缺的部分。Hardhat作为一款流行的区块链开发环境,提供了强大的调试功能,其中堆栈跟踪(Stack Trace)是帮助开发者快速定位问题的重要工具。
问题现象
在Hardhat v3版本中,开发者发现Solidity堆栈跟踪没有显示推断错误(inferred errors)。具体表现为:
当合约调用失败时,如果使用Solidity编写的测试用例,错误信息仅显示基本的"EvmError: Revert"和调用堆栈,而不会显示更详细的错误原因。但同样的合约如果使用TypeScript测试,则能正确显示推断的错误信息,如"Transaction reverted: function call to a non-contract account"。
技术分析
这个问题源于Hardhat对开发运行时返回的错误信息处理不完整。开发运行时实际上已经返回了推断错误信息,但Hardhat的堆栈跟踪功能没有充分利用这些信息。
以示例代码为例:
interface Bar {
function g() external;
}
contract Foo {
function f() public {
Bar(0x1111111111111111111111111111111111111111).g();
}
}
当调用f()函数时,实际上是对一个不存在的合约地址(0x111...111)进行调用,这应该产生"function call to a non-contract account"的错误提示。
解决方案
该问题已在Hardhat的内部版本中修复。修复的核心是确保Hardhat正确处理并显示开发运行时返回的完整错误信息,包括推断错误。
修复后,无论是通过Solidity测试还是TypeScript测试,开发者都能看到完整的错误信息,包括:
- 错误类型(Revert)
- 详细的错误原因
- 完整的调用堆栈
对开发者的影响
这个改进显著提升了开发体验:
- 调试效率提升:开发者不再需要切换测试方式就能获取完整错误信息
- 错误定位更准确:详细的错误描述帮助开发者更快理解问题本质
- 开发流程统一:无论使用哪种测试方式,都能获得一致的错误反馈
最佳实践建议
对于智能合约开发者,建议:
- 保持Hardhat版本更新,以获取最新的调试功能改进
- 在复杂合约开发中,结合使用Solidity和TypeScript测试
- 充分利用堆栈跟踪信息进行问题定位
- 对于接口调用等易出错操作,添加适当的错误处理逻辑
总结
Hardhat对Solidity堆栈跟踪中推断错误显示的改进,体现了其对开发者体验的持续优化。这类看似微小的改进实际上能显著提升开发效率,减少调试时间,是智能合约开发工具链成熟度的重要标志。
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