子玥酱 （掘金 / 知乎 / CSDN / 简书 同名）

大家好，我是 子玥酱，一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂，目前在某国企负责前端软件研发相关工作，主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验，日常关注并分享的技术方向包括 前端工程化、小程序、React / RN、Flutter、跨端方案，
在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向：前端 / 跨端 / 小程序 / 移动端工程化
内容平台：掘金、知乎、CSDN、简书
创作特点：实战导向、源码拆解、少空谈多落地
文章状态：长期稳定更新，大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”，而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍，希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨
👋 如果你正在做前端，或准备长期走前端这条路
📚 关注我，第一时间获取前端行业趋势与实践总结
🎁 可领取 11 类前端进阶学习资源（工程化 / 框架 / 跨端 / 面试 / 架构）
💡 一起把技术学“明白”，也用“到位”

持续写作，持续进阶。
愿我们都能在代码和生活里，走得更稳一点 🌱

引言

过去两年，大模型的落地路径几乎都围绕一个方向展开：

• 云端推理
• API 调用
• 聊天式交互
• 结果回传渲染

无论是 iOS、Android，还是 Web，大多数应用的 AI 能力，本质上仍然是：

把请求发到云端，然后等待结果。

但当模型开始下沉到设备本地——
当推理能力不再依赖网络——
当系统本身具备统一 AI 调度能力——

一个新的问题出现了：

端侧大模型，在鸿蒙 App 里，到底应该怎么落地？

这不是“接 SDK”的问题，这是一场架构级重构。

传统 AI 接入方式，本质是什么

在讨论端侧之前，我们先看旧模式。传统 AI 接入通常是这样：

页面触发

用户点击按钮：

Button('生成总结')
  .onClick(async () => {
    const result = await requestAI(this.text)
    this.summary = result
  })

云端请求

async function requestAI(content: string) {
  const response = await http.post('/ai/summarize', {
    text: content
  })
  return response.data
}

UI 展示结果

Text(this.summary)

流程非常清晰：

用户 → 页面 → 网络 → 云端模型 → 返回 → 页面展示

这个模式的问题在于：

• 强依赖网络
• 延迟不可控
• 无法深度参与业务逻辑
• AI 只是“外挂能力”

本质上：

模型不在系统里，只在接口里。

端侧大模型出现后，变化在哪里

当模型运行在本地设备上，变化并不只是“更快”。而是三件更本质的事情：

第一，AI 可以常驻

它不再是一次调用，而是一个持续存在的能力。

第二，AI 可以参与业务决策

不只是生成文本，而是参与流程判断。

第三，AI 可以被系统级调度

在鸿蒙环境下，它甚至可以跨设备协同。这意味着：

端侧模型，不应该放在“页面层”，而应该进入“业务核心层”。

在鸿蒙架构中，端侧模型应该放在哪里？

回顾我们之前的工程分层：

UI 层
ViewModel 层
Domain 层
Data 层

很多人会 instinctively 把模型放在 Data 层。

但真正合理的位置是：

Domain 层。

因为：

• UI 负责展示
• Data 负责数据来源
• Domain 负责决策与规则

而大模型，本质是：

概率决策引擎。

一个真实场景：智能待办拆解

传统待办创建：

addTask(title: string) {
  this.list.push({
    title: title,
    priority: 'normal'
  })
}

逻辑是固定的，但如果用户输入：

“帮我准备下周产品发布会的材料”

端侧模型可以自动：

• 提取时间
• 识别主题
• 拆分子任务
• 设置优先级

定义 AI 服务接口

先抽象一层：

export interface LocalAIService {
  parseTask(input: string): Promise<ParsedTask>
}

本地模型实现

import aiEngine from '@ohos.ai.engine'

export class DeviceAIService implements LocalAIService {
  async parseTask(input: string): Promise<ParsedTask> {
    const result = await aiEngine.run({
      modelId: 'task_parser_local',
      prompt: input
    })

    return {
      title: result.title,
      priority: result.priority,
      deadline: result.deadline
    }
  }
}

注意：

页面不知道模型存在。
ViewModel 也不知道模型细节。
只有 Domain 使用它。

在 UseCase 中接入模型

export class CreateTaskUseCase {
  constructor(
    private repository: TaskRepository,
    private ai: LocalAIService
  ) {}

  async execute(input: string) {
    const parsed = await this.ai.parseTask(input)

    await this.repository.save(parsed)
  }
}

这里发生了一件关键的变化，传统流程：

输入 → 存储

现在变成：

输入 → 模型推理 → 决策 → 存储

模型开始参与业务，这才叫“落地”。

鸿蒙环境下的特殊优势

端侧模型在鸿蒙中更具意义，因为：

鸿蒙不是单设备系统。

分布式场景示例

用户在手机上说：

“把会议纪要整理一下。”

模型在手机上完成推理，然后通过分布式能力同步到平板：

import distributedData from '@ohos.data.distributedData'

await kvStore.put('meeting_summary', summaryText)

另一设备读取：

let content = await kvStore.get('meeting_summary')
display(content)

用户不会意识到：

• 推理在哪台设备完成
• 数据如何同步

这就是：

AI + 分布式 = 体验级融合。

端侧模型落地的三大工程挑战

推理耗时管理

端侧模型并非瞬间完成，必须在 ViewModel 中处理状态：

this.loading = true
await this.usecase.execute(text)
this.loading = false

否则 UI 会卡顿。

不确定性输出校验

模型输出是概率性的，必须做结构验证：

if (!result.title) {
  throw new Error('模型解析失败')
}

否则业务会失控。

多设备算力差异

不同设备算力不同，可以使用策略模式：

class AIServiceFactory {
  static create(): LocalAIService {
    if (device.isHighPerformance()) {
      return new DeviceAIService()
    } else {
      return new CloudFallbackService()
    }
  }
}

这是鸿蒙独有的工程优势。

更深层的变化：从“工具”到“智能体”

当端侧模型真正进入 Domain 层后，App 的本质会改变。

旧模型：

功能集合

新模型：

能力集合

export interface AIAbility {
  name: string
  run(params: object): Promise<any>
}

App 不再只是页面堆叠，而是：

• 解析能力
• 推理能力
• 规划能力
• 协调能力

这是一种形态进化。

一个关键判断

未来三年，端侧模型在鸿蒙中的真正价值，不在“聊天”。

而在：

嵌入式决策能力。

真正有竞争力的应用，将具备：

• 本地语义理解
• 本地任务规划
• 本地个性化学习
• 跨设备协同执行

如果模型只停留在“生成文本”层面，那它只是功能升级。

如果模型进入业务核心，那它是系统升级。

总结

很多人以为：

端侧大模型 = 更快的 AI 调用。

但真正的变化是：

AI 从接口能力，变成架构核心。

当模型成为 Domain 的一部分、当它参与决策而不仅仅输出文本、当它能跨设备流转，鸿蒙 App 就不再只是“应用程序”，而是一个真正的智能体系统。