Expensify/App 报告页面性能优化实践
问题背景
在Expensify/App项目的v9.1.56-1版本中,测试团队发现了一个严重的性能问题:在测试环境(staging)中,报告页面(Reports page)的加载、滚动和导航操作变得异常缓慢。这个问题主要影响拥有大量报告数据的用户,在MacOS的Chrome和Safari浏览器上表现尤为明显。
问题现象
用户在执行以下操作时会遇到明显的卡顿:
- 进入费用报告(Expense Reports)页面
- 点击查看具体报告详情
- 在报告详情页中滚动内容
- 返回报告列表页
- 在列表页中滚动浏览
- 再次点击进入其他报告
技术分析
经过开发团队调查,发现问题主要由以下几个因素导致:
-
重复API调用:系统在用户交互过程中频繁调用Search API,造成了不必要的网络请求和数据处理开销。
-
渲染性能瓶颈:页面采用了FlashList组件进行渲染,虽然FlashList理论上能提供更好的性能,但在实际实现中可能没有正确配置或优化,导致滚动时的帧率下降。
-
大数据量处理:对于拥有大量报告数据的账户,前端没有做好数据分页或虚拟滚动处理,导致浏览器需要同时处理过多DOM元素。
解决方案
开发团队采取了以下措施解决问题:
-
紧急回滚:首先回滚了引入问题的变更,确保生产环境的稳定性。这是通过PR#63331实现的。
-
性能优化计划:计划对FlashList实现进行重构(v2版本),重点解决滚动性能问题。
-
API调用优化:减少不必要的Search API调用,可能通过以下方式实现:
- 增加请求去重
- 实现更智能的数据缓存策略
- 优化请求触发条件
经验总结
这个案例为我们提供了几个重要的经验教训:
-
性能测试的重要性:新功能在发布前需要针对大数据量场景进行充分的性能测试。
-
渐进式改进:对于核心页面组件的重构(如列表渲染)应该采用渐进式策略,确保有回滚方案。
-
监控机制:建立完善的性能监控机制,能够及时发现生产环境中的性能退化问题。
-
跨平台考量:性能问题往往在不同平台表现不一,需要全面的跨平台测试。
未来优化方向
团队计划从以下几个方面进一步优化报告页面的性能:
-
虚拟滚动优化:实现更高效的虚拟滚动方案,减少DOM节点数量。
-
数据分片加载:采用无限滚动或分页加载技术,避免一次性加载过多数据。
-
内存管理:优化前端数据缓存策略,平衡内存使用和性能需求。
-
渲染性能分析:使用性能分析工具定位具体的渲染瓶颈点。
这个案例展示了在现代Web应用中处理性能问题的典型流程,从问题发现、紧急修复到长期优化方案的制定,为类似场景提供了有价值的参考。
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