Agentic開發時代到來!鴻蒙PC三大原生開發工具公測,補齊國產操作系統生態關鍵短板
作者 | 程茜 編輯 | 漠影 當一臺鴻蒙PC,既能跑鴻蒙應用,又能原生開發鴻蒙應用,會發生什麼?10月10日報道,10月8日,可視化一站式IDE工具DevEco Studio、一站式鴻蒙應用AI開發工具DevEco Code與AI開發能力套件DevEco CLI,同步開啟鴻蒙PC版公測。三者分工明確:DevEco Studio主打集成開發、多端調試,承擔基礎IDE核心能力;DevEco Code提供端到端一站式Agentic開發體驗;DevEco CLI對外輸出鴻蒙開發能力,可無縫對接外部各類Agent工作流,讓 AI 輔助開發融入鴻蒙 PC 原生環境。
DevEco三件套全部就位,意味著AI輔助開發正式落地鴻蒙PC原生體系。這套原生開發工具全面公測,背後是華為鴻蒙HarmonyOS 6、HarmonyOS 7 硬件終端規模已突破 9000 萬,市場對優質應用、智能Agent應用的需求持續爆發。如今一套智能輕量化的鴻蒙PC開發範式浮出水面。面對高速增長的終端市場,工具鏈的升級,正在解鎖Agentic應用新可能,縮短開發者從創意想法到應用上架的週期。鴻蒙PC也由此從應用運行終端,進化為鴻蒙應用原生開發工作站,鴻蒙生態補齊一塊關鍵拼圖。
一、DevEco Studio:底座+AI+調測三重優化,打造鴻蒙一體化可視化IDE閉環 IDE工具是開發者的核心生產底座,一套成熟好用的集成開發環境需要把編碼、編譯、調試、性能分析等環節打通。此次,鴻蒙PC版可視化一站式IDE工具DevEco Studio從邀測轉為公測,針對傳統開發工具存在的各類短板與使用痛點,全新DevEco Studio圍繞鴻蒙PC原生開發場景進行了優化。首先,傳統IDE在實際開發中會面臨啟動速度慢、內存佔用高的問題,長時間編程會發生卡頓、閃退現象。再加上代碼編寫與故障排查依靠人工處理,智能補全、問題定位手段有限,會影響開發效率。
為此,DevEco Studio依託華為自研畢方(BitFun)技術底座,支持快速啟動和低資源佔用,同時搭載智能補全、錯誤提示、斷點調試與內存分析等能力,以優化日常開發工作的穩定性。其次,在AI開發層面,現有方案存在能力與編程環境割裂的問題。開發者需要在IDE和各類外部AI工具之間來回切換,難以打通完整開發閉環。DevEco Studio此次新增集成了DevEco Code。開發者在DevEco Studio內即可使用鴻蒙領域知識、工具與Skills,開展需求分析、方案設計、代碼生成及驗證修復,將Agentic智能開發能力直接嵌入原生工作流。最後,多端調試也是以往開發過程中的一大負擔。
開展多端適配驗證時,開發者通常需要安裝體積龐大的模擬器,面對多形態設備測試還要頻繁切換設備或實例,代碼每完成一次修改,就要重複多輪驗證。藉助自定義虛擬設備工具,DevEco Studio無需安裝模擬器或仿真環境,就能在鴻蒙PC上秒級啟動並調試手機、平板版本的鴻蒙應用。與此同時,其窗口可自由切換手機、平板、摺疊屏等設備形態,並支持多窗口並行。一次代碼修改,便能在多個窗口同步校驗效果,降低多端適配的重複工作量。
▲支持多設備並行調試 總的來看,DevEco Studio從底層底座、智能開發、調測體驗三層完成優化,減少開發者在工具切換、環境部署、重複適配上消耗的無效成本,讓開發者把更多精力聚焦於業務本身。二、DevEco Code:三大模式覆蓋開發全流程,打造可控的AI開發大腦 第二大公測工具是面向鴻蒙應用、開箱即用的AI Agent一站式開發工具DevEco Code。AI輔助編程工具早已不是新鮮事物,如今這些工具不僅要生成代碼片段,還要解決落地跑通難題。DevEco Code的核心差異,在於把AI能力同鴻蒙開發生態打通,其內置模型服務並集成鴻蒙知識體系、Skills與MCP工具。
在Agent開發中的一大準則是,開發效率和安全可控同等重要。此前,AI編程工具的後續落地驗證仍需要人工把關。當AI自主編輯代碼時,容易產生非預期變更,並且後續開發者的審核成本也不低,會存在回退麻煩、問題排查耗時等痛點,很多情況開發者會面臨AI寫代碼一分鐘,人工排錯兩小時的情況。針對上述痛點,DevEco Code的策略是採用Goal、Plan、Build分層可控的開發模式: Plan+Build模式:開發者先審閱方案,確認後再授權執行,對未知改動零容忍,保障每一步執行可控;Goal模式:直接依據需求Spec文檔生成代碼,自動完成驗證與缺陷修復,直至開發目標達成。
這樣一來,開發者可以選擇不同模式適配不同複雜度的開發任務,同時兼顧方案規劃、人機協同開發與執行效率等多重訴求。不止於代碼生成,DevEco Code還可自主完成代碼編譯、應用運行以及功能驗證,將大量重複的檢查、修復工作交由自動化流程處理。DevEco Code讓開發從生成代碼走向交付可運行的應用,相當於為開發者配備了一顆足夠智能、全程可控的AI開發大腦,這也是AI開發工具的真正價值所在。三、DevEco CLI:提供70餘項Skills,開放鴻蒙全套能力供Agent調用 第三款公測工具是DevEco CLI,可以將其理解為AI可調用的命令行執行手腳。
在AI Agent開發的實際落地過程中,不同Agent工具的調用規範各不相同,想要讓AI掌握鴻蒙完整開發能力,開發者往往需要手動配置大量環境、導入零散文檔、編寫各類適配腳本,配置繁瑣、遷移成本高,難以直接複用已有開發工作流。鴻蒙PC版DevEco CLI,直接將HarmonyOS工具集、官方知識庫和70餘項Skills封裝為適合AI調用的命令行接口,兼容各類AI Agent接入,打破大模型與本地開發環境之間的壁壘,讓開發者在已有工作流中即可開展鴻蒙應用開發。具體來看,DevEco CLI的核心優勢在於降低上手門檻與工程能力,同時做到易用、好用。
一行init命令,即可把配套的DevEco CLI Skills批量安裝到本機多個Agent工具中。簡單配置後,Agent就能掌握調用DevEco CLI的能力,一鍵打通鴻蒙應用開發全鏈路。DevEco CLI內置工程創建、語法檢查、編譯構建、推包運行、應用交互等全套能力,同時支持主流AI編程Agent集成。開發者不用更換熟悉的開發環境,就能完成鴻蒙應用的完整開發工作。此外,其內置完整的鴻蒙開發指南、API參考、最佳實踐、常見問題、版本說明與變更預告。高質量官方語料能讓AI Agent真正讀懂鴻蒙體系,輸出更貼合規範的方案。
DevEco CLI中的超70個Skills,能覆蓋多設備適配開發、知識檢索、ArkTS語法、應用質量等場景,將專業知識轉化為具體工作可執行的步驟。本質上來看,DevEco CLI就是把鴻蒙整套開發能力,打包成AI可調用的標準化命令接口,讓開發者不必遷移開發習慣,在原有工作流中就能完成鴻蒙應用開發。四、底座、大腦、執行手腳協同,DevEco三件套重構鴻蒙開發模式 上述公測的DevEco Studio、DevEco Code、DevEco CLI三款工具各司其職、深度協同,構建起鴻蒙生態獨一無二的全鏈路智能化開發體系,重構鴻蒙開發模式。
DevEco Studio提供穩定流暢的可視化開發底座與操作環境,DevEco Code承擔智能分析、方案生成、研發決策的核心大腦功能,DevEco CLI負責自動化執行、能力落地。這些工具的聯動既能惠及更多開發者、提效研發,還能進一步反哺鴻蒙生態。三大工具協同聯動、簡單易用,可滿足新手、個人開發者、企業團隊、自動化研發場景等各類用戶需求,降低鴻蒙PC應用的開發門檻與整體研發成本,讓不同層級、不同規模的開發者都能高效參與鴻蒙生態創作。
從研發的維度來看,三款工具聯動、能力互通,能打破工具孤島,告別AI編程“代碼生成容易落地難”的困境,在大幅提升研發效率的同時,規避開發漏洞,進一步提升項目的穩定性與規範性。這對鴻蒙生態的繁榮價值在於,這套標準化、智能化、自動化的工具組合,補齊了鴻蒙開發生態的智能基礎設施短板,不再是單點工具的效率提升,而是為整個鴻蒙應用、元服務生態沉澱一套可複用、可迭代、全覆蓋的智能研發體系。三大工具的全面公測是一次鴻蒙開發範式的升級,核心價值在於讓每一位鴻蒙開發者,都能夠以更低成本、更高效率、更高質量完成應用與元服務創作。結語:操作系統原生工具鏈,才是AI輔助開發的最優解?
從行業趨勢來看,當下多數 AI 編程工具在完成代碼輸出後,編譯、調測、多端驗證、問題回退仍需開發者手動完成,AI 無法真正介入完整工程鏈路;在垂直系統領域,還面臨專業知識庫缺失、工具調用不兼容等現實障礙。此次DevEco三件套公測,把鴻蒙系統知識、開發經驗、調測能力整體封裝進工具鏈內部,實現從需求拆解、方案規劃、代碼生成,到編譯構建、多端驗證的端到端閉環。在操作系統生態競爭中,當開發者工具鏈能夠同時覆蓋新手、獨立開發者、企業團隊、自動化工程等多元場景,將直接加速應用與元服務的供給,為鴻蒙生態的持續擴容打下基礎。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.