Expensify/App Android端测试驾驶功能加载问题分析与解决方案
问题背景
在Expensify移动应用的Android版本中,用户在进行测试驾驶流程时遇到了一个关键性问题。当用户完成邮箱输入并点击"开始测试驾驶"按钮后,界面会陷入无限加载状态,无法正常进入后续的测试收据提交环节。这个问题在Android 14系统的三星Galaxy Z Fold 4设备上被首次发现并报告。
问题现象
用户操作路径如下:
- 启动Expensify应用
- 使用新Gmail账户登录
- 跳过工作邮箱页面
- 选择"跟踪和预算支出"功能
- 输入姓名并继续
- 在"带我们进行测试驾驶"模态框中输入邮箱
- 点击开始测试驾驶按钮
预期行为是应用应进入确认页面,向用户提交测试收据。但实际观察到的却是按钮持续加载,无法完成流程。
技术分析
经过开发团队深入排查,发现问题根源在于Android原生环境下处理静态资源的方式存在差异。具体表现为:
-
在调试模式下,
resolveAssetSource方法能够正确返回形如http://localhost:8081/xxxx的URI,使得文件下载流程可以正常进行。 -
但在发布模式下,
resolveAssetSource仅返回静态资源名称(如asset_1234),而非有效的URI地址。这导致react-native-blob-util无法正确下载文件。
日志分析显示以下关键错误信息:
java.net.MalformedURLException: no protocol- 表明URL格式不正确url == null- 表明请求构建时缺少有效URL- 客户端日志显示"Error reading test receipt" - 确认收据读取失败
解决方案
针对这一问题,开发团队提出了基于expo-file-system和expo-asset的替代方案:
-
使用
expo-asset的Asset.loadAsync方法加载资源,该方法能正确处理Android环境下的静态资源。 -
通过
expo-file-system的copyAsync方法将资源复制到本地文件系统,确保在调试和发布模式下都能正常工作。
核心代码修改包括:
- 替换原有的
resolveAssetSource和react-native-blob-util组合 - 实现新的文件处理逻辑,正确处理本地URI
- 添加完善的错误处理机制
兼容性考虑
值得注意的是,此问题不仅影响测试驾驶功能,也影响了McManager流程中的工具提示功能。经过版本回溯测试,发现该问题实际上自McManager测试功能发布(版本9.1.14-5)以来就一直存在。
解决方案特意针对Android平台进行了优化,同时保持iOS等其他平台的现有实现不变,确保不会引入新的兼容性问题。
总结
这个案例展示了React Native在跨平台开发中可能遇到的特定平台问题。通过深入分析Android资源加载机制,开发团队找到了既解决当前问题又保持代码简洁性的方案。这也提醒开发者在处理平台特定功能时,需要充分考虑不同构建模式下的行为差异。
该修复已随版本9.1.52-0部署到生产环境,经过7天回归测试后确认稳定,最终在版本9.1.53-7中完全解决。
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-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
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