Scaffold-ETH 2 项目网络配置升级指南:从Mumbai到Amoy的迁移
在区块链开发中,测试网络的选择和配置是项目基础设施的重要组成部分。本文将详细介绍Scaffold-ETH 2项目中网络配置的重要更新,帮助开发者理解这些变更的技术背景和实际意义。
网络配置变更概述
Scaffold-ETH 2项目近期对其Hardhat网络配置进行了重要更新,主要涉及三个方面:
- 将Polygon Mumbai测试网替换为Polygon Amoy测试网
- 移除了已停用的Public Goods Network(PGN)及其测试网
- 将Polygon zkEVM测试网升级至Cardona版本
这些变更反映了区块链测试网络生态系统的持续演进,开发者需要及时跟进这些变化以确保项目的持续可测试性。
变更技术细节
Polygon测试网升级
Polygon Mumbai作为长期使用的测试网已被官方标记为弃用状态,其替代者Polygon Amoy采用了更新的技术架构。在Hardhat配置中,这一变更体现在RPC端点的更新:
// 旧配置(Mumbai)
url: `https://polygon-mumbai.g.alchemy.com/v2/${providerApiKey}`
// 新配置(Amoy)
url: `https://polygon-amoy.g.alchemy.com/v2/${providerApiKey}`
PGN网络移除
Public Goods Network(PGN)及其测试网已正式停止服务,因此相关配置已从项目中完全移除。这包括删除hardhat.config.ts文件中对应的网络定义。
zkEVM测试网升级
Polygon的zkEVM测试网已升级至Cardona版本,新的配置如下:
polygonZkEvmCardona: {
url: `https://polygonzkevm-cardona.g.alchemy.com/v2/${providerApiKey}`,
accounts: [deployerKey],
}
变更背后的技术考量
这些网络配置变更反映了区块链基础设施的几个重要趋势:
-
测试网的定期轮换:主流区块链平台逐渐采用定期更换测试网的策略,这有助于保持网络性能并鼓励开发者定期更新其基础设施。
-
ZK技术普及:Polygon zkEVM测试网的持续演进表明零知识证明技术在Layer 2解决方案中的应用日益成熟。
-
基础设施整合:PGN等专用网络的停用反映了行业向更标准化、更通用的基础设施方向发展的趋势。
开发者迁移建议
对于使用Scaffold-ETH 2的开发者,建议采取以下步骤完成网络配置迁移:
- 更新项目依赖至最新版本
- 修改环境变量中的测试网RPC URL
- 获取新的测试网代币(Amoy MATIC等)
- 重新部署测试合约并验证功能
- 更新CI/CD流程中的网络配置
常见问题处理
在迁移过程中,开发者可能会遇到以下问题:
- 连接超时错误:通常表明尝试访问已停用的测试网端点
- 链ID不匹配:新测试网可能使用不同的链ID,需要更新前端配置
- 交易失败:可能由于新测试网采用不同的gas定价机制
这些问题通常可以通过检查网络配置和更新相关参数来解决。
总结
Scaffold-ETH 2项目的网络配置更新反映了区块链测试基础设施的最新发展。及时跟进这些变更不仅能确保开发环境的稳定性,还能让开发者尽早体验新技术特性。建议开发者定期检查项目网络配置,保持与主流测试网络的同步。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07