Cashew项目中的App Links功能解析与自动化记账实践
引言
在现代个人财务管理应用中,自动化记账功能已成为提升用户体验的关键要素。Cashew作为一款优秀的预算管理应用,近期通过App Links功能实现了与第三方应用的集成能力,为用户提供了自动化记账的可能性。本文将深入解析这一功能的技术实现原理、应用场景以及实际使用案例。
App Links功能概述
App Links是一种基于URI方案的深度链接技术,允许第三方应用通过特定格式的URL直接调用Cashew应用并传递交易数据。这种机制不需要后端服务器支持,完全基于设备本地实现,符合Cashew无服务器的设计理念。
技术实现原理
Cashew实现的App Links采用标准URI方案,格式如下:
cashew://addbill?type=0&amount=123.4&account=Account&category=Category&subcategory=Subcategory&time=2023-10-29T00:00:00Z&remark=Sample
参数说明:
- type:交易类型(支出、收入、转账等)
- amount:交易金额
- account:账本名称
- category:交易类别
- subcategory:交易子类别
- time:交易时间(ISO 8601格式)
- remark:交易备注
应用场景与集成方案
1. 交易通知自动化处理
许多银行和支付平台会通过系统消息发送交易通知。用户可以利用自动化工具(如Tasker、Automate等)捕获这些通知,提取关键信息后生成Cashew的App Link。
实现步骤:
- 设置自动化工具监听特定来源的通知
- 使用正则表达式提取金额、商户等信息
- 根据商户信息映射到对应的交易类别
- 构造Cashew App Link并触发
2. 邮件交易通知处理
对于通过邮件接收交易通知的用户,可以设置邮件客户端规则或使用自动化工具处理:
- 监控特定发件人的邮件
- 解析邮件内容提取交易数据
- 通过Webhook将数据发送到手机端自动化工具
- 最终生成Cashew交易记录
3. AI辅助收据识别
结合AI视觉识别技术,可以实现收据照片的自动解析:
- 使用支持OCR的AI服务
- 设置系统提示词明确提取字段要求
- 生成包含验证后的交易数据的Cashew链接
- 用户点击确认后直接添加到Cashew
实际案例分享
Tasker集成方案
一位用户分享了使用Tasker实现信用卡交易自动记录的方案:
- 检测银行发送的新通知
- 检查内容关键词确认是交易通知
- 使用正则表达式提取金额
- 将金额填入App Link模板
- 自动打开生成的链接
Automate示例流程
开发者提供了使用Automate的示例流程:
- 监听特定银行应用的通知
- 使用正则表达式模式匹配交易信息
- 默认设置为"购物"类别
- 生成并触发Cashew链接
邮件自动化方案
有用户实现了基于Gmail的自动化:
- 检测来自银行的新邮件
- 从邮件中提取日期、金额、名称等信息
- 通过Webhook发送到手机端MacroDroid
- 同时备份到Google表格
- 最终添加到Cashew
技术注意事项
-
iOS兼容性:虽然功能主要面向Android,但开发者表示正在开发官方的Siri快捷方式支持
-
隐私考虑:对于涉及AI识别收据的方案,用户应注意隐私风险,可以考虑本地OCR方案
-
错误处理:自动化脚本应包含数据验证逻辑,确保传递给Cashew的数据格式正确
-
账户映射:不同银行可能使用不同账户标识,需要建立映射表确保一致性
未来展望
根据开发者透露,未来版本可能增加:
- 账户间转账的App Link支持
- 官方Siri快捷方式实现
- 更丰富的参数选项
- 可能的本地OCR集成
结语
Cashew的App Links功能为用户提供了强大的自动化记账能力,通过与各种自动化工具和AI服务的结合,可以显著减少手动输入的工作量。这种开放接口的设计理念,体现了Cashew对用户体验的重视,也为开发者社区创造了丰富的扩展可能性。随着功能的不断完善,Cashew有望成为个人财务管理领域的佼佼者。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00