Expensify/App 移动费用报告消息显示问题分析与解决方案
2025-06-15 19:55:02作者:温玫谨Lighthearted
问题背景
在Expensify/App项目中,用户在进行费用报告操作时遇到了系统消息显示不完整的问题。具体表现为当用户将费用从一个报告移动到另一个报告后,如果目标报告被删除,系统消息会显示不完整信息"moved this expense to",而在消息线程中则显示为"moved this expense to Inaccessible Report"。
问题复现步骤
- 用户登录Expensify账户
- 进入工作区聊天
- 提交两个费用项目
- 创建新报告
- 选择两个费用项目
- 执行"移动费用"操作到新创建的报告
- 删除目标报告
- 进入个人私信查看费用
- 点击费用项目并尝试回复移动消息线程
技术分析
这个问题本质上是一个前后端协同工作的数据一致性问题。当用户移动费用到另一个报告时,系统会生成一条操作消息。这条消息需要包含目标报告的名称信息。然而,当目标报告被删除后,前端无法获取到已删除报告的名称,导致消息显示不完整。
从技术实现角度看,这个问题涉及几个关键点:
- 消息生成机制:系统在费用移动操作时需要完整记录操作上下文
- 数据引用完整性:当引用的实体(报告)被删除后,系统如何处理相关引用
- 错误处理机制:当无法获取关联数据时,系统应提供合理的回退方案
解决方案
开发团队通过后端修改解决了这个问题。具体方案是:
- 在后端处理费用移动操作时,不仅记录报告ID,同时保存报告名称
- 即使目标报告被删除,系统消息仍能显示完整的操作历史
- 对于已删除的报告,使用"Inaccessible Report"作为友好的提示信息
这种解决方案的优势在于:
- 保持了数据的历史完整性
- 提供了更好的用户体验
- 不需要复杂的前端处理逻辑
- 符合系统设计的松耦合原则
技术启示
这个问题给我们的技术启示包括:
- 在设计操作日志系统时,应考虑关联实体的生命周期
- 关键操作记录应包含足够的上下文信息,而不仅仅是引用ID
- 系统消息应具备自包含性,不依赖实时查询关联数据
- 对于可能失效的引用,应提前考虑回退方案
总结
Expensify/App中这个费用移动消息显示问题展示了在复杂系统中处理数据关联和生命周期的挑战。通过后端保存完整上下文信息的解决方案,既解决了当前问题,也为类似场景提供了参考模式。这种设计思路可以推广到其他需要记录操作历史的系统功能中,确保系统在各种边界条件下都能提供一致的用户体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217