鸿蒙 AI Coding 的研发新范式与工程实践

事件核心：发生了什么

华为正面临一个独特的 AI 编程困境：与 Android 和 iOS 拥有数十年代码语料积累不同，鸿蒙的 ArkTS 语言问世时间短，公开代码样本有限，导致大模型在鸿蒙场景下的代码生成能力天生受限。同时，华为设备形态覆盖直板机、双折叠到三折叠，其适配复杂度远超传统移动开发，加上鸿蒙应用工程体量普遍庞大，传统 IDE 基于 GUI 交互而并非为 AI 工作流设计，这四大问题构成了鸿蒙 AI 编码的系统性挑战。

为此，华为推出了分层解耦的整体方案。其中，DevEco Code 定位于开箱即用的 Coding Agent，覆盖从项目创建到功能验证的全流程，内置智谱系列大模型并支持接入第三方模型；DevEco CLI 则将传统 IDE 能力拆解为创建工程、语法检查、编译构建等原子化命令行工具，便于被外部 AI Agent 通过编程方式调用。两者之上是名为“格物市场”的开放平台，用于聚合 Skills、MCP 工具和知识库。

为提升代码质量，DevEco Code 设计了“三循环 Harness”机制：首先是轻量级语法检查和 LSP 依赖分析；其次是调用编译工具进行诊断；最后通过UI 验证 Agent 拉起模拟器执行点击、滑动等交互操作并截图对比，用以识别“编译通过但功能不正确”或“UI 显示异常”的深层次问题。华为团队表示，其代码修复 Agent 积累了超 100 个崩溃定位案例，对运行时崩溃的修复成功率可达 80% 以上。

为什么重要

这一事件的核心意义在于为“AI 编程如何适应新兴生态”提供了一套工程化范本。当前业内普遍默认大模型能力取决于语料规模，华为没有坐等 ArkTS 语料自然增长，而是选择构建包含 2000 万字官方文档的知识库做定向补偿，通过嵌入方式让模型在推理时能查询本地 API 参考、最佳实践和专有词表。

更值得关注的是其“Skill 分级路由”设计。华为将技能拆分为 L0 语法框架层、L1 组件 API 层、L2 工程上下文层和 L3 业务规则层，以解决模型面对 70 余个 Skills 时的“选择困难症”。官方数据显示，在未启用多设备 Skill 时，AI 对双折叠屏仅能生成单列布局；叠加 Skill 后则可正确生成双列布局。这说明华为正试图通过结构化知识注入而非单纯堆参数的方式，弥补通用大模型在垂类场景的不足。

从竞争格局看，该布局也将鸿蒙 AI 开发能力从“依赖单一模型聪明程度”转向“依赖平台工程整合能力”，形成了区别于 GitHub Copilot 或通用 Coding Agent 的差异化壁垒。

对用户/开发者/创作者的影响

对于鸿蒙应用开发者，DevEco Code 提供的 Plan、Build、Goal 三种模式分别对应不同的自动化程度：Build 模式适合需求明确的快速迭代，Goal 模式则基于自然语言需求自动推进直至模拟器验证。引入 IDE 的开发者可通过一行 npm install -g @deveco/deveco-code 快速体验；而已有 AI 流水线的团队则可选用 DevEco CLI 将其集成至 OpenCode 等外部工具中。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对技术决策者而言，UI 验证 Agent 将“功能验证”从人工回归测试中解放出来，使得 AI 生成的代码不仅停留在“编译通过”层面，还能完成可视化的交互意图核验。但需注意，目前修复能力集中在类型错误、边界错误等 10 余类典型问题上，复杂的架构级问题仍需人工介入。此外，2000 万字官方知识库的本地响应机制意味着部分推理过程可在无网络环境下完成，这对企业内部代码合规性具备一定价值。

值得关注的后续

第一，DevEco Code 与主流开源模型（如 DeepSeek、MiniMax）的组合效果已有对比数据支撑，未来是否支持更多非华为系模型、以及在真实商业项目中的完成率表现，将是验证 Harness 机制普适性的标杆。第二，格物市场的 Skills 数量能否快速扩展并形成第三方贡献生态，将决定该方案是否能突破“华为官方单点维护”的局限。第三，多设备适配 Skill 目前主要覆盖折叠屏布局生成，后续能否延展至手表、车机等更碎片化的 HarmonyOS 场景，是衡量这套工程方法是否可复用的重要风向标。

来源：InfoQ CN