【OpenHarmony/HarmonyOs 】端侧 AI 与元服务能力集成：物理视界的智能学习助手设计

本文基于我的 OpenHarmony/HarmonyOS 项目「物理视界 PhysicsVision」整理。项目当前已经具备 28 个物理模型、物理公式计算器、知识挑战、收藏、最近浏览和成就系统。
这一篇重点讨论：在不破坏隐私边界的前提下，如何把端侧 AI、元服务能力、人脸识别开放能力等方向，设计成一个真正服务学习的智能助手。🤖

一、先说清楚：当前项目没有做人脸识别和云端 AI

为了避免误导，先说明项目现状：

• 当前没有接入人脸识别；
• 当前没有接入拍照识题；
• 当前没有调用云端大模型；
• 当前没有网络请求；
• 当前的智能推荐主要来自本地学习状态。

这并不是缺点。对教育类 App 来说，本地优先是一种很稳的架构：低延迟、少权限、隐私压力小，也更容易离线使用。

本文会基于当前项目，设计几个可以逐步接入的方向：

• 端侧 AI：学习推荐、错题解释、公式提示；
• 元服务：把高频模型做成免安装轻量入口；
• 人脸识别开放能力：只讨论可选登录/家长确认等边界场景；
• 本地学习画像：利用已有收藏、浏览、挑战数据进行个性化。

二、当前项目已经有“端侧智能”的雏形

项目虽然没有接入 AI SDK，但已经有本地推荐逻辑。
例如实验室页会根据用户是否访问过模型，优先推荐未探索的基础模型：

getRecommended(): number[] {
  let result: number[] = []
  for (let i = 0; i < this.names.length; i++) {
    if (!this.isVisited(i) && this.difficulties[i] === '基础') {
      result.push(i)
      if (result.length >= 4) break
    }
  }
  if (result.length < 4) {
    for (let i = 0; i < this.names.length; i++) {
      if (!this.isVisited(i) && this.difficulties[i] === '进阶') {
        result.push(i)
        if (result.length >= 4) break
      }
    }
  }
  return result
}

这就是最朴素的端侧智能：

• 数据在本地；
• 规则可解释；
• 不需要联网；
• 不需要上传学习记录；
• 推荐结果和学生当前进度相关。

未来如果接入端侧 AI，可以把这个逻辑升级为更细的学习路径规划。

三、学习画像：从收藏、浏览、挑战中提取信号

项目中有四类关键学习状态：

PersistentStorage.persistProp('favorites', '')
PersistentStorage.persistProp('highScore', 0)
PersistentStorage.persistProp('totalPlayed', 0)
PersistentStorage.persistProp('visitedModels', '')

这些状态可以形成一个轻量学习画像：

数据	可以推断什么
收藏模型	用户认为重要或薄弱的知识点
最近浏览	用户当前学习主题
已探索数量	学习覆盖度
挑战次数	练习频率
最高正确率	掌握程度
题目分类	薄弱学科方向

注意，这些数据不需要实名，也不需要上传云端。端侧 AI 可以直接在本机利用这些信号做推荐。

四、端侧 AI 方向一：个性化模型推荐

当前项目的推荐规则是“未探索 + 基础优先”。如果加入端侧 AI，可以进一步考虑：

• 用户收藏了很多电磁学模型，说明近期关注电磁学；
• 用户挑战正确率低，优先推荐基础模型；
• 用户访问了“光的干涉”，可以推荐“凸透镜成像”“光的反射”；
• 用户很久没做挑战，可以推荐 5 道轻量复习题。

示例设计：

interface LearningProfile {
  favoriteCount: number
  visitedCount: number
  highScore: number
  totalPlayed: number
  recentCategories: string[]
}

interface ModelRecommendation {
  modelIndex: number
  reason: string
}

推荐结果不只是“给你一个模型”，还要告诉用户为什么：

• “你最近学习了光学，建议继续观察凸透镜成像。”
• “你的挑战正确率还不高，先从基础力学模型开始。”
• “你收藏了电磁学内容，可以复习库仑定律和电场线分布。”

这种解释比黑盒推荐更适合教育场景。

五、端侧 AI 方向二：公式计算器智能提示

项目中的物理公式计算器已经结构化定义了公式、输入项和计算函数：

{
  name: '牛顿第二定律',
  formula: 'F = m · a',
  inputs: [
    { label: '质量 (m)', unit: 'kg', defaultValue: '1.0' },
    { label: '加速度 (a)', unit: 'm/s²', defaultValue: '9.8' }
  ],
  calculate: (v) => `合外力 F = ${(v[0] * v[1]).toFixed(2)} N`
}

计算时会校验输入并即时输出结果：

doCalculate() {
  const calc = this.calculators[this.selectedIndex]
  const nums: number[] = []
  for (let i = 0; i < calc.inputs.length; i++) {
    const val = parseFloat(this.inputValues[i])
    if (isNaN(val)) {
      this.result = '请输入有效数值'
      return
    }
    nums.push(val)
  }
  this.result = calc.calculate(nums)
}

端侧 AI 可以在这里做三件事：

1. 判断输入是否明显异常，例如质量为负数、速度过大；
2. 根据公式生成解释，例如“质量越大，在相同加速度下合外力越大”；
3. 根据结果推荐相关模型，例如计算了库仑力后推荐“电场线分布”。

这样 AI 不是替代计算器，而是让计算器更像老师。

六、端侧 AI 方向三：挑战后的错因分析

挑战模块已经有题目、答案、分类、年级和解析：

interface QuizQuestion {
  question: string
  optionA: string
  optionB: string
  optionC: string
  optionD: string
  answer: number
  category: string
  grade: string
  explanation: string
}

选择答案后，会记录得分和连对：

selectOption(index: number): void {
  if (this.answered) return
  this.stopQuestionTimer()
  this.selectedAnswer = index
  this.answered = true
  const q = this.currentQuestions[this.currentQ]
  if (index === q.answer) {
    this.score++
    this.streak++
    if (this.streak > this.maxStreak) this.maxStreak = this.streak
  } else {
    this.streak = 0
  }
}

端侧 AI 可以根据错题分类生成学习建议：

• “你在力学题中错得较多，建议复习匀变速直线运动和平抛运动。”
• “你对电磁学公式掌握不稳定，建议先看库仑定律模型。”
• “你在限时模式下错误率升高，可以先取消限时练准确率。”

这类分析不需要上传真实身份，完全可以基于本地题目和作答结果完成。

七、元服务方向：把高频模型变成轻量入口

「物理视界」有很多适合做成元服务入口的功能：

• 打开“公式计算器”；
• 打开“今日 5 题挑战”；
• 打开“最近浏览模型”；
• 打开“光的干涉演示”；
• 打开“收藏模型列表”。

元服务的价值是低门槛：用户不一定要完整进入 App，也可以快速完成一个学习动作。

比较适合拆出的元服务卡片：

元服务入口	适合场景
今日物理挑战	课间 3 分钟刷题
公式速算	做作业时快速算结果
最近模型	延续上次学习
光学演示	老师课堂快速展示
我的收藏	考前复习

项目中每个模型已经有路由：

private routes: string[] = [
  'pages/SoundPropagation',
  'pages/LightReflection',
  'pages/SeriesParallelCircuit',
  'pages/UniformAcceleration'
]

这意味着做元服务入口时，可以直接把高频功能映射到已有页面。

八、人脸识别开放能力：教育 App 要慎用

人脸识别是敏感能力。对于「物理视界」这种学习工具，我不建议把人脸识别放进核心学习链路。

如果未来确实要接入，也应该只用于低频、明确、可替代的场景：

• 家长确认进入某些管理页；
• 多学生共用设备时切换本地学习档案；
• 老师端确认身份后查看班级学习数据。

不建议用于：

• 打开 App 必须刷脸；
• 学生答题过程刷脸监控；
• 用人脸推断学习能力；
• 把人脸数据和成绩强绑定。

一个更克制的设计是：优先使用本地档案选择，只有用户主动开启时，才考虑人脸识别，而且必须提供密码或手动切换作为替代方式。

九、AI 与隐私的边界

如果做端侧 AI，我会坚持这几个原则：

1. 默认关闭高敏感能力；
2. 不做拍照识题；
3. 不上传学生图像；
4. 不上传完整学习记录；
5. AI 推荐必须可解释；
6. 用户可以清除本地学习画像；
7. AI 只辅助理解，不直接替代学习过程。

教育产品的 AI 不应该变成“答案机器”，而应该变成“引导机器”。
它应该告诉学生为什么、怎么学、下一步看什么，而不是绕过思考。

十、可以逐步落地的路线图

结合当前项目，我建议按这个顺序升级：

第一阶段：规则推荐增强

基于收藏、浏览、挑战正确率，给出推荐理由。
不接入任何外部 AI，先把本地规则做扎实。

第二阶段：本地学习报告

在成就页或设置页增加“学习报告”：

• 已探索模型数量；
• 薄弱分类；
• 收藏偏好；
• 挑战表现；
• 下周推荐学习路径。

第三阶段：端侧 AI 解释

对公式计算器、错题解析、模型观察生成简短解释。
重点是帮助理解，而不是直接给标准答案。

第四阶段：元服务入口

把高频功能拆成轻量入口，例如今日挑战、公式速算、最近模型。
让用户在更短路径中完成学习任务。

第五阶段：可选身份能力

如果有多用户或家长控制需求，再考虑身份能力。
人脸识别必须是可选项，而不是学习的前置门槛。

结语

「物理视界」现在已经有一个很好的基础：学习内容结构化、数据状态本地化、交互模型清晰。
在这个基础上接入端侧 AI 和元服务，不应该追求“炫”，而应该追求“更懂学习过程”。

我理想中的智能学习助手，是这样的：

• 它知道我刚学过什么；
• 它知道我哪里容易错；
• 它能推荐下一步；
• 它能解释公式含义；
• 它不偷看我的照片；
• 它不强迫我上传数据。

这也是我认为 OpenHarmony/HarmonyOS 教育应用很值得探索的方向：用端侧能力把学习体验做聪明，同时把隐私边界守住。🚀