Expensify/App 9.1.7-2版本发布:移动端优化与功能增强
Expensify是一款广受欢迎的财务管理应用,专注于简化个人和企业的费用报销流程。该应用提供了从收据扫描到费用报告生成的全套解决方案,支持多平台使用。本次发布的9.1.7-2版本主要针对移动端用户体验进行了多项优化和功能增强。
核心改进与优化
用户界面与交互体验
-
选择按钮间距调整:修复了最后一个选择项与"下一步"按钮之间缺少间距的问题,使界面布局更加合理美观。
-
搜索模态框优化:当键盘可见时显示搜索模态框,现在能够正确处理视口滚动位置,避免自动滚动到底部的问题。
-
标签显示优化:当没有选择任何值时,标签现在能够保持正常大小显示,而不是异常缩小。
-
滚动条问题修复:解决了切换报告类型时滚动条异常出现的问题,提升了界面稳定性。
功能增强与修复
-
待处理交易图标:为待处理的卡片交易添加了专门的图标标识,使用户能够更直观地识别交易状态。
-
URL路径更新:将/profile路径统一更新为/overview,保持应用内部路由的一致性。
-
收据扫描流程:修复了收据扫描完成后界面仍然显示扫描状态的问题,确保流程顺畅。
-
分类页面骨架屏:解决了分类页面骨架屏溢出导致页面可滚动的问题,提升了加载时的用户体验。
技术架构改进
-
函数重构:对getTrackExpenseInformation和buildOnyxDataForTrackExpense等核心函数进行了重构,采用参数对象的方式,提高了代码的可读性和可维护性。
-
缓存限制调整:增加了缓存键大小限制,优化了应用性能。
-
离线状态处理:改进了Pusher PINGPONG失败时的离线状态处理机制,增强了应用的稳定性。
-
PDF处理库升级:更新了react-fast-pdf库版本,提升了PDF处理能力。
文档与配置更新
-
文档重命名与更新:对多篇帮助文档进行了重命名和内容更新,包括《创建群组》更名为《域群组》、《创建费用规则》更名为《费用规则》等,使文档命名更加准确。
-
配置文件调整:移除了不再使用的BETA_COMBINED_TRACK_SUBMIT相关引用,清理了项目配置。
-
Git忽略规则:添加了对fleet目录的忽略规则,优化了版本控制管理。
安全与连接改进
-
安全设置API:在安全设置页面新增了API调用,增强了账户安全性。
-
直接连接稳定性:改进了与直接数据源的连接稳定性,减少了连接中断的情况。
-
银行账户页面加载:修复了从桌面端跳转到银行账户页面时可能出现的加载问题。
工作区与群组管理
-
工作区加入链接:修复了工作区加入链接只能使用一次的问题,现在可以多次使用。
-
工作区副标题一致性:解决了在离线模式下更改审批人时工作区副标题显示不一致的问题。
-
群组聊天优化:当从工作区移除成员时,现在会乐观地归档相关群组聊天,提升了响应速度。
总结
Expensify/App 9.1.7-2版本通过一系列细致的优化和修复,显著提升了移动端用户体验。从界面微调到核心功能增强,再到技术架构的改进,这些变化共同构成了一个更加稳定、高效的费用管理解决方案。特别是对离线状态处理、PDF处理和缓存机制的改进,为应用的长期健康发展奠定了更坚实的基础。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0102
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00