Expensify/App项目中的Apple与Google Wallet集成测试分析
背景介绍
在Expensify/App项目中,开发团队正在实现将虚拟卡添加到Apple Wallet(iOS)和Google Wallet(Android)的功能。这一功能仅限于虚拟卡使用,为项目带来了更便捷的支付体验。
功能测试方案
应用内添加卡片测试流程
-
准备工作:确保用户拥有启用了Expensify Cards功能的工作区,并具备在该工作区发放卡片的权限。
-
测试步骤:
- 以管理员身份创建工作区虚拟卡并分配给自身
- 通过设置菜单进入钱包功能
- 验证卡片详情页是否显示"添加到Apple Wallet"(iOS)或"添加到Google Wallet"(Android)按钮
- 点击按钮触发原生流程并完成添加
- 验证按钮是否被"已添加到Apple Wallet"的状态提示替代
手动添加卡片测试流程
-
准备工作:同上,确保具备虚拟卡发放权限。
-
测试步骤:
- 创建虚拟卡并获取卡片详细信息
- 在钱包应用中手动输入卡片信息
- 验证卡片是否成功添加
- 返回应用验证状态显示是否同步更新为"已添加"提示
测试发现的技术问题
在测试过程中发现了一个值得注意的技术问题:当尝试手动将虚拟卡添加到Apple Wallet时,系统会提示"无法使用此卡"的错误。经过深入分析,发现这可能与以下技术因素有关:
-
卡片状态管理:当通过应用内流程添加时,系统会正确处理卡片激活状态;而手动添加时,后台可能未能正确更新卡片状态。
-
后端通信机制:Apple Wallet直接与发卡机构服务器通信,而手动添加流程可能未能触发必要的状态更新请求。
-
错误处理机制:在某些情况下,系统会显示卡片已被Expensify停用的警告模态框,表明存在状态同步问题。
技术建议与解决方案
基于测试发现的问题,建议从以下方面进行技术优化:
-
状态同步机制:实现更完善的卡片状态同步逻辑,确保无论通过何种方式添加,卡片状态都能正确更新。
-
错误处理改进:优化错误提示信息,提供更明确的指导,帮助用户理解问题原因及解决方案。
-
日志记录增强:加强后台日志记录,便于追踪手动添加流程中的问题节点。
总结
Expensify/App的Wallet集成功能为用户提供了便捷的虚拟卡管理体验。虽然目前存在手动添加流程的技术挑战,但通过应用内添加流程已能提供完整的用户体验。开发团队应重点关注状态同步机制的优化,以确保所有添加方式都能提供一致、可靠的服务。
这一功能的实现展现了Expensify/App在移动支付领域的持续创新,未来随着技术问题的解决,将为用户带来更加无缝的虚拟卡使用体验。
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