Expensify/App 客户端违规显示逻辑优化方案
2025-06-15 15:03:00作者:韦蓉瑛
背景介绍
在Expensify/App项目中,系统会检测并显示各种违规行为(Violations),如重复交易、自动拒绝费用等。这些违规信息需要根据不同用户角色和权限进行差异化显示。当前实现存在性能问题和技术债务,需要重构优化。
现有问题分析
当前系统存在以下技术痛点:
- 后端差异化计算:违规信息在后端根据不同用户单独计算,导致相同违规需要为不同用户重复计算
- 低效通信机制:需要为每个用户单独发送Onyx更新,违反"不要为不同用户发送略有差异的更新"的最佳实践
- 逻辑分散:违规可见性判断逻辑分散在后端,客户端无法灵活控制
技术解决方案
核心思路转变
将违规信息的过滤逻辑从后端迁移到客户端,后端统一计算所有可能的违规,由客户端根据用户角色和上下文决定是否显示。
关键实现细节
-
违规驳回状态存储:
- 使用交易记录的nameValuePairs字段存储驳回状态
- 数据结构示例:
{ "dismissedViolations": { "duplicatedTransaction": { "user@example.com": 1748905104132286 } } } - 键为违规类型,值为用户邮箱与驳回时间戳的映射
-
客户端过滤规则:
- 自动拒绝费用违规:
- 显示给:报告提交者 或 工作区管理员(当报告处于开放状态时)
- 超过自动审批限额:
- 仅显示给:工作区管理员(提交者无操作权限)
- RTER违规:
- 显示给:报告提交者 或 非即时提交的工作区
- 非智能扫描收据:
- 显示条件需同时满足:
- 用户有工作区访问权限
- 用户不是提交者
- 用户不是工作区管理员或报告未开放
- 显示条件需同时满足:
- 自动拒绝费用违规:
-
混合应用兼容:
- 方案需同时支持NewDot和Classic两种界面风格
- 保持行为一致性,确保两种界面显示相同的违规信息
技术优势
-
性能提升:
- 减少后端计算量,避免为不同用户重复计算相同违规
- 使用报告级Onyx通道广播更新,替代账户级通道
-
架构优化:
- 将业务逻辑集中到客户端,符合现代前端架构趋势
- 减少前后端耦合,提高系统可维护性
-
用户体验一致:
- 确保所有客户端显示相同的违规信息
- 支持实时更新,提升协作效率
实施注意事项
-
测试策略:
- 需模拟后端返回所有违规的场景
- 验证各类型违规在不同用户角色下的显示/隐藏行为
- 覆盖NewDot和Classic两种界面
-
数据兼容:
- 保持与现有驳回状态存储格式的兼容
- 确保迁移过程中不丢失用户已驳回的违规记录
-
性能监控:
- 实施后需监控客户端渲染性能
- 特别关注大型工作区或含多违规报告的场景
总结
该优化方案通过将违规过滤逻辑迁移到客户端,解决了现有架构中的性能瓶颈和代码维护问题。新设计遵循了"计算一次,广播所有"的原则,同时保持了灵活的用户级显示控制,为Expensify/App的违规处理系统奠定了更可持续的技术基础。
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
3.89 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
814
200
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