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

2026年10月10日 11:56
站內 AI 整理稿

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

MarkTechPost AI模型更新

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。

15 小時前
MarkTechPost AI模型更新

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。

1 天前
MarkTechPost AI模型更新

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。

1 天前
MarkTechPost AI模型更新

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。

1 天前
雷峰網模型更新

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.

2 天前