Instabug-React-Native 使用教程
1. 项目介绍
Instabug-React-Native 是一个为 React Native 应用提供 in-app 反馈和 bug 报告的开源工具。用户或测试者通过简单的摇晃设备,即可报告 bug 或发送应用内反馈。该 SDK 能够捕获设备的快照,包括所有控制台日志和服务器端网络请求,便于开发者更快地调试和修复 bug。同时,它还提供可靠的崩溃报告功能,自动捕获运行环境、线程状态、重现崩溃的步骤以及网络请求日志。
2. 项目快速启动
首先,确保你已经安装了 Node.js 和 React Native 开发环境。
安装 Instabug-React-Native
在终端中,导航到你 React Native 项目的目录下,执行以下命令安装 instabug-reactnative 包:
npm install instabug-reactnative
或者,如果你更倾向于使用 Yarn:
yarn add instabug-reactnative
对于 iOS 项目,你还需要执行以下额外步骤:
cd ios
pod install
cd ..
初始化 Instabug
在你的 React 组件中,导入 Instabug 并在 constructor 或 componentWillMount 中初始化它:
import Instabug from 'instabug-reactnative';
Instabug.init({
token: 'APP_TOKEN',
invocationEvents: [Instabug.invocationEvent.shake]
});
请将 'APP_TOKEN' 替换为你从 Instabug 仪表板中获取的应用 token。
3. 应用案例和最佳实践
微phone 和相册库使用描述(iOS)
iOS 10 及以上版本的 App 需要在 info.plist 文件中添加麦克风和相册库的使用描述,以避免提交到 App Store 时被拒绝。
在 info.plist 文件中添加以下键,并附上解释用户为什么需要这些权限的文本:
<key>NSMicrophoneUsageDescription</key>
<string>我们的应用需要访问麦克风以便用户附加语音备忘录。</string>
<key>NSPhotoLibraryUsageDescription</key>
<string>我们的应用需要访问您的相册库以便用户附加图片。</string>
崩溃报告的源图文件上传
为了在崩溃报告中显示完整的符号化堆栈跟踪,我们需要自动生成并上传源图文件。这需要在 JavaScript 中的 Instabug.init 方法中明确添加你的应用 token。
如果你将应用 token 定义为一个常量,你可以设置一个环境变量 INSTABUG_APP_TOKEN 来替代。
网络日志
Instabug 默认启用网络日志,它会拦截所有使用 fetch 或 XMLHttpRequest 执行的请求,并将它们附加到发送到仪表板的报告中。如果你想禁用网络日志:
import { NetworkLogger } from 'instabug-reactnative';
NetworkLogger.setEnabled(false);
4. 典型生态项目
目前,Instabug-React-Native 支持以下流行的 React Native 导航库:
react-navigationv5:在NavigationContainer中设置onStateChange为Instabug.onStateChangereact-native-navigation:使用Navigation.events().registerComponentDidAppearListener(Instabug.componentDidAppearListener)注册监听器
你也可以手动报告屏幕变化,通过以下 API:
Instabug.reportScreenChange('screenName');
如果你想禁用 Repro Steps 功能,可以通过以下 API:
Instabug.setReproStepsConfig({
all: ReproStepsMode.disabled
});
以上就是 Instabug-React-Native 的使用教程,希望对你有所帮助。
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