Expensify/App 中未报告费用列表骨架加载问题分析与解决方案
问题背景
在Expensify/App的财务模块中,用户在使用"添加未报告费用"功能时遇到了一个界面显示问题。每当用户打开未报告费用列表时,即使没有新的数据需要加载,系统也会显示一个骨架加载动画(Skeleton Loading)。这种视觉反馈会给用户造成"正在加载更多数据"的错误印象,影响用户体验。
技术分析
骨架加载机制
骨架加载是现代前端应用中常见的加载状态指示器,它通过展示与内容结构相似的灰色占位区块,向用户暗示内容正在加载。在理想情况下,这种视觉反馈应该只在确实有数据正在加载时显示。
问题根源
通过代码审查发现,问题出在AddUnreportedExpense.tsx组件中。当前实现存在两个关键问题:
-
加载状态管理不精确:
isLoadingUnreportedTransactions标志位在每次调用fetchUnreportedExpensesAPI时都会被设置为true,包括页面初始加载时。 -
条件判断不足:骨架加载的显示仅依赖于
isLoadingUnreportedTransactions状态,而没有考虑当前是否确实有更多数据需要加载(hasMoreUnreportedTransactionsResults)或者是否是初始加载场景。
解决方案
经过技术团队讨论,最终确定的解决方案是:
-
增强条件判断:修改骨架加载的显示逻辑,使其仅在满足以下两个条件时显示:
- 确实有未报告交易正在加载(
isLoadingUnreportedTransactions为true) - 当前滚动偏移量大于0(表示不是初始加载)
- 确实有未报告交易正在加载(
-
代码实现:具体修改是在
listFooterContent属性中添加偏移量检查:
listFooterContent={isLoadingUnreportedTransactions && offset > 0 ?
<UnreportedExpensesSkeleton fixedNumberOfItems={3} /> :
undefined}
技术考量
这个解决方案考虑了多种边界情况:
- 初始加载空状态:当首次打开页面且没有任何费用记录时,不会显示骨架加载,而是直接显示空状态
- 滚动加载:当用户滚动到底部加载更多数据时,骨架加载会正常显示
- 性能优化:避免了不必要的渲染操作,提升了界面响应速度
经验总结
这个案例为我们提供了几个重要的前端开发经验:
-
状态管理精细化:对于加载状态这类影响用户体验的关键状态,需要进行更细致的区分和管理。
-
用户预期匹配:视觉反馈应该准确反映后台的真实状态,避免给用户造成误解。
-
边界情况考虑:在实现功能时,需要充分考虑各种使用场景,包括初始状态、空状态、加载中等不同情况。
通过这次修复,Expensify/App的未报告费用功能提供了更准确、更符合用户预期的加载状态反馈,提升了整体用户体验。
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