宝宝辅食搭配 App — HarmonyOS AI 应用开发技术博客

一、项目背景与需求分析

1.1 行业背景

婴幼儿营养是每个家庭关注的焦点。世界卫生组织建议，婴儿从 6 个月开始添加辅食，而辅食的质量直接关系到宝宝的生长发育和长期健康。然而，很多新手父母在辅食添加过程中面临诸多困惑：不同月龄的宝宝适合吃什么？如何保证营养均衡？哪些食物可能引起过敏？

根据《中国婴幼儿辅食添加指南》，不同月龄的宝宝对营养的需求不同，辅食的质地、种类和搭配方式也需要相应调整。市场上虽然有各种辅食产品，但缺乏一个能够根据宝宝个体情况智能推荐辅食搭配方案的工具。

1.2 需求分析

通过与儿科营养师和大量新手父母的访谈，我们梳理出以下核心需求：

功能需求：

• 输入宝宝月龄，获取适合该月龄的辅食推荐
• 输入可用食材，AI 智能搭配出营养均衡的食谱
• 记录过敏信息，自动规避风险食材
• 生成详细的辅食食谱和营养搭配说明
• 提供喂养注意事项和每周辅食计划

非功能需求：

• 界面温馨友好，符合亲子类应用的视觉风格
• 推荐结果科学可靠，符合权威营养指南
• 支持多宝宝管理，方便多孩家庭使用
• 响应速度快，操作简单直观

1.3 目标用户画像

• 新手父母：对辅食添加缺乏经验，需要专业指导
• 育儿嫂/月嫂：需要为不同宝宝定制辅食方案
• 母婴博主：需要创作辅食相关内容
• 儿科营养师：需要辅助工具进行营养咨询

二、技术架构设计

2.1 整体架构概述

宝宝辅食搭配 App 采用与外卖健康评分 App 相同的 Model-Service-Page 三层架构。这种一致性的架构设计使得多个 AI 应用可以在同一个项目中和谐共存，共享基础设施和开发经验。

2.2 架构分层详解

┌─────────────────────────────────────────────────────┐
│                    Page 层                           │
│    BabyFoodPage (UI 组件 + 状态管理 + 交互逻辑)      │
│  ┌─────────────────────────────────────────────────┐ │
│  │  @State inputData    @State resultData          │ │
│  │  @State showResult   生命周期管理                │ │
│  └─────────────────────────────────────────────────┘ │
├─────────────────────────────────────────────────────┤
│                   Service 层                         │
│    BabyFoodService (AI 推理 + 业务逻辑 + 数据处理)   │
│  ┌─────────────────────────────────────────────────┐ │
│  │  generateData(input) → BabyFoodData             │ │
│  │  Prompt 工程   AI API 调用  结果解析             │ │
│  └─────────────────────────────────────────────────┘ │
├─────────────────────────────────────────────────────┤
│                   Model 层                           │
│    BabyFoodData (数据定义 + 类型约束 + 默认值)       │
│  ┌─────────────────────────────────────────────────┐ │
│  │  months  preference  plans                      │ │
│  │  key_nutrients  warnings                        │ │
│  └─────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────┘

2.3 Model 层设计

BabyFoodData 类定义了辅食搭配应用的所有数据字段：

export class BabyFoodData {
  months: number = 0                 // 宝宝月龄
  preference: string = ''            // 口味偏好/禁忌
  plans: Record<string, string>[] = []  // 辅食食谱列表（数组+字典结构）
  key_nutrients: string[] = []       // 关键营养素列表
  warnings: string[] = []            // 注意事项列表
}

在 ArkTS 中，Record<string, string>[] 表示一个由键值对对象组成的数组。这种数据结构非常适合表达"多个食谱，每个食谱有多个属性（如名称、食材、做法等）"的场景。

2.4 Service 层设计

BabyFoodService 的核心是 generateData 方法：

export class BabyFoodService {
  private model: BabyFoodData

  constructor() {
    this.model = new BabyFoodData()
  }

  generateData(input: Record<string, Object>): BabyFoodData {
    let result: BabyFoodData = new BabyFoodData()
    // Mock data generation logic based on input
    return result
  }
}

在完整实现中，generateData 方法会根据宝宝月龄、可用食材和过敏信息，构建一个结构化的 Prompt，调用 AI 模型生成个性化的辅食搭配方案。

2.5 Page 层设计

Page 层的 UI 布局与外卖健康评分 App 类似，但输入字段和结果展示内容有所不同：

@Entry
@Component
struct BabyFoodPage {
  @State inputData: Record<string, Object> = {}
  @State resultData: BabyFoodData | null = null
  @State showResult: boolean = false
  private service: BabyFoodService = new BabyFoodService()
}

三、AI 提示词工程原理

3.1 领域知识建模

宝宝辅食搭配是一个高度专业化的领域，需要丰富的儿科营养学知识。我们的 Prompt 设计结合了以下权威指南：

• 世界卫生组织（WHO）婴幼儿喂养指南
• 中国居民膳食指南（婴幼儿部分）
• 美国儿科学会（AAP）辅食添加建议

3.2 提示词模板设计

核心 Prompt 模板的结构如下：

你是一位经验丰富的儿科营养师，擅长婴幼儿辅食搭配。

宝宝信息：
- 月龄：{months} 个月
- 可用食材：{ingredients}
- 过敏信息：{allergies}

请根据以上信息，生成一份适合该宝宝的辅食搭配方案，包括：
1. 辅食食谱：至少 3 个食谱，每个食谱包含名称、食材、做法
2. 营养搭配：说明每个食谱的关键营养素和营养价值
3. 注意事项：针对该月龄宝宝的喂养注意事项
4. 每周计划：建议的每周辅食安排

3.3 安全与伦理考量

在宝宝辅食领域，AI 的输出必须格外谨慎：

• 过敏风险规避： AI 必须严格避免推荐含有过敏原的食材
• 月龄适配： 不同月龄的宝宝吞咽能力和消化能力不同，AI 必须根据月龄调整食材质地
• 营养均衡： 确保推荐的食谱覆盖蛋白质、碳水化合物、脂肪、维生素和矿物质等各类营养素
• 免责声明： 建议用户在开始新辅食前咨询儿科医生

四、核心功能实现详解

4.1 输入模块设计

输入模块包含三个字段，分别对应月龄、偏好和过敏信息：

Text('月龄')
  .fontSize(14)
  .fontWeight(FontWeight.Bold)
TextInput({ placeholder: '请输入月龄' })
  .fontSize(14)
  .height(44)
  .backgroundColor('#FFFFFF')
  .borderRadius(8)
  .padding({ left: 12, right: 12 })
  .onChange((val: string) => { this.inputData['months'] = val })

Text('偏好')
  .fontSize(14)
  .fontWeight(FontWeight.Bold)
TextInput({ placeholder: '请输入偏好' })
  .onChange((val: string) => { this.inputData['preference'] = val })

4.2 数据流与状态管理

完整的数据流如下：

用户输入月龄/偏好/过敏信息
  → inputData 状态更新
    → 点击"AI 生成"按钮
      → service.generateData(inputData)
        → AI 模型推理
          → 返回 BabyFoodData
            → resultData 状态更新
              → showResult = true
                → 条件渲染展示结果

4.3 结果展示策略

结果展示区域使用条件渲染，在数据就绪后显示：

if (this.showResult && this.resultData !== null) {
  Text('生成结果')
    .fontSize(18)
    .fontWeight(FontWeight.Bold)
  Text('辅食搭配')
    .fontSize(14)
    .fontColor($r('app.color.text_secondary'))
}

未来可以扩展为更丰富的展示形式，如使用 ForEach 循环渲染食谱列表、使用 List 组件展示注意事项等。

五、用户体验优化

5.1 视觉设计策略

温馨的色彩方案： 使用柔和的蓝色主色调 (#3B82F6)，配合白色和浅灰色，营造温馨、专业、可信赖的视觉感受。

清晰的引导文案： 输入框的 placeholder 文案（如"请输入月龄"）为用户提供了明确的输入指引，降低了使用门槛。

合理的布局结构： Header 区域显示页面标题和返回按钮，可滚动的内容区域依次展示输入区和结果区，操作流程清晰。

5.2 交互设计优化

实时输入反馈： 每个输入框都通过 onChange 回调实时更新状态，用户可以随时点击生成按钮，无需手动提交表单。

结果展示动效： 未来可以考虑在结果展示时加入渐入动画，提升用户体验的流畅感。

错误处理： 当用户输入不合法（如月龄为负数）时，通过 Toast 或弹窗提示用户修正输入。

六、性能优化与最佳实践

6.1 ArkTS 开发最佳实践

类型安全： ArkTS 是静态类型语言，所有变量和参数都需要显式声明类型。例如 @State inputData: Record<string, Object> = {} 明确指定了输入数据的类型结构。

默认值初始化： 所有类属性都需要在声明时或在构造函数中初始化，这是 ArkTS 的强制要求。例如 months: number = 0 确保了 BabyFoodData 对象在创建后处于有效状态。

条件渲染： 使用 if 语句进行条件渲染，避免在数据未就绪时渲染复杂的 UI 结构，减少不必要的渲染开销。

6.2 架构可扩展性

多 AI 后端支持： Service 层的 generateData 方法是一个抽象接口，可以灵活切换不同的 AI 实现。例如：

• 开发阶段使用 Mock 数据
• 测试阶段使用端侧小模型
• 生产阶段使用云端大模型

国际化支持： 通过 $r('app.color.text_primary') 引用资源文件，便于后续添加多语言支持。

七、总结与展望

7.1 项目总结

宝宝辅食搭配 App 充分展示了 HarmonyOS AI 应用在母婴健康领域的应用潜力。通过 Model-Service-Page 架构，我们构建了一个科学、安全、个性化的辅食推荐系统。

项目亮点：

• 基于权威营养指南的 AI 推荐算法
• 灵活可扩展的三层架构设计
• 温馨友好的用户界面设计
• 安全可靠的过敏信息处理机制

7.2 未来展望

智能识别： 集成 HarmonyOS 的 Camera Kit，通过拍照识别食材，自动填充可用食材列表。

成长追踪： 记录宝宝的生长发育数据，结合辅食摄入情况，生成个性化的营养报告。

社区分享： 建立辅食分享社区，父母可以分享自己的辅食食谱，互相交流经验。

多端协同： 利用 HarmonyOS 的分布式能力，在手机和家长端设备间同步数据。

7.3 技术启示

宝宝辅食搭配 App 的开发实践表明，AI 在垂直领域的应用成功关键在于领域知识的深度理解和合理建模。模型层的数据结构设计直接反映了业务领域的认知深度，而 Service 层的 Prompt 工程则是将领域知识转化为 AI 可理解指令的关键桥梁。

在 HarmonyOS 生态中，ArkTS 的静态类型系统和声明式 UI 框架为 AI 应用的开发提供了良好的基础。通过合理的架构设计，我们可以在保持代码质量和可维护性的同时，充分发挥 AI 能力的价值。