<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[移动端开发干货分享]]></title><description><![CDATA[公众号「AndroidPub」| 字节面试官，收简历：programonkey@gmail.com]]></description><link>https://blog.csdn.net/vitaviva</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; vitaviva]]></copyright><item><title><![CDATA[Compose 五周年回顾：从缘起到复盘]]></title><link>https://blog.csdn.net/vitaviva/article/details/167085489</link><guid>https://blog.csdn.net/vitaviva/article/details/167085489</guid><author>vitaviva</author><pubDate>Mon, 05 Oct 2026 09:00:00 +0800</pubDate><description><![CDATA[一个曾被列为“坏点子”的控件解耦计划，最终催生了Jetpack Compose——一场从“修bug”到“重写一切”的工程逆袭。始于对系统版本依赖的无奈，借力Flutter与R4A的启发，团队在“既然都做到这一步了”的冲动下，以函数式编程、Modifier链和洋葱模型为核心，逐步构建起全新的声明式UI范式。历经五年迭代，Compose不仅重塑了Android界面开发，更以务实与克制，在性能、互操作与开发者体验间找到平衡。它证明：伟大变革往往始于一个朴素痛点，成于工程师对“真正想要的API”的执着追求。]]></description><category></category></item><item><title><![CDATA[Android AI 开发，真正拉开差距的是工程闭环]]></title><link>https://blog.csdn.net/vitaviva/article/details/166828140</link><guid>https://blog.csdn.net/vitaviva/article/details/166828140</guid><author>vitaviva</author><pubDate>Tue, 29 Sep 2026 08:28:41 +0800</pubDate><description><![CDATA[AI生成代码已成常态，但真正的挑战在于构建可观察、可验证、可追责的开发闭环。Android开发进入Agent阶段，关键不是“写得多快”，而是“改后反馈多快”。通过标准化环境（如AndroidCLI）、合理使用子Agent分工、分层反馈机制（静态→构建→测试→运行）、自然语言驱动的探索式验证，以及将审查聚焦于意图而非代码细节，团队可实现高效且可信的协作。最终，工程流程的成熟度决定AI价值能否落地——从“能写”迈向“可信”。]]></description><category></category></item><item><title><![CDATA[AI 圈爆火的 Jev : 让 AI 少说话，多做判断]]></title><link>https://blog.csdn.net/vitaviva/article/details/166013136</link><guid>https://blog.csdn.net/vitaviva/article/details/166013136</guid><author>vitaviva</author><pubDate>Sun, 20 Sep 2026 08:30:00 +0800</pubDate><description><![CDATA[过去，人们认为AI的核心是“会说话”，但实际业务系统更需要的是精准、快速的决策判断。决策型模型如Jev，专注于输出结构化结果（如布尔值、评分、选择），而非生成文本，适用于工单分流、内容审核、Agent路由等高频、规则明确的场景。其优势在于输出稳定、解析简单、成本低，能有效提升系统效率与可控性。未来AI应用将趋向分层：大模型负责生成，决策模型专注判断，二者协同，让AI真正融入流程，而非仅停留在对话层面。]]></description><category></category></item><item><title><![CDATA[AI Coding 做视频？我看好 HyperFrames]]></title><link>https://blog.csdn.net/vitaviva/article/details/165127917</link><guid>https://blog.csdn.net/vitaviva/article/details/165127917</guid><author>vitaviva</author><pubDate>Mon, 14 Sep 2026 08:30:00 +0800</pubDate><description><![CDATA[维度Remotion创作语言构建步骤无，index.html打开即预览需要打包器（bundler）动画时序暂停动画并 seek 到精确时刻再截帧，帧级确定代码按帧号返回画面，依赖帧驱动现有 Web 素材HTML/CSS、GSAP、Lottie 动画基本可直接复用需要改写成 React 组件AI Agent 上手写纯 HTML，可直接生成与修改需理解 JSX/React 工程与构建许可证Apache 2.0（OSI 认证开源，无限制）自定义商业许可，3 人以上团队需付费。]]></description><category></category></item><item><title><![CDATA[四个 AI 员工面试记]]></title><link>https://blog.csdn.net/vitaviva/article/details/164400052</link><guid>https://blog.csdn.net/vitaviva/article/details/164400052</guid><author>vitaviva</author><pubDate>Mon, 07 Sep 2026 08:30:00 +0800</pubDate><description><![CDATA[<think>用户要求我根据提供的内容生成一篇不超过150字的文章摘要。摘要需要涵盖：Codex、Claude Code、OpenCode、Hermes四个AI工具的区别、评估标准、各工具特点、以及选择建议。</think>四款AI“员工”各有定位：Codex适合交活型用户，能批处理；Claude Code强于吃大量上下文但上手慢；OpenCode生态最丰富、开箱即用但安全风险高；Hermes会自我成长、越用越强。选择取决于你的场景——公司受限电脑用Codex，需读本地文件用Claude Code，要团队型]]></description><category></category></item><item><title><![CDATA[大模型 Token 计费原理：百万 Token 能用多久，怎样把成本降下来？]]></title><link>https://blog.csdn.net/vitaviva/article/details/163614911</link><guid>https://blog.csdn.net/vitaviva/article/details/163614911</guid><author>vitaviva</author><pubDate>Sat, 15 Aug 2026 08:30:00 +0800</pubDate><description><![CDATA[本文解析了大模型API计费中Token的含义与使用机制。Token是模型处理文本的基本单位，不等于字符或字数，其数量受语言、格式和内容复杂度影响。计费通常分为普通输入、缓存输入和输出三部分，其中输出Token通常更贵。 关键发现包括：连续对话会累积历史消息导致输入量剧增；提示词缓存虽能降低成本但仍需付费；不同使用场景下百万Token的实际容量差异巨大（从上千轮简短问答到仅数轮大型代码分析）。文章还提供了费用计算示例，并给出7条优化建议：精简规则文件、压缩上下文、控制工具输出、调节思考强度、明确输出要求、模型]]></description><category></category></item><item><title><![CDATA[Multica：用 AI 搭建你的数字员工团队]]></title><link>https://blog.csdn.net/vitaviva/article/details/163614788</link><guid>https://blog.csdn.net/vitaviva/article/details/163614788</guid><author>vitaviva</author><pubDate>Fri, 14 Aug 2026 08:15:00 +0800</pubDate><description><![CDATA[文章摘要： Multica创新性地将AI融入团队工作流，通过协作控制台管理&quot;人类+AI成员&quot;的任务协同。其核心价值在于解决AI能力分散、上下文断裂的问题，提供任务调度、状态追踪和决策闭环。系统采用管理平面与执行平面分离架构，兼容20多种异构Agent工具，支持Skills能力复用。Multica尤其适合多项目独立开发者或已规模化使用AI的团队，但要求清晰的任务定义和验收流程。文章指出，随着AI执行成本下降，未来研发优化对象将转向人机协作系统的整体效率，而Multica正是这一趋势的前瞻探]]></description><category></category></item><item><title><![CDATA[聊天记录都在，模型为什么还是会“忘记”？]]></title><link>https://blog.csdn.net/vitaviva/article/details/163614625</link><guid>https://blog.csdn.net/vitaviva/article/details/163614625</guid><author>vitaviva</author><pubDate>Thu, 13 Aug 2026 08:30:00 +0800</pubDate><description><![CDATA[文章摘要： 本文深入探讨了Coding Agent的三层记忆系统设计，揭示了界面交互历史、模型请求投影和逻辑执行链之间的关键区别。作者指出，成熟的Agent并非维护单一聊天记录，而是通过分层管理实现高效上下文压缩。文章详细分析了包括大结果外置、细粒度回收、区间裁剪等六种投影策略，并强调协议完整性和前缀缓存的重要性。此外，文章提出事件日志式的数据存储模型，解释了会话恢复与分叉的本质差异，为构建更鲁棒的AI编程助手提供了系统设计思路。这种分层记忆架构在平衡Token预算、缓存效率和会话连续性方面展现出显著优势。]]></description><category></category></item><item><title><![CDATA[AI 会不会取代软件工程师？先别只盯着写代码]]></title><link>https://blog.csdn.net/vitaviva/article/details/163614151</link><guid>https://blog.csdn.net/vitaviva/article/details/163614151</guid><author>vitaviva</author><pubDate>Wed, 12 Aug 2026 08:30:00 +0800</pubDate><description><![CDATA[摘要 随着AI技术快速发展，软件工程师的核心能力正在被重新定义。文章指出，工程师的核心价值不在于代码编写（这部分正被AI加速替代），而在于更复杂的综合能力：发现真问题、推动跨团队协作、承担技术决策责任、处理线上事故及团队建设。判断任务可替代性的三个维度是：标准化程度、结果可验证性和责任可转移性。未来工程师需转型为"问题定义者"和"AI验证者"，重点培养业务判断、系统思维、沟通协作等能力。真正稀缺的是将模糊需求转化为可靠解决方案的能力，而非代码生成速度。工程师需要主动扩大责任边界，从执行层升级为决策者，才能避]]></description><category></category></item><item><title><![CDATA[开发一个生产级 Agent 的最佳实践]]></title><link>https://blog.csdn.net/vitaviva/article/details/163596695</link><guid>https://blog.csdn.net/vitaviva/article/details/163596695</guid><author>vitaviva</author><pubDate>Tue, 11 Aug 2026 08:15:00 +0800</pubDate><description><![CDATA[本文深入探讨了开发生产级AI Agent系统的关键挑战与工程实践。作者指出，Agent开发的核心难点不在于模型调用或工具连接，而在于处理大模型不确定性与传统软件工程的交界问题。文章提出八大关键点：1) 将业务需求拆解为可执行的决策链路；2) 建立严格的工具调用契约而非依赖模型猜测；3) 将各类失败设计为正常流程分支；4) 为Agent循环设置执行边界；5) 通过多Agent实现权限隔离而非追求形式；6) 建立全面的业务导向评估体系；7) 采用渐进式发布策略；8) 构建完整的可观测性体系。作者强调，真正的生产]]></description><category></category></item><item><title><![CDATA[AI 写代码这么溜，跨平台框架还有必要吗？]]></title><link>https://blog.csdn.net/vitaviva/article/details/163584045</link><guid>https://blog.csdn.net/vitaviva/article/details/163584045</guid><author>vitaviva</author><pubDate>Mon, 10 Aug 2026 08:30:00 +0800</pubDate><description><![CDATA[文章摘要：AI编码工具虽能快速翻译不同平台代码，但跨端框架（如KMP/Flutter）的核心价值在于维护业务逻辑的一致性，而非仅减少代码量。"AI翻译双仓库"模式虽初期高效，但面临运行时差异、迭代同步成本高和业务规则分散等问题。KMP通过将业务逻辑抽离为共享代码，确保多端行为一致，在AI时代反而更具优势，因为清晰的边界更利于AI发挥。跨端的未来在于"契约化开发"，而非单纯追求代码复刻。]]></description><category></category></item><item><title><![CDATA[在 Coding Agent 动手前先做需求澄清：grill-me 的工作流设计与实践价值]]></title><link>https://blog.csdn.net/vitaviva/article/details/163194326</link><guid>https://blog.csdn.net/vitaviva/article/details/163194326</guid><author>vitaviva</author><pubDate>Mon, 27 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[摘要 AI Agent在执行模糊需求时容易过早补全未明确信息，导致产出偏离用户真实意图。grill-me通过改变工作流，在执行前建立"需求澄清阶段"，采用三个核心设计原则： 渐进式提问：一次只问一个最关键问题，形成对话式决策树 推荐引导：每个问题提供基于上下文的建议答案，降低用户决策成本 智能区分：Agent自行检索事实信息，仅对需要用户判断的决策点发起确认 该机制适用于代码开发、内容创作等多场景，将传统工程中的需求对齐环节引入AI协作流程，有效减少返工。相比普通Prompt或Superpowers等综合工]]></description><category></category></item><item><title><![CDATA[Kotlin 异步流的终极解密：彻底攻克 Cold Flow、Hot Flow 与 Channel 的发射、存储与丢失机理]]></title><link>https://blog.csdn.net/vitaviva/article/details/162809787</link><guid>https://blog.csdn.net/vitaviva/article/details/162809787</guid><author>vitaviva</author><pubDate>Sat, 18 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[Kotlin协程中的Flow与Channel本质差异深度解析 摘要： 本文深入剖析Kotlin协程中Flow与Channel的核心区别，揭示开发中常见的四大"灵异现象"背后的本质原因。通过冷流、热流和Channel三者的对比分析，阐释它们各自的数据发射机制、内存存储原理和使用场景。冷流(Flow)本质是执行配方而非数据容器，具有零内存存储特性；热流(SharedFlow/StateFlow)作为广播机制，具有可控的缓存策略；而Channel则是协程间的通信管道，采用"竞争消费"模式。文章通过底层原理分析和实]]></description><category></category></item><item><title><![CDATA[别再滥用 Kotlin lateinit 了！把 Bug 留给编译器]]></title><link>https://blog.csdn.net/vitaviva/article/details/162809477</link><guid>https://blog.csdn.net/vitaviva/article/details/162809477</guid><author>vitaviva</author><pubDate>Fri, 17 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[文章摘要：Kotlin的lateinit属性看似便利，实则可能引发运行时崩溃（UPAE），将本该在编译期解决的问题拖到线上。相比之下，可空类型（Nullable）通过编译器强制检查，能更安全地处理未初始化问题。虽然使用可空类型需要更多安全调用（?.或?:），但它能彻底避免空指针异常。建议仅在依赖注入或生命周期强绑定的场景使用lateinit，其他情况优先选择可空类型，并避免使用非空断言（!!），以提升代码健壮性。（150字）]]></description><category></category></item><item><title><![CDATA[2026年，Android + AI 迎来质变：从“移动OS”到“移动智能体生态”的范式转移]]></title><link>https://blog.csdn.net/vitaviva/article/details/162809361</link><guid>https://blog.csdn.net/vitaviva/article/details/162809361</guid><author>vitaviva</author><pubDate>Thu, 16 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[2026年，Android操作系统已从单纯的移动应用平台演变为深度集成的智能体系统（Intelligence System）。AI全面重构了系统底层、通知管理、浏览器交互及开发流程，开发者核心问题转变为“智能应部署在何处”——端侧、云端还是操作系统层？ 端侧智能通过AICore和Gemini Nano实现零延迟、隐私安全且离线的AI能力，如本地文本摘要、输入法校对等。ML Kit GenAI API和AI Edge SDK为开发者提供灵活调用路径，端云协同成为主流方案。 Android 16引入AI驱动的通]]></description><category></category></item><item><title><![CDATA[Android 离线存储四大法宝，你知道吗？]]></title><link>https://blog.csdn.net/vitaviva/article/details/162808927</link><guid>https://blog.csdn.net/vitaviva/article/details/162808927</guid><author>vitaviva</author><pubDate>Wed, 15 Jul 2026 08:15:00 +0800</pubDate><description><![CDATA[本文介绍了Android开发中四种主流本地存储方式的适用场景及实现方法： 内存缓存：临时存储高频访问数据，速度快但进程结束即消失，适合搜索联想词等场景，需防止内存泄漏。 Jetpack DataStore：替代SharedPreferences的键值存储方案，适合保存用户偏好设置，支持异步操作和类型安全。 Room Database：结构化数据存储方案，适合聊天记录等复杂查询场景，通过注解简化SQLite操作。 文件存储：适合大体积非结构化数据（如视频、图片），通过文件系统直接管理。 每种方案针对不同数据特]]></description><category></category></item><item><title><![CDATA[打破单仓迷思！Kotlin Multiplatform 双端双仓库（Polyrepo）实战：Xcode 到底看到了什么？]]></title><link>https://blog.csdn.net/vitaviva/article/details/162807881</link><guid>https://blog.csdn.net/vitaviva/article/details/162807881</guid><author>vitaviva</author><pubDate>Tue, 14 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[本文探讨了在双仓库（Polyrepo）架构下实施 Kotlin Multiplatform (KMP) 的实战方案，突破了官方教程中单仓库和全栈跨端的理想化设定。针对大中型企业 Android/iOS 独立仓库的现状，提出以下核心方案： 物理连接：通过同级目录结构（如Git/Android和Git/ios-app）实现跨仓库访问，要求团队统一开发环境路径。 心智模型：Xcode 将 KMP 编译产物视为第三方二进制依赖，需通过脚本实现即时编译： 在 Xcode 构建阶段插入 Gradle 任务，动态编译最新]]></description><category></category></item><item><title><![CDATA[别再只看“任务完成没”！立体量化 AI Agent 性能]]></title><link>https://blog.csdn.net/vitaviva/article/details/162799767</link><guid>https://blog.csdn.net/vitaviva/article/details/162799767</guid><author>vitaviva</author><pubDate>Mon, 13 Jul 2026 08:30:00 +0800</pubDate><description><![CDATA[评估AI Agent性能需建立多维工程化评测体系，区别于传统LLM仅关注生成内容质量。Agent作为"数字员工"，需从三个维度评估：1. 结果维度（任务成功率）；2. 过程维度（执行效率、工具调用精准度、自我纠错能力）；3. 系统维度（延迟、成本、稳定性）。落地实施需采用代码断言、环境状态验证和大模型裁判三种方法，同时警惕错误连环传递、结果波动和模型裁判被误导等工程陷阱。最终目标是构建可复现、可归因的全方位评测闭环，确保Agent在真实业务场景中的可用性。]]></description><category></category></item><item><title><![CDATA[理清 Kotlin 异步流的终极脑补：深入剖析 Cold Flow、Hot Flow 与 Channel 的发射机制]]></title><link>https://blog.csdn.net/vitaviva/article/details/162809663</link><guid>https://blog.csdn.net/vitaviva/article/details/162809663</guid><author>vitaviva</author><pubDate>Sun, 12 Jul 2026 11:12:07 +0800</pubDate><description><![CDATA[Kotlin协程中Flow、Channel和Hot/Cold Flow的核心机制解析 摘要： 本文深入剖析Kotlin协程中三种异步数据流处理机制的本质区别：1）Cold Flow是"运行配方"，每次收集都会重新执行代码块，不存储任何数据；2）Hot Flow是"现场广播"，通过StateFlow/SharedFlow实现数据共享，可配置有限缓存；3）Channel是单播队列，作为协程间通信原语暂存未消费数据。文章通过典型场景分析常见的认知误区，如10亿次emit不会导致内存泄漏、StateFlow只缓存最]]></description><category></category></item><item><title><![CDATA[大模型“暴瘦”密码：一文读懂知识蒸馏（Knowledge Distillation）与个人实战指南]]></title><link>https://blog.csdn.net/vitaviva/article/details/162800671</link><guid>https://blog.csdn.net/vitaviva/article/details/162800671</guid><author>vitaviva</author><pubDate>Sun, 12 Jul 2026 02:33:38 +0800</pubDate><description><![CDATA[在人工智能（Artificial Intelligence）飞速发展的今天，参数规模几乎每年都经历着外翻数倍甚至超十倍的增长——从百亿、千亿到万亿参数，“越庞大越强、越胖越聪明”似乎成了不争的事实。例如，DeepSeek 满血版模型（如 DeepSeek-V3/R1）的参数量已高达 671B（6710 亿）。然而，强大的能力背后，是高昂的计算成本与物理壁垒。面对资源受限的边缘设备或终端场景，我们该如何打破这道瓶颈？本文将带你深度剖析 AI 领域的“瘦身黑科技”——，并为你奉上一份手把手的个人实战指南。]]></description><category></category></item></channel></rss>