Expensify/App离线模式下报告无限加载问题分析
问题背景
在Expensify/App项目中,用户反馈了一个关于离线模式下报告页面行为异常的Bug。具体表现为:当用户在离线状态下创建新报告后,通过导航进入工作区设置页面,再返回报告页面时,页面会陷入无限加载状态,显示初始加载骨架屏而无法正常展示内容。
问题复现路径
- 用户访问应用并创建一个工作区(如果没有现有工作区)
- 点击"+"按钮创建新报告
- 将设备切换至离线模式
- 点击报告头部区域
- 选择"前往工作区"选项
- 点击应用返回按钮返回报告页面
技术分析
核心问题定位
经过代码分析,发现问题源于报告加载逻辑在离线状态下的处理不完善。具体涉及以下几个关键点:
-
报告加载状态管理:在
openReport函数中,系统会乐观地将isLoadingInitialReportActions元数据标记为true,表示正在加载报告操作。 -
数据等待判断:在
MoneyRequestReportView组件中,当isLoadingInitialReportActions为true且报告操作列表为空时,shouldWaitForData会被设置为true。 -
骨架屏显示条件:当前逻辑中,只要
shouldWaitForData为true就会显示加载骨架屏,而没有考虑离线状态的特殊情况。
根本原因
在离线状态下,系统无法从服务器获取数据更新,但前端仍然保持等待数据的状态。由于没有离线状态的特殊处理,导致页面持续显示加载状态而无法恢复。
解决方案
修改建议
在显示加载骨架屏的判断条件中增加离线状态检查:
if (!!(isLoadingInitialReportActions && reportActions.length === 0 && !isOffline) ||
(shouldWaitForData && !isOffline)) {
return <InitialLoadingSkeleton styles={styles} />;
}
替代方案
另一种可行的解决方案是在离线模式下调用openReport时,直接将isLoadingInitialReportActions的乐观值设为false,避免进入等待数据的状态。
技术启示
这个问题反映了在开发离线功能时需要特别注意的几个方面:
-
状态管理完整性:所有涉及网络请求的状态都需要考虑离线场景下的表现。
-
用户体验一致性:离线模式下应该提供明确的反馈,而不是让用户陷入无限等待。
-
条件判断全面性:重要的UI显示条件需要考虑所有可能的用户场景,特别是网络状态变化。
总结
离线功能是现代移动应用的重要特性,但实现时需要考虑各种边界情况。Expensify/App中的这个案例展示了状态管理与网络状态协同处理的重要性。通过增加离线状态检查,可以避免用户陷入无限等待的糟糕体验,同时保持应用在各种网络条件下的稳定表现。
这个问题也提醒开发者,在实现乐观更新等高级功能时,必须全面考虑各种用户场景,特别是网络不可用这种常见但容易被忽略的情况。
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