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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue07- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00