Expensify/App 中扫描收据金额校验异常的分析与解决
问题背景
在Expensify/App的9.1.54-0版本中,用户在使用扫描收据功能时遇到了一个金额校验异常。具体表现为:当用户扫描收据后尝试拆分费用时,系统错误地显示"金额比扫描收据金额大2,608.33%"的警告信息,而实际上拆分后的金额并未超过原始扫描金额。
技术分析
这个问题的核心在于金额校验逻辑出现了异常。从技术角度来看,可能涉及以下几个关键点:
-
金额计算逻辑:系统在拆分费用时,未能正确计算拆分后的各部分金额与原始扫描金额的关系。
-
百分比计算错误:系统显示的2,608.33%这个异常高的百分比值表明,金额比较的计算公式可能存在问题,可能是分母设置错误或计算单位不一致。
-
状态管理:在拆分操作过程中,可能没有正确维护和传递原始扫描金额的数据,导致校验时使用了错误的基础值。
-
边界条件处理:系统可能没有充分考虑到各种拆分场景下的边界条件,特别是当拆分比例较小时的计算精度问题。
问题重现与验证
开发团队通过以下步骤重现了该问题:
- 在工作区聊天中创建扫描费用
- 完成扫描后尝试拆分费用
- 保存拆分并查看费用报告
测试结果表明,在v9.1.54-0版本中该问题确实存在,但在后续版本(v9.1.54-2及更高版本)中,由于相关功能被回滚,问题不再出现。
解决方案
开发团队采取了以下措施解决该问题:
-
功能回滚:首先回滚了引入该问题的相关代码变更,暂时移除了拆分功能,确保用户不会遇到错误的金额校验警告。
-
根本原因分析:深入检查了金额校验逻辑的实现细节,特别是百分比计算部分,确保计算基于正确的基准值。
-
全面测试:在修复后进行了全面的回归测试,验证各种拆分场景下的金额计算准确性。
经验总结
这个案例为我们提供了几个重要的经验教训:
-
金额计算的严谨性:涉及金融计算的功能必须格外谨慎,任何小的计算错误都可能导致严重的用户体验问题。
-
测试覆盖的重要性:需要针对各种可能的拆分比例进行充分测试,特别是边界条件。
-
渐进式发布策略:对于涉及核心财务功能的变更,采用渐进式发布和密切监控可以及早发现问题。
-
错误信息的友好性:系统错误信息应该清晰准确,避免显示令人困惑的百分比数值。
通过这次问题的解决,Expensify/App的金额校验机制得到了进一步完善,为后续类似功能的开发提供了宝贵经验。
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 StartedRust090- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00