Expensify/App中成员变更工作区导致费用消失的问题分析
2025-06-15 04:13:52作者:胡易黎Nicole
问题背景
在Expensify/App项目中,发现了一个关于费用管理工作流的重要缺陷。当用户尝试将已提交的费用从一个工作区转移到另一个工作区时,系统会显示错误提示,同时该费用会从聊天界面中消失,且不会出现在目标工作区中。
问题现象重现
该问题可以通过以下步骤重现:
- 用户A邀请用户B加入工作区
- 用户B在工作区聊天中提交手动费用
- 用户B尝试通过"更多"选项中的"变更工作区"功能将该费用转移到其他工作区
- 系统显示"出现错误"提示
- 费用从原始工作区聊天中消失
- 费用未出现在目标工作区中
技术原因分析
经过深入分析,发现该问题主要由两个技术原因导致:
-
报告预览动作获取错误:在变更工作区时,系统尝试从
allReportActions对象中获取旧的报告预览动作,但使用了错误的键格式。当前代码错误地在报告ID前添加了report_前缀,而实际上allReportActions对象已经使用纯报告ID作为键。 -
删除属性恢复失败:当操作失败需要回滚时,系统尝试通过合并旧对象来恢复状态。但由于旧对象不包含删除属性,合并操作无法正确清除删除标记,导致费用看似"消失"。
解决方案
针对上述问题,提出以下技术解决方案:
-
修正报告预览动作获取方式:直接使用报告ID作为键从
allReportActions对象中获取旧的报告预览动作,不再添加多余前缀。 -
完善状态恢复机制:在回滚操作中,显式地将删除属性设置为null,确保能够正确清除删除标记。对于数组类型的消息内容,采用合并策略确保完整恢复。
测试建议
为防止此类问题再次出现,建议增加以下自动化测试场景:
- 测试变更工作区操作失败时的回滚机制
- 验证报告预览动作在不同状态下的正确获取方式
- 检查删除属性在各种情况下的正确处理逻辑
总结
该问题揭示了Expensify/App在处理工作区变更时的状态管理缺陷。通过修正数据获取方式和完善状态恢复机制,可以有效解决费用消失的问题,提升用户体验。这也提醒我们在实现乐观更新模式时,需要特别注意失败情况下的状态恢复逻辑。
对于开发者而言,理解系统状态管理的完整生命周期至关重要,特别是在涉及用户重要数据操作时,必须确保在各种异常情况下都能保持数据的一致性和可见性。
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
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0238- 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
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
electerm开源终端/ssh/telnet/serialport/RDP/VNC/Spice/sftp/ftp客户端(linux, mac, win)JavaScript00
项目优选
收起
deepin linux kernel
C
27
13
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
632
4.16 K
Ascend Extension for PyTorch
Python
470
566
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++
932
834
🎉 (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
1.51 K
861
昇腾LLM分布式训练框架
Python
138
162
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
131
192
暂无简介
Dart
879
210
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
383
266
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++
123
188