鸿蒙首个双AI引擎饮食App：豆包+DeepSeek如何协同工作

本文是「食刻 (ShiKe)」------ HarmonyOS 6.0.2 原生 AI 饮食健康管家的技术系列第 1 篇，深入解析 AI 双引擎架构 的设计与实现。

一、为什么需要双 AI 引擎？

传统饮食 App 的痛点

用过 Keep、薄荷健康、MyFitnessPal 的同学都知道，记录一顿饭有多痛苦：

打开 App → 搜索食物 → 在几十个结果里找 → 选一个最接近的 → 再搜下一个食物 → 重复 3-5 次

一顿饭记录时间：2-5 分钟 😩

而且记录完之后呢？你只能看到一堆数字：

今日摄入：1450 kcal
蛋白质：45g

然后呢？碳水太高怎么办？蛋白质不够怎么补？App 告诉不了你。

我们的解法：双引擎分工

食刻引入了 两个 AI 引擎，各有专长：

🧠 豆包 doubao-seed-2-0-pro

擅长：多模态识别

文字描述 → 识别食物
拍照图片 → 识别食物
返回结构化营养数据

🔮 DeepSeek v4-pro

擅长：推理与对话

生成个性化饮食计划
分析健康数据给建议
体重趋势预测
智能报告生成

二、架构设计：统一抽象层

核心思路

两种模型通过统一的 DoubaoApiService 抽象层管理，各自独立配置 API Key、Endpoint 和 Model，互不干扰。

复制代码

用户输入（文字/图片）
 │
 ├── 食物识别场景 ──→ 豆包 doubao-seed-2-0-pro
 │ ├── identifyFood(text)
 │ └── identifyFoodFromImage(b64)
 │
 └── 智能对话场景 ──→ DeepSeek deepseek-v4-pro
 ├── generateDietPlan(profile)
 ├── generateHealthAdvice(data)
 ├── WeightTrendPage
 └── SmartReportPage

关键代码：双请求方法

typescript 复制代码

// DoubaoApiService.ets 核心结构
class DoubaoApiService {
  // 豆包：食物识别（支持文字+图片）
  async identifyFood(input: string | string[]): Promise<FoodResult> {
    const isImage = Array.isArray(input);
    const payload = isImage 
      ? this.buildImagePayload(input[0])   // 图片 Base64
      : this.buildTextPayload(input);       // 文字描述
    
    return this.doRequest(payload);         // → 豆包 API
  }
  
  // DeepSeek：智能对话（纯文本推理）
  async generateDietPlan(profile: UserProfile): Promise<string> {
    const messages = this.buildDietPlanMessages(profile);
    return this.doDeepSeekRequest({          // → DeepSeek API
      model: 'deepseek-v4-pro',
      messages,
      systemPrompt: DIET_PLAN_SYSTEM_PROMPT
    });
  }
}

为什么不共用一个 API 方法？

维度	豆包请求	DeepSeek 请求
Endpoint	`ark.cn-beijing.volces.com`	`api.deepseek.com`
鉴权	Bearer Token (火山引擎)	Bearer Token (DeepSeek)
请求格式	自定义 JSON 结构	OpenAI 兼容格式
响应解析	提取 `foodName/calories` 等	直接返回 Markdown 文本
超时设置	10s（识别要快）	30s（推理可以慢）

结论：两套方法的参数、解析逻辑完全不同，强行合并只会让代码更难维护。

三、AI 对话数据流：历史记录如何持久化？

问题场景

用户在「饮食计划」页面和 DeepSeek 对话了 10 轮，然后切到首页看热量环，再回来时 ------ 对话历史还在吗？

答案：在的。 我们用 Preferences 本地持久化了每一轮对话。

完整数据流

复制代码

DietPlanPage.aboutToAppear()
 ↓
loadHistory()
 ↓
Preferences.getSync('chat_diet_plan')     // 从本地磁盘读取
 ↓
恢复历史消息（含时间戳）                   // 渲染到 UI
 
── 用户发送新消息 ──
 
DietPlanPage.send()
 ↓
DoubaoApiService.generateDietPlan(profile)
 ↓
doDeepSeekRequest({
  model: 'deepseek-v4-pro',
  messages: [...history, userMessage],    // 携带完整上下文
})
 ↓
返回 AI 生成计划
 ↓
saveHistory()
 ↓
Preferences.putSync('chat_diet_plan', [...history, aiReply])  // 写回磁盘

每个 AI 场景独立存储

页面	Preferences Key	用途
DietPlanPage	`chat_diet_plan`	饮食计划对话
HealthAdvicePage	`chat_health_advice`	健康建议对话
WeightTrendPage	`chat_weight_trend`	体重趋势分析
SmartReportPage	`chat_smart_report`	智能报告生成

关键设计决策：为什么不存云端？

饮食数据属于高度隐私信息
用户不希望自己的饮食习惯被上传
本地存储 = 零网络延迟 = 切页瞬间恢复

四、实际效果：3 秒 vs 3 分钟

记录效率对比

**实测数据**：AI 文字/拍照识别 **3 秒**完成全部食物识别和营养估算，相比传统手动查库方式，**时间降低 40 倍**。

操作步骤	传统方式 (Keep/薄荷)	食刻 AI 方式
打开记录入口	✅ 1s	✅ 1s
输入/选择食物	❌ 搜索+筛选 30-60s/个	✅ 输入"鸡腿饭" 2s
营养计算	✅ 自动	✅ AI 自动返回
归类餐段	❌ 手动选	✅ AI 自动判断
一顿饭总耗时	2-5 分钟	≤ 10 秒

DeepSeek 的数据驱动建议

传统 App 的"建议"是模板化的通用文案：

"建议您多吃蔬菜，减少油腻食物摄入"

食刻的 DeepSeek 会读取你近 7 天的真实数据：

"您近 7 天碳水占比 62%（偏高），建议降至 50-55%。

可将晚餐米饭替换为糙米，或减少 1/3 份量。

当前蛋白质 22g/天（偏低），建议加餐鸡蛋或希腊酸奶。"

这就是"数据驱动"vs"模板化"的区别。

五、竞品全景对比

功能	Keep	薄荷健康	MyFitnessPal	食刻
AI 食物识别	❌	❌	❌	✅ 双引擎
AI 饮食计划	❌	❌	❌	✅ DeepSeek
AI 健康分析	❌	❌	❌	✅ 数据驱动
桌面 Widget	基础	基础	❌	✅ 3 张卡片
3D 视觉效果	2D	2D	2D	✅ Neumorphism

六、总结与下篇预告

核心要点回顾

双引擎不是炫技，而是场景驱动的工程选择：识别要快→豆包，推理要深→DeepSeek
统一抽象层 (DoubaoApiService) 让替换 AI 引擎只需改 3 处配置
Preferences 持久化保证离开再回来不丢失上下文
全量本地存储，饮食数据不出设备

下一篇：《纯 ArkUI 实现 7 层拟物 3D 环形进度图：零依赖的视觉革命》

我们将揭秘食刻首页那个令人印象深刻的 Neumorphism 环形进度图是如何用纯 ArkUI 组件手工打造出来的 ------ 没有 Canvas、没有 3D 引擎、没有第三方依赖，只有 7 层组件的创意叠加。

📌 项目仓库：https://atomgit.com/VON-/cxs-demo1\*