Expensify/App 离线删除费用项导致的无限加载问题分析与解决方案
2025-06-15 14:58:55作者:咎岭娴Homer
问题背景
在Expensify/App项目中,用户在使用离线功能时发现了一个关于费用项删除的异常行为。当用户在离线状态下删除费用项后,仍然可以点击已删除的费用项预览,导致应用进入无限加载状态。这个问题影响了多个平台,包括Android、iOS和Web端。
问题现象
具体表现为:
- 用户在离线状态下通过"更多"菜单删除费用项
- 删除操作完成后,费用项预览没有按预期变为灰色不可点击状态
- 用户仍可点击已删除的费用项,导致界面进入无限加载
- 当网络恢复后,界面会显示"内容不存在"页面
技术分析
经过深入排查,发现问题根源在于两种删除操作调用了不同的API方法:
- 通过预览上下文菜单删除时调用的是
IOU.deleteTrackExpense方法 - 通过"更多"下拉菜单删除时调用的是
IOU.deleteMoneyRequest方法
这两种方法在处理离线删除时的乐观更新逻辑不一致,导致UI状态更新出现差异。deleteMoneyRequest方法没有正确设置乐观删除数据,使得前端无法感知到费用项已被删除。
解决方案
开发团队提出了两种解决方案:
- 临时方案:回滚相关修改,移除"更多"菜单中的删除选项
- 永久方案:统一两种删除操作的调用方式,确保都使用
deleteTrackExpense方法
最终选择了第二种方案,因为它不仅修复了问题,还保持了功能完整性。修改后的代码确保:
- 所有删除操作都通过同一API方法执行
- 乐观更新逻辑一致
- UI状态能够正确反映删除操作
经验总结
这个案例给我们几个重要启示:
- 对于同一功能的不同入口,应保持后端调用的一致性
- 离线操作需要特别注意乐观更新的处理
- 新增功能时需要考虑所有可能的使用场景,特别是边缘情况
- 完善的测试用例对于发现这类问题至关重要
后续改进
为了防止类似问题再次发生,团队计划:
- 增加针对离线删除操作的回归测试用例
- 审查其他可能存在的多入口不一致问题
- 优化乐观更新机制的统一性
- 加强代码审查中对边缘情况的关注
这个问题的解决过程展示了Expensify团队对产品质量的重视和对用户体验的关注,也体现了开源社区协作解决问题的效率。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.88 K
Ascend Extension for PyTorch
Python
396
474
openEuler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。
C
359
219
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++
902
704
🎉 (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
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
813
199
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161