Expensify/App 9.0.81-6版本发布:移动端优化与功能增强
项目简介
Expensify是一款广受欢迎的财务管理应用,专注于为企业和个人提供便捷的费用报销、账单管理和团队协作解决方案。该应用支持多平台使用,包括Web、iOS和Android,以其简洁的界面和强大的功能在财务软件领域占据重要地位。
核心改进与优化
移动端用户体验提升
本次版本针对移动设备进行了多项优化,显著提升了用户交互体验:
-
输入框焦点问题修复:解决了iOS平台上房间描述输入框需要多次点击才能获取焦点的问题,使表单填写更加流畅。
-
导航栏重叠问题:修复了Android设备上"获取实体卡"按钮与设备导航栏重叠的显示问题,确保界面元素的正确布局。
-
键盘平滑处理:优化了基础模态框(BaseModal)中的键盘处理逻辑,使键盘弹出和收起更加平滑自然。
-
本地通知优化:移除了短信域(sms domain)相关的本地通知,减少了不必要的干扰。
工作区管理增强
工作区功能是Expensify的核心特性之一,本次更新带来了多项改进:
-
离线保存功能:增强了工作区在离线状态下的保存能力,确保用户在网络不稳定时仍能正常使用。
-
主工作区标识:新增了主工作区的视觉标识,解决了之前主工作区看起来随机的问题,提高了界面清晰度。
-
功能排序一致性:确保工作区侧边导航栏(LHN)中的功能项保持一致的排序,提升用户操作的可预测性。
-
删除后导航优化:修复了在iOS/Android设备上删除工作区后应用返回账户设置而非工作区列表的问题。
费用报销流程改进
费用管理是Expensify的核心功能,本次更新对相关流程进行了优化:
-
分项验证修复:解决了"分项总和必须等于总金额"错误信息显示异常的问题。
-
每日津贴流程:实现了每日津贴(per diem)请求流程,扩展了费用报销类型。
-
审批模式修正:修复了重新启用审批模式时设置不正确的问题。
-
货币显示优化:在用户升级订阅时,现在会显示以用户本地货币计算的升级价格,提高了透明度。
性能与稳定性
-
性能数据导出:新增了性能数据导出功能,便于开发团队监控应用性能。
-
搜索功能优化:限制了搜索查询长度,防止过长的查询导致性能问题。
-
线程显示修复:解决了新消息错误显示为来自其他用户发送的问题。
-
工具提示改进:使产品培训工具提示能够点击指向的元素,提高了交互性。
技术实现细节
-
代码结构优化:对齐了ReportUtils文件中的默认ID,提高了代码一致性。
-
测试覆盖增强:为产品培训上下文和钩子添加了测试用例,提高了代码质量。
-
Google标签管理:为Google Tag Manager脚本添加了nonce属性,增强了安全性。
-
自动聚焦优化:修复了电话号码字段无法自动获取焦点的问题。
总结
Expensify/App 9.0.81-6版本通过一系列精细化的改进,显著提升了移动端用户体验和工作区管理效率。从输入交互的优化到核心报销流程的完善,再到性能监控能力的增强,这些改进共同构成了一个更加稳定、易用的财务管理解决方案。特别是对离线功能和每日津贴流程的支持,进一步拓展了应用在商业场景中的适用性。这些更新体现了开发团队对细节的关注和对用户反馈的积极响应,为Expensify用户提供了更加流畅和可靠的使用体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01