RevenueCat iOS SDK 5.22.2版本发布:稳定性与功能增强
RevenueCat是一个流行的移动应用订阅管理平台,它简化了应用内购买和订阅的实现过程,帮助开发者快速集成订阅功能并管理用户生命周期。RevenueCat SDK为开发者提供了跨平台的订阅管理解决方案,支持iOS、Android等多个平台。
主要更新内容
兼容性修复
本次5.22.2版本重点修复了向后兼容性问题,特别是针对新引入的testSDKHealthCheck实现可能导致的问题。这类问题通常出现在开发者升级SDK版本时,新版SDK与旧版应用代码或系统环境不兼容的情况。修复后,开发者可以更平滑地进行SDK版本升级。
Paywalls v2功能改进
Paywalls v2是RevenueCat提供的付费墙解决方案,本次更新包含多项改进:
-
修复了本地化URL无效导致的崩溃问题:当付费墙组件从本地化配置中获取无效URL时,应用可能会崩溃。新版本增加了对URL有效性的检查,提升了稳定性。
-
空白行显示问题修复:解决了付费墙中空白行不显示的问题,确保UI布局符合设计预期。
-
新增Web付费墙链接按钮组件:为付费墙添加了新的按钮组件操作,支持直接打开Web链接的付费墙,为开发者提供了更多付费墙展示方式的选择。
客户中心(Customer Center)改进
客户中心是让用户管理订阅的重要界面,本次更新包含以下改进:
-
视图模型绑定修复:解决了视图模型绑定问题,确保数据正确传递和显示。
-
订阅管理显示优化:通过购买提供者(purchases provider)显示管理订阅选项,使订阅管理流程更加直观。
诊断功能增强
诊断功能帮助开发者监控SDK运行状况,本次更新:
-
新增host参数:在
http_request_performed事件中添加了host参数,使开发者能够更精确地追踪网络请求来源。 -
健康检查端点更新:将
testSDKHealth方法迁移到新的/health_report端点,提供更全面的健康状态报告。
技术细节与优化
负载分流集成测试
新版本增加了对消耗型和非消耗型产品的负载分流集成测试。负载分流是一种在高负载情况下保证系统稳定性的技术,通过测试确保在不同产品类型下的正确处理能力。
备用API主机支持
当收到服务器宕机响应时,SDK现在会自动回退到备用API主机。这种故障转移机制提高了SDK的可靠性,确保在网络或服务端问题发生时仍能提供基本功能。
编译兼容性
修复了旧版本Xcode的编译问题,确保使用较老开发环境的开发者也能顺利集成最新SDK。
开发者体验改进
UI测试支持
引入了maestro工具支持UI测试,这为开发者提供了更强大的界面自动化测试能力,有助于确保付费墙和客户中心等UI组件的质量。
日志增强
在付费墙v2功能中增加了URL打开成功与否的日志记录,帮助开发者更轻松地诊断付费墙链接相关的问题。
总结
RevenueCat iOS SDK 5.22.2版本是一个以稳定性和功能完善为主的更新,重点解决了兼容性问题、改进了付费墙和客户中心功能,并增强了诊断和测试能力。这些改进使开发者能够构建更稳定、功能更丰富的订阅管理解决方案,同时提供了更好的开发体验和调试工具。对于正在使用或考虑使用RevenueCat的开发者来说,这个版本值得升级以获得更好的稳定性和功能支持。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00