前言

在移动互联网的下半场，"AI-Native（AI 原生）"已经不再是一个停留在概念验证阶段的行业术语，而是正在深刻重塑终端应用交互形态的底层驱动力。传统的移动端应用架构习惯于通过 RESTful API 与后端服务器进行结构化数据的 CRUD（增删改查）交互，其特点是请求与响应是瞬时且全量的。然而，当应用需要接入大语言模型（LLM）时，传统的通信范式彻底失效了。

大模型的文本生成是一个自回归（Autoregressive）的计算过程，Token 是逐个生成的。如果采用传统的 HTTP 请求阻塞等待全量结果返回，用户将面临长达数秒甚至数十秒的死锁白屏体验（首字延迟，TTFT：Time to First Token）。为了解决这一体验灾难，Server-Sent Events (SSE) 流式传输协议成为了大模型通信的行业标准。

《轻心记 (MoodLite)》作为一款主推自我觉察的情绪追踪应用，在其核心架构中直接融合了端云协同的 AI 智能体（Agent）能力。应用不需要通过笨重的业务中台进行流量中转，而是直接在鸿蒙 ArkTS 环境下，安全、高效地与 DeepSeek 大模型建立流式通信通道。

本文将深入剖析 MoodLite 项目中的 MoodAgent.ets 通信层核心源码，全面解析如何在 HarmonyOS (API 9+) 环境下，利用原生网络库、加密混淆算法以及回调代理模式，构建一套工业级的大模型接入总线。

一、鸿蒙原生网络基建：@ohos.net.http 的深度定制

在 ArkTS 生态中，@ohos.net.http 是系统提供的标准网络请求模块。与前端 Web 开发中常见的 fetch 或 axios 不同，鸿蒙的网络模块在底层直接对接了系统的 C++ 网络栈，具备更高的并发性能与更严格的生命周期管控。

在接入 DeepSeek 时，网络通信环境与普通的业务接口有着本质的区别，这要求我们必须对 HTTP Client 进行深度的参数定制：

// 构造大模型专属的 HTTP 客户端实例
const httpRequest = http.createHttp();

httpRequest.request(BASE_URL, {
  method: http.RequestMethod.POST,
  header: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer ' + apiKey,
  },
  extraData: body,
  // 核心调优：连接超时与读取超时
connectTimeout: 15000,
  readTimeout: 60000,
  usingProtocol: http.HttpProtocol.HTTP1_1,
})

1.1 超时阈值的工程学设计

在大模型通信中，超时设置（Timeout Settings）是极具讲究的：

• connectTimeout: 15000（15秒连接超时）：TCP 三次握手与 TLS 协商的时间。如果用户处于电梯或地下车库等弱网环境，超过 15 秒无法建立物理链接，系统应立刻熔断并提示网络异常，而不是让应用陷入无尽的 Pending 状态。
• readTimeout: 60000（60秒读取超时）：这是大模型场景的专属配置。普通业务接口的读取超时往往设置为 5 秒到 10 秒。但当模型处理复杂的长文本（Context）推理，或是遇到算力峰值排队时，首个 Token 的返回时间可能会被拉长。并且，SSE 流式输出的整个生命周期（直到最后一个 Token 接收完毕，连接被服务端主动关闭）都算作读取阶段。因此，赋予其 60 秒的宽裕度，是保障长篇情绪分析报告不被系统强制掐断的关键底线。

1.2 资源回收的强制约束

在 C++ 驱动的底层框架中，网络请求对象极其消耗系统句柄（Handle）与内存资源。如果不在生命周期的终点主动释放，将引发严重的内存泄漏（Memory Leak）。

MoodLite 在 then 回调以及 catch 异常捕获块的第一行，都强制执行了销毁指令：

.then((response: http.HttpResponse) => {
  httpRequest.destroy(); // 响应成功，立即释放网络句柄
// ... 业务处理
}).catch((err: Object) => {
  httpRequest.destroy(); // 发生异常，同样必须释放网络句柄
// ... 错误处理
});

这种"用完即焚"的编码规范，是保证应用在经历高频次的对话交互后，依然不出现 OOM（Out Of Memory）崩溃的重要保障。

二、端侧安全工程：基于 XOR 混淆的 API 密钥防护策略

将应用直接连接到大模型服务端，带来了一个极为严峻的安全挑战：API Key 的泄露风险。

在传统架构中，API Key 存放在公司内网的后端服务器环境变量中，客户端只负责请求后端。但由于 MoodLite 采用直连策略（以节省服务器采购成本并缩短响应链路），API Key 必须随 APK/HAP 包分发到用户的设备上。

如果将密钥以明文字符串的形式硬编码在 ArkTS 代码中，如 const API_KEY = "sk-xxxx..."，恶意爬虫通过简单的正则表达式扫描 GitHub 开源仓库，或者黑客通过反编译应用包并提取字符串常量池，就能在几秒钟内盗取密钥并疯狂盗刷额度。

为了提升逆向工程的门槛，MoodLite 引入了位运算混淆算法（XOR Obfuscation）。

2.1 XOR 算法的数学原理

异或（XOR）运算的数学本质是模 2 加法，其拥有一个极其优美的可逆特性。设明文字符串的某个字符的 ASCII 码为 $P_i$，密钥（Salt）对应位置的字符 ASCII 码为 $K_i$，密文为 $C_i$。则加密过程可以表示为：

$$C_i=P_i\oplus K_{(i\mathrm{mod}L)}$$

其中 $L$ 是 Salt 的长度。由于 XOR 的对合性，解密过程与加密过程完全一致：

$$P_i=C_i\oplus K_{(i\mathrm{mod}L)}$$

2.2 ArkTS 混淆策略落地

在 MoodAgent.ets 中，真实的 API Key 被预先离线计算成了一长串不可读的十六进制密文 ENCRYPTED_HEX，并辅以一个加盐字符串 XOR_SALT：

const ENCRYPTED_HEX = '3e0442512f0f4404310358427c061f0608010e2f5e0a527a0d4c5c65555f4379004c50';
const XOR_SALT = 'MoodLiteSaltKey2026';

let cachedKey: string = '';

function xorDecrypt(): string {
  // 内存缓存机制：只在应用生命周期内解密一次，避免重复 CPU 计算
if (cachedKey) return cachedKey;
  
  const chars: string[] = [];
  // 按照两位十六进制提取字节并进行位运算还原
for (let i = 0; i < ENCRYPTED_HEX.length; i += 2) {
    const byte = parseInt(ENCRYPTED_HEX.substring(i, i + 2), 16);
    const saltIdx = (i / 2) % XOR_SALT.length;
    chars.push(String.fromCharCode(byte ^ XOR_SALT.charCodeAt(saltIdx)));
  }
  
  cachedKey = chars.join('');
  return cachedKey;
}

工程价值分析：

1. 规避静态扫描：代码中彻底失去了 sk- 等敏感特征前缀，GitHub 的自动化密钥扫描机器人（Secret Scanning）完全失效。
2. 反内存 Dump 优化：解密后的明文密钥仅存在于闭包局部的 cachedKey 内存中，且在 HTTP 报文组装后随请求发送，它不会被持久化到任何沙盒文件中，大幅增加了动态调试窃取密钥的难度。
3. 性能零损耗：这种轻量级的异或运算在 ArkTS 引擎中仅需几微秒即可执行完毕，并且辅以内存单例缓存机制（if (cachedKey) return cachedKey），对主线程渲染毫无影响。

三、流式接口与回调代理通信机制

在确立了网络底座和安全防护后，我们深入探讨最核心的通信接口设计。

大语言模型的输入输出通常极其复杂，但为了保持底层通信模块的"纯粹性"，MoodLite 的 MoodAgent 仅仅封装了最原子的 ChatMessage 结构：

export interface ChatMessage {
  role: 'system' | 'user' | 'assistant';
  content: string;
}

3.1 StreamCallback：解耦网络层与 UI 渲染层

网络层绝对不应该知道 UI 长什么样，更不应该去直接操作 @State 变量。为了实现这一解耦，MoodAgent 设计了 StreamCallback 接口协议：

export interface StreamCallback {
  onToken: (text: string) => void;
  onDone: () => void;
  onError: (msg: string) => void;
}

这三个方法完美映射了大模型流式生成的三种生命周期：

• onToken：当网络层解析到一段新的字符串片段时触发。UI 层只需实现这个回调，不断将 text 追加到本地的 @State 字符串中，ArkUI 便会自动驱动文本组件进行"打字机（Typewriter）"效果的重绘。
• onDone：标记流式数据传输彻底结束，服务端关闭了连接。此时 UI 层可以停止加载动画，或者触发将最终结果持久化到数据库的后续逻辑。
• onError：统一的异常收口点。无论是 401 密钥失效、502 网关错误，还是解析 JSON 崩溃，全部由这个回调向 UI 层抛出错误信息，触发全局 Toast 提示。

3.2 报文解析协议分析

在 DeepSeek API 规范中，无论是采用流式还是非流式，其基础数据载荷都需要严格遵循 JSON Schema：

function buildBody(messages: ChatMessage[]): string {
  const body: RequestBody = {
    model: 'deepseek-v4-flash',
    messages: messages,
    stream: false, // 依据业务控制流式开关
max_tokens: 1024,
  };
  return JSON.stringify(body);
}

需要注意的是，在此处给出的基线代码中，为了兼顾降级响应，stream 标记被默认设为了 false。在实际生产环境对接完全形态的 SSE（Server-Sent Events）时，需要将其设为 true，配合鸿蒙的 requestInStream 方法监听 HTTP Response 数据块。

当前代码库提供了一种基于块级解析的回退兼容机制：

if (response.responseCode === 200) {
  const choices = obj['choices'] as Array<Record<string, Object>>;
  if (choices && choices.length > 0) {
    const message = choices[0]['message'] as Record<string, Object>;
    const content = (message['content'] as string) || '';
    if (content) {
      // 成功提取大模型生成内容，推入回调管道
callback.onToken(content);
      callback.onDone();
      return;
    }
  }
}

网络层（Agent）在拿到 response.result 后，进行了极其严谨的类型推断与安全访问。通过逐层剥离 obj['choices'][0]['message']['content']，防止因服务端临时更换数据结构而引发前端 undefined 导致的进程崩溃（Crash）。

四、非结构化数据的 Prompt 注入工程

大模型本身是没有"记忆"的，更不知道用户是谁。要想让 DeepSeek 提供具有高度同理心和洞察力的情绪反馈，就必须在每一次请求前，将端侧存储的结构化业务数据，转化为大模型能够理解的自然语言上下文（Context）。

这一过程在工程上被称为"提示词注入工程（Prompt Injection Engineering）"。MoodLite 在网络层外围封装了专用的语境构造器：buildTodayContext。

4.1 中间态领域模型：TodayRecord

在将数据传给 AI 分析前，我们并没有直接把底层的超级大对象 MoodRecord 全量扔进去，而是定义了一个极其精简的 DTO（Data Transfer Object）中间态：

export interface TodayRecord {
  time: string;
  score: number;
  text: string;
  tags: string[];
}

过滤掉了 UUID、本地图片路径等对大模型语义理解毫无帮助（甚至会浪费 Token 计费额度）的冗余字段，实现了数据的深度清洗。

4.2 语义化降维与编排

buildTodayContext 方法展现了教科书般的 Prompt 组装逻辑：

export function buildTodayContext(records: TodayRecord[]): string {
  if (records.length === 0) return '';
  
  let ctx = '以下是用户今天的情绪记录：\n';
  
  for (const r of records) {
    // 逻辑降维：将抽象的数字 (-2 ~ 2) 翻译为模型更容易共情的形容词
const mood = r.score >= 1 ? '正面' : r.score <= -1 ? '负面' : '平静';
    
    // 采用 Markdown 列表风格进行结构化拼接
    ctx += '- ' + r.time + ' 情绪:' + mood + '(' + r.score + ')';
    if (r.text) ctx += ' 内容:' + r.text;
    if (r.tags.length > 0) ctx += ' 标签:' + r.tags.join(',');
    ctx += '\n';
  }
  
  // 注入系统级指令，圈定模型的人设与输出目标
ctx += '\n请分析用户今天的情绪状态，给出温暖的反馈和建议。';
  return ctx;
}

核心巧思分析：

1. 双重锚定：在描述情绪时，代码不仅给出了 (r.score) 具体的数值，还给出了 正面/负面/平静 的自然语言标签。这种双重锚定可以极大提升模型对用户状态的敏感度，防止模型在推理时发生数值幻觉。
2. 条件编译拼接：通过 if (r.text) 和 if (r.tags.length > 0) 的判断，严格保证了 Prompt 里的干净程度。如果用户仅仅打了卡而没写日记，传给模型的文本中就不会出现 内容: undefined 的脏数据。
3. 系统指令隔离：最后追加的指令"请分析用户今天的情绪状态，给出温暖的反馈和建议"，在结构上与前方的用户数据构成了明显的段落区隔。这在一定程度上起到了防越权注入（Prompt Injection Defense）的作用，确保模型始终牢记自己的"心理慰藉师"角色。

结语：端云协同的 AI 原生应用范式

通过对 MoodAgent.ets 源码的深入剖析，我们清晰地看到：在鸿蒙生态下开发一款具有大模型能力的 AI-Native 应用，绝不仅仅是调用一个 API 那么简单。

它是一套包含网络链路调优（超时管控与句柄回收）、端侧密文防护（XOR 混淆）、通信架构解耦（回调代理机制）以及智能体语境工程（Prompt 结构化组装）在内的复杂系统工程。

MoodLite 团队通过这套精密的 MoodAgent 架构，在没有任何后端中台服务器介入的情况下，实现了 ArkTS 与 DeepSeek 云端算力的直接对话。这种"瘦后端、重端侧智能"的设计，彻底打破了传统 App 的交互瓶颈，为移动端产品赋予了真正的"灵魂"，同时也为所有拥抱 HarmonyOS 的开发者提供了一份极具参考价值的 AI 底座搭建指南。

完整项目

https://github.com/aycxd0528/MoodLite