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。
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