一、前言思考

1.1 从"人找应用"到"服务找人"

传统 App 模式是人找应用：用户想打车 → 打开打车 App → 输入目的地 → 点叫车。每一步都是用户在操作。

鸿蒙意图框架（IntentKit）提供服务找人的新范式：

• 用户说"我快迟到了" → 系统理解意图 → 主动推提醒 + 打车卡片 + 路线；
• 用户到达商场 → 系统识别场景 → 主动推停车位、优惠券；
• 用户睡前 → 系统预判 → 推送助眠音乐、闹钟设置。

1.2 主动服务的三个支撑

支撑	作用
意图解析	把用户行为/语音/上下文转成可执行的意图
用户画像	记住偏好，让推荐个性化
场景引擎	预判用户即将需要什么，提前准备

二、底层原理

2.1 双范式对比

维度	人找应用（传统）	服务找人（意图即服务）
触发	用户主动打开 App	意图识别自动触发
输入	手动操作	行为/语音/传感器/上下文
体验	多步操作	一触即达
数据	应用内数据	跨应用上下文
私密性	数据在各 App 内部	需要权限治理模型

2.2 意图解析流水线

输入(语音/文字/行为/位置/时间)
        │
        ▼
意图识别: 这是什么意图? (打车/订餐/提醒/导航)
        │
        ▼
槽位抽取: 起点/终点/时间/人数
        │
        ▼
画像注入: 用户偏好(常用车型/常去地点)
        │
        ▼
场景匹配: 当前场景(通勤/出差/聚会)
        │
        ▼
服务排序: 哪个服务最适合?
        │
        ▼
主动推送: 卡片/通知/直达

2.3 场景预判引擎

基于规则的预判 + 基于学习的预测：

规则: 工作日 7:30 在家 → 预判通勤场景 → 推送路况+导航
学习: 用户每周五晚点外卖 → 周五 17:00 预判外卖意图 → 推餐厅卡片

预判不是"猜"，而是"等"：场景命中且用户最近用过的服务，才推卡片，避免骚扰。

2.4 用户画像

用户画像 = 静态画像(性别/常居地/职业) + 动态画像(近期行为/频次/时段)

画像隐私约束：画像数据必须端侧保存、用户可查看可删除、权限可控。

三、实战落地

3.1 声明意图服务（被主动调用）

// module.json5 中声明能力
{
  "skills": [
    {
      "entities": ["entity.system.reminder"],
      "actions": ["action.reminder.create"],
      "uris": [{ "scheme": "demo", "host": "reminder" }]
    }
  ]
}

// Ability 中处理意图调用
onCreate(want: Want) {
  if (want.action === 'action.reminder.create') {
    const time = want.parameters['time'] as string;
    const event = want.parameters['event'] as string;
    this.showCreateReminder(time, event);
  }
}

3.2 注册主动服务（服务找人）

import { intentService } from '@kit.AiKit';

// 注册一个可被意图框架发现的服务
intentService.register({
  intent: 'action.delivery.order',
  description: '外卖下单服务',
  inputSchema: {
    food: 'string',
    address: 'string',
    time: 'string'
  },
  priority: 80,               // 服务排序权重
  conditions: {               // 触发条件
    scene: ['meal_time', 'weekend_evening']
  },
  handler: async (params) => {
    // 收到意图，拉起下单卡片
    return { action: 'launch', url: 'demo://delivery?food=' + params.food };
  }
});

3.3 主动推送卡片

import { notificationManager } from '@kit.NotificationKit';

// 意图命中 → 推送可交互卡片
const wantAgent = await wantAgentHelper.getWantAgent({
  wants: [{ action: 'action.delivery.order', parameters: { food: '披萨' } }],
  actionType: wantAgent.OperationType.START_ABILITY,
  requestCode: 1001
});

notificationManager.publish({
  id: 1001,
  content: {
    notificationContentType: notificationManager.ContentType.NOTIFICATION_CONTENT_BASIC_TEXT,
    normal: {
      title: '🍕 又到周五了',
      text: '上次点了这家，还点吗？',
      additionalText: '点我直达下单'
    }
  },
  wantAgent: wantAgent
});

3.4 用户画像驱动推荐

// 端侧画像（本地存储，用户可清除）
const profile = {
  favoriteFood: ['披萨', '日料'],
  homeAddress: '北京朝阳',
  workAddress: '北京海淀',
  activeHours: ['7:30-9:00', '19:00-21:00'],
  recentApps: ['music', 'map', 'delivery']
};

// 排序逻辑: 场景 × 画像 × 频率
function rankServices(intent: Intent): Service[] {
  return allServices
    .filter(s => s.matches(intent))
    .sort((a, b) =>
      (b.sceneScore + b.profileScore) - (a.sceneScore + a.profileScore));
}

四、性能排查与优化

问题	表现	优化手段
推送骚扰	频繁打扰用户	降频、画像负反馈、用户可一键关闭
意图误判	推了不该推的	提高置信度阈值、加二次确认
服务超时	主动服务响应慢	服务预启动、卡片先行结果后到
画像过期	推荐过时	画像衰减（旧行为权重降低）
隐私投诉	用户担心数据	全本地存储 + 透明说明 + 可删除

4.1 负反馈闭环

用户每次忽略/关闭推送都是一次负反馈信号，用于降低该服务的排序权重：

function onIgnore(serviceId: string) {
  const w = profile.negativeWeights[serviceId] ?? 0;
  profile.negativeWeights[serviceId] = w + 1;
  // 排序时扣减
}

4.2 防骚扰限流

• 同一意图 24h 内最多主动推送 1 次；
• 连续 3 次忽略 → 该服务 7 天内不再主动推；
• 全局每天主动推送上限 5 条。

五、总结

1. 意图即服务的本质是把"用户操作"降级为"用户意图"：让服务主动靠近用户。
2. 三层支撑缺一不可：意图解析（懂用户）、用户画像（懂偏好）、场景引擎（懂时机）。
3. 主动推送是双刃剑：用画像 + 场景 + 负反馈控制打扰度，宁可少推不可骚扰。
4. 隐私是底线：画像全端侧、可查看、可删除、可关闭。

一句话记住：理解意图、记住偏好、预判场景、克制推送。

---

🚀 演示功能优化（随项目同步更新）

本文对应的 ArkTS 演示页面已随项目整体优化，主要改进：

1. 独立主题风格：活力橙 · 暖色卡片圆角标签，与其余章节演示页明显区分，不再千篇一律。
2. 步骤回放动画：点击演示按钮后，结果行按 260~320ms/步 逐步展示，模拟真实推理过程。
3. 运行态保护：演示过程中按钮置灰防重复触发，页面退出自动清理定时器。
4. 结果摘要：演示结束后自动给出「一句话结论」，并 Toast 提示完成。
5. AI 对话演示：新增 AiChatDemo（根目录 main.py 的 ArkTS 移植），真实 SSE 流式大模型请求，首页「★ AI Chat 流式对话演示」可进入。

对应页面：entry/src/main/ets/pages/IntentUpgradeDemo.ets

---

🧪 演示优化：真实 AI 推理接入（v3）

本演示页顶部新增 AI 意图理解主卡，点击即真实调用云端大模型（SSE 流式），不再是纯模拟回放：

• 请求链路：utils/AiClient.ets（ArkTS 封装 OpenAI 兼容接口）→ POST https://api-ai.gitcode.com/v1/chat/completions，模型 deepseek-ai/DeepSeek-V4-Flash，流式 stream: true
• 演示场景：意图解析 / 多意图衔接 / 用户画像 —— 每个场景绑定不同 IntentKit 专家 Prompt，返回内容各有差异
• 交互体验：进入页面自动触发一次真实推理；点场景标签切换并重新请求；按钮手动触发；输出区打字机流式展示
• 真实标识：卡片右上角 LIVE 徽标 + 端点/模型名水印，保证"所见即所调"