Fuel-TS 项目中交易提交机制的优化思考
2025-05-01 09:49:41作者:房伟宁
在区块链应用开发中,交易(Transaction)的提交和处理是核心功能之一。Fuel-TS作为Fuel生态的TypeScript SDK,其交易提交机制的设计直接影响着开发者体验和钱包应用的性能表现。
当前实现的问题
目前Fuel-TS默认采用submitAndAwaitStatus方式提交交易,这种方式会建立一个订阅连接来持续监听交易状态变化。虽然这种设计能够实时获取交易状态更新,但在某些场景下却显得不够灵活:
- 钱包应用场景:如Fuel Wallet这样的应用,在提交交易后只需要获取交易ID即可,不需要持续监听状态变化
- 资源消耗:不必要的订阅连接会占用系统资源
- 用户体验:钱包弹出窗口需要等待订阅建立后才能关闭
技术方案探讨
从技术实现角度看,Fuel节点实际上提供了两种交易提交接口:
- 简单提交接口:
submit(tx: HexString!)- 仅提交交易,不建立订阅 - 订阅接口:
submitAndAwaitStatus- 提交并订阅状态变化
现有实现分析
当前SDK默认使用订阅接口,这确实提供了更好的开发者体验,因为大多数情况下开发者都希望跟踪交易状态。但这种"一刀切"的设计忽略了部分特殊场景的需求。
改进方案
可以考虑引入一个配置选项,让开发者能够根据应用场景选择适合的提交方式:
// 默认行为 - 使用订阅
const { waitForResult } = await wallet.sendTransaction(txRequest);
const result = await waitForResult();
// 可选行为 - 仅提交
const { waitForResult } = await wallet.sendTransaction(txRequest, { subscribe: false });
const result = await waitForResult();
这种设计有几个优势:
- 向后兼容:不影响现有应用
- 灵活性:钱包等特殊场景可以优化性能
- 明确性:通过参数明确表达意图
深入思考
虽然这个改进看似简单,但涉及到几个深层次的设计考量:
- 可靠性:订阅机制虽然资源消耗较大,但能提供更可靠的交易状态跟踪
- 网络环境:在移动端等不稳定的网络环境下,订阅连接可能会意外中断
- 用户体验:钱包应用通常希望快速完成操作,不需要等待最终确认
结论
Fuel-TS作为基础设施,需要在易用性和灵活性之间找到平衡。通过提供可选的交易提交方式,既能满足大多数开发者的默认需求,又能为特殊场景提供优化空间。这种设计思路也体现了良好的API设计原则 - 提供合理的默认值,同时不限制高级用法。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
661