Expensify移动应用中费用审批列表显示异常问题分析
问题背景
在Expensify移动应用9.1.51-0版本中,测试人员发现了一个关于费用审批列表显示逻辑的异常问题。当用户在一个禁用了延迟提交和审批功能的工作区中提交手动费用时,这些理论上不需要审批的费用却出现在了"审批"列表中。
问题现象重现
- 用户打开Expensify应用
- 进入一个禁用了延迟提交和审批功能的工作区
- 提交一个手动创建的费用
- 导航至"报告"页面
- 点击书签图标并选择"审批"选项
- 观察到刚提交的费用出现在审批列表中,尽管它实际上不需要审批
技术分析
这个问题的核心在于应用的前端过滤逻辑与后端审批状态的不一致。从技术实现角度看,可能有以下几个关键点:
-
前端过滤逻辑缺陷:审批列表可能没有正确检查工作区的审批配置,而是简单地显示所有待处理费用。
-
状态同步问题:当费用提交后,前端可能没有及时获取最新的审批状态,导致显示错误。
-
缓存机制影响:应用可能缓存了费用列表,但没有根据工作区设置更新过滤条件。
-
权限检查缺失:在渲染审批列表时,可能缺少对工作区审批配置的实时检查。
解决方案与修复
开发团队通过以下方式解决了这个问题:
-
代码回滚:确认问题是由特定PR引入后,团队决定先回滚相关代码以快速修复问题。
-
架构改进:计划中的"自动提交"功能将从根本上解决这类问题,它会将费用自动提交到"开放"报告中,而不是需要审批的流程。
-
状态检查增强:在显示审批列表时,增加了对工作区审批配置的实时检查。
经验总结
这个案例展示了在开发企业级应用时几个重要的技术考量:
-
状态一致性:前端展示必须与后端业务规则保持严格一致,特别是涉及审批流程等关键功能时。
-
配置感知:UI组件需要动态响应系统配置变化,不能假设所有工作区都有相同的审批流程。
-
测试覆盖:对于核心业务流程,需要建立全面的测试用例,包括各种配置组合下的行为验证。
-
渐进式改进:有时临时回滚是必要的,但同时应该规划更彻底的架构改进来解决根本问题。
对开发者的启示
-
在实现类似审批流程时,应该建立清晰的"是否需要审批"的判断逻辑,并在多个层面进行验证。
-
对于配置驱动的功能,UI组件应该设计为能够动态响应配置变化。
-
缓存机制需要谨慎设计,确保不会因为缓存导致状态不一致。
-
在修改核心业务流程时,应该进行全面的回归测试,包括各种边界条件。
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