深度复盘:当“零代码”撞上“新生态” —— 我用 AI 移植鸿蒙应用的 72 小时生死录

摘要：

这不仅仅是一次简单的游戏移植，这是一场关于 RAG（检索增强生成）、APE（自动化提示工程） 与 Model Capability（模型能力边界） 的极限压力测试。我试图一行代码不写，指挥 AI 将 Web 版《华容道》重构为 HarmonyOS 原生应用。结局是：视觉完美还原，交互逻辑崩盘。 本文将剥离表象，深入探讨 AI 在面对“范式转移”时的真实表现。

1. 幻觉与现实：构建“外挂大脑”的必要性

在项目启动的最初 3 小时，我犯了所有新手都会犯的错误：直接把通用大模型当成全能专家。

当我直接把 Web 源码丢给 AI 并要求“转成 ArkTS”时，AI 产出的代码充满了“古早味”——它在用 TS 的语法写 Java 的逻辑，甚至捏造了不存在的 API。这是典型的 Context Gap（语境断层）。

我的破局策略：手动构建 RAG 知识库

既然模型没见过 HarmonyOS Next，我就通过 NotebookLM 强行给它“灌顶”。

• 数据清洗（Data Chunking）：我没有直接上传几百页的 PDF，而是将官方文档（Gitee 开源仓）按功能切分为 25 个纯文本块（Part1 ~ Part25）。
• 效果验证：这种“物理切分”极大地降低了模型的检索噪声。当我问“如何实现拖拽”时，AI 不再胡编乱造，而是精准定位到了 Part12.txt 中的 PanGesture 手势接口。

🔴 深度洞察：

在垂直领域（如鸿蒙开发），优质的知识库构建能力（Knowledge Engineering）比 Prompt 技巧重要 10 倍。 AI 的上限，取决于你喂给它的“食材”有多纯净。

1. 范式转移：AI 无法逾越的“思维高墙”

如果说 UI 适配（px 转 vp）只是“单位换算”的小儿科，那么交互逻辑的迁移就是这次项目的“滑铁卢”。

Web 开发的核心是 DOM 操作（命令式）：

“找到这个方块 -> 修改它的 left/top 属性。”

鸿蒙 ArkTS 的核心是 状态驱动（声明式）：

“更新数据模型 -> 界面自动响应变化。”

崩溃的 24 小时：

AI 极其擅长“翻译语言”（把 JS 翻译成 TS），但它极其不擅长“翻译思维”。

在实现“棋子拖拽”时，AI 陷入了死循环：它试图在 ArkTS 里模拟 DOM 操作，使用了大量的 event.offsetX 直接赋值，却忘记了触发 @Observed 状态更新。

结果就是：代码逻辑看起来无懈可击，但屏幕上的棋子纹丝不动。

🔴 深度洞察：

AI 目前通过模仿学习（Few-Shot）来写代码。当源语言（Web）和目标语言（ArkTS）的底层编程范式（Paradigm）完全对立时，AI 很难自动完成架构级的重构。它需要人类架构师明确指出：“忘掉 DOM，使用 State！”

1. 算力陷阱：主线程的“不可承受之重”

压垮项目的最后一根稻草，是 BFS（广度优先搜索）算法 的移植。

在 Web 端，JS 单线程偶尔卡顿一下无伤大雅。但在原生应用中，主线程阻塞超过 3 秒即由于 ANR (无响应) 被系统强制杀掉。

我指挥 AI 使用 TaskPool（鸿蒙的多线程方案）来剥离计算任务。这时，复杂工程能力的缺失 暴露无遗：

• 序列化灾难：AI 试图把复杂的 Piece 类实例直接传给子线程，但 ArkTS 的线程间通信要求数据必须是可序列化的。类的方法、原型链全部丢失。
• 上下文遗忘：当修复了线程通信后，AI 忘记了如何将算好的结果（Step List）准确地映射回 UI 动画队列。

最终，App 在“计算中...”的 Loading 画面中闪退。

🔴 深度洞察：

AI 能写出完美的“函数”，但写不出完美的“系统”。当代码跨越了文件（Files）、跨越了线程（Threads）、跨越了层级（Layer），AI 对全局上下文的把控力会呈指数级下降。

1. 终极反思：人类在 AI 编程时代的生态位

这次“失败”的移植，比成功更有价值。它帮我厘清了 APE（自动化提示工程）模式下，人与 AI 的边界：

• AI 是“超级工兵”：它能帮我把 80px 换算成 90% 宽，能帮我写出标准的 Grid 布局，能帮我查阅 2000 页的文档。
• 人是“架构师”与“裁判”：
• 定义问题：不是问“怎么写”，而是决定“用什么架构写”（如：TaskPool vs Worker）。
• 审核边界：判断 AI 的方案是否违背了系统底线（如：主线程阻塞）。

写在最后：

虽然《华容道》的 AI 自动解题功能暂时搁置，但我看到了未来的雏形。

我们正在从 “Code by Hand” 转向 “Code by Data”。

当有一天，大模型的 Context Window 足够大，推理能力足够强，能理解“范式转移”的深层含义时，我们今天遇到的这些“坑”，都将成为通往新世界的基石。

未来已来，只是分布得还不够均匀。而我们，正在填平这些沟壑。