2026年6月12日-14日，华为开发者大会（HDC2026）在东莞松山湖盛大举办，DCloud CTO 崔红保应邀参加【编程语言】论坛，并发表《AI 驱动的跨端进化：利用 uni-agent 快速构建高性能鸿蒙应用》的专题演讲。
本文根据崔红保在 HDC 大会现场的演讲内容整理。
各位开发者朋友，大家好
DCloud 作为一家"专为开发者而生"的公司，这些年服务了数百万开发者高效开发各类App和小程序。从 2024 年至今，已经有数千款、基于uni-app(x)框架开发的鸿蒙应用成功上架鸿蒙应用商店。
一、AI 时代，鸿蒙应用交付面临三大挑战在服务众多开发者高效交付鸿蒙应用的过程中，我们发现，AI 时代，鸿蒙应用交付主要有三个挑战。
- 多端维护。如果 HarmonyOS、iOS、Android、小程序、Web 各有一套工程，AI 生成越快，后面同步需求、修 bug、保持体验一致的成本反而越高。
- 代码准确性。不是模型不聪明，而是 HarmonyOS 应用开发规范和跨端框架都在快速迭代，大模型训练数据天然滞后。再加上不同端的 API、生命周期、条件编译不一样，通用 AI 很容易混用。
- 可验收闭环。很多 AI 工具停在"代码已生成"，但真实项目还会有运行报错、UI 偏差、测试失败。如果这些反馈不能进入 AI 的工作回路，最后仍然要工程师兜底。
二、DCloud 的组合方案：uni-app x + uni-agent
针对这三个挑战，DCloud 给出的组合方案是：uni-app x + uni-agent。
- 多端维护，用
uni-app x解决。它把多端应用收敛到统一工程里，减少多套工程并行演进的成本。 - 代码准确性，用
uni-agent解决。它把 uni-app x、UTS、uniCloud、混编插件、跨端 API 差异等工程知识带进 AI 编程流程，让 AI 不只是"会写代码"，而是更贴近 DCloud 生态和真实项目。 - 可验收闭环，也用
uni-agent解决。它接入运行、日志、截图和测试，让 AI 根据真实反馈继续修复。
所以这场分享的主线就是：uni-app x 负责统一工程，uni-agent 负责把 AI 带进交付闭环。
三、uni-app x：统一工程的跨端框架
先讲 uni-app x。
uni-app x 首先是一个跨端框架，核心价值是让 HarmonyOS、iOS、Android 等多端应用放在一套统一工程里维护。
在这套工程里，页面、组件、业务逻辑和端侧能力可以统一组织。AI 生成代码时，也不需要每个端各写一遍、各修一遍，而是在统一工程里处理共性逻辑，再处理必要的平台差异。
这对 AI 编程尤其重要。因为 AI 生成代码的效率越高，越需要一个统一、可维护、可扩展的工程底座来承接。如果底层工程分裂，AI 在每个平台项目中，可能会产生完全不同的交互体验，对于品牌一致性非常不利。
在端侧能力链路上，uni-app x 面向 HarmonyOS 对接 ArkTS 和 ArkUI，面向 Android 对接 Kotlin，面向 iOS 对接 Swift。它不是简单套 WebView，而是面向端侧渲染和目标平台能力进行设计，完全对齐原生开发的目标体验。
因此，uni-app x 的第一层价值是：用统一工程降低多端维护成本，同时承接 HarmonyOS 端的高性能应用体验。
四、基础节点渲染：看底层链路是否有性能余量
统一工程之后，开发者自然会关心性能：跨端框架在性能维度能不能站住？
这次分享中，我没有做横向框架排名，而是呈现 uni-app x 蒸汽模式自身的基础节点测试结果。
4050 元素测试，是在同一屏幕内创建 2050 个 view 和 2000 个 text，用来观察基础节点创建和渲染链路。
在 HarmonyOS 特定环境下，uni-app x 蒸汽模式这个场景的测试结果约为 280ms。
蒸汽模式表现更优的关键，不是简单调参数，而是系统性优化。
- 消除虚拟 DOM，减少中间节点创建和 diff 成本，让编译器生成更直接的渲染代码。
- 启用全新的渲染系统，将 template / style 编译机器码和字节码，减少运行时解释和转换成本。
更多Beachmark 参考
DCloud，公众号：DClouduni-app x 蒸汽模式 性能测试基准报告 Benchmark
五、死亡长列表：复杂列表中的滚动稳定性
第二个性能场景，是极限复杂列表。我们内部把这种场景叫"死亡长列表"。
这个列表有 4000 行数据、7.4M JSON、2 万个元素，大约 1333 屏内容。每行超过 40 个元素，包括文字、图片、视频和 Vue 组件；还有 10 层以上嵌套，以及阴影、圆角、边框等复杂样式。
在这个场景下，uni-app x 蒸汽模式在 HarmonyOS 端的实测平均帧率是 97.97 FPS。
性能最终不是看口号，而是看用户滑动时稳不稳、回滚时跟不跟手。复杂列表是移动应用里非常常见、也非常容易暴露性能问题的场景，因此它比单纯的静态页面更能体现端侧渲染和滚动调度能力。
六、真实案例：跨端路线已经进入鸿蒙应用业务交付
性能数据回答"能不能快"，真实业务还会问：有没有人在用？
从 DCloud 生态观察，目前已经有数千款鸿蒙应用基于 uni-app(x) 开发。这个数字不是性能指标，它说明的是落地成熟度：这条路线不是停留在 Demo 或 Benchmark 里，而是已经进入真实业务交付。
到这里，uni-app x 的角色就比较清楚了：统一工程，加上可验证的 HarmonyOS 端性能底座。
七、uni-agent：HBuilderX 内的 AI Agent 编程
接下来讲 uni-agent。
AI 编程正在从代码补全进入 AI Agent 编程。
代码补全时代，是人在写代码，AI 猜下一行。Cursor、GitHub Copilot 这类工具，让开发者在编辑器里获得更快的补全体验。
AI Agent 编程时代，开发方式发生了变化。AI 可以读取整个项目，自主规划，修改文件；人负责提需求、做评审和最终把关。
uni-agent 属于后者。它内置在 HBuilderX 中，面向当前项目、运行环境和 DCloud 生态工作。
八、面向 uni-app x 和 DCloud 生态优化
uni-agent 的第一个特征，是面向 uni-app x 和 DCloud 生态做了工程知识优化。
通用 AI 编程工具很强，但写 uni-app x、HarmonyOS 相关代码时不一定稳定。原因不是模型不聪明，而是训练数据天然滞后于 HarmonyOS 和 DCloud 产品演进。
所以这里强调的不是"换一个模型包装"，而是补齐生态知识。uni-agent 会把 uni-app x、UTS、混编插件、跨端 API 差异这些知识接入工作流。
这件事解决的是"写得准"的问题。AI 先写准，后面的运行、修复和验收才有基础。
九、接入真实开发现场：运行、诊断、修复、验证
只写得准还不够。
真实项目里更关键的是：出了问题，AI 能不能自己发现、自己修。
uni-agent 可以获取鸿蒙应用和小程序运行日志。过去遇到报错，我们要手动复制日志给 AI；uni-agent可以自己读日志、定位错误，必要时主动加 log，再根据结果继续修。
uni-agent也能做手机截图和 UI 对比。移动端页面很多问题，光看代码看不出来，间距、层级、状态、设计还原都要看真机截图。
再往后，它还能写用例、跑测试、失败后继续修复，并连接 DCloud 文档、issues、论坛和插件市场，判断是不是已知问题、有没有绕过方案。
这些能力合起来，AI 才不止是生成代码，而是具备自运行、自诊断、自修复、自验证的能力。
十、手机端指挥：人仍然掌握最终判断权
AI 编程进入自动化阶段后，人不一定一直坐在电脑前盯着它跑。但人仍然要掌握进度，并在关键节点介入判断。
uni-agent 可以在手机端收到任务推送，确认权限请求，查看 AI 修改的源码，也可以继续追加指令。
这解决的是长任务协作问题：AI 可以持续推进任务，但工程师仍然保持指挥权和最终判断权。
这里也要强调一点：AI 编程不是要替代工程师。相反，工程师会更聚焦在需求判断、架构设计、代码评审和最终验收上。AI 可以承担更多重复工作，但方向和标准仍然要由工程师掌握。
十一、从需求到可运行应用：把 AI 放进交付闭环
把前面的能力串起来，就是 uni-agent 的闭环。
第一步是需求。告诉 AI 目标端、业务功能、性能要求和验收标准。
第二步是代码。uni-agent 基于 uni-app x 生成页面、组件、云对象和平台差异处理。
第三步是运行。代码要运行到目标端，尤其是 HarmonyOS 端，进入真实环境。
第四步是诊断。通过日志、截图和测试结果，让 AI 看到问题。
第五步是修复。AI 根据诊断结果继续改，直到运行、界面和测试达到验收标准。
可交付的鸿蒙应用，不是一次生成出来的，而是一轮轮验证收敛出来的。
十二、设计稿到应用页面：AI 不只看设计，也看真机结果
设计稿到应用页面，是一个很适合展示闭环价值的场景。
通过 Figma、蓝湖等 MCP 能力，AI 可以读取设计稿里的图层、样式、尺寸和资源。然后 uni-agent 生成 uni-app x 页面，运行到 HarmonyOS 目标端，再用真机截图和设计稿比对，继续修正样式和交互。
这比"给 AI 看一张截图，让它猜布局"稳定得多。因为它既有设计稿信息，也有真实运行结果。
设计稿闭环的关键，是 AI 不只看设计，也看真机运行结果。最终验收看的不是代码有没有生成，而是目标设备上的真实效果是否达标。
十三、总结：统一工程 + AI 闭环
最后回到今天的主线。
AI 时代的鸿蒙应用开发，挑战不只是代码生成，而是多端维护、代码准确性和交付验收。
uni-app x 解决第一个问题：用统一工程收敛多端成本，让鸿蒙应用进入更高效的跨端开发链路。
uni-agent 解决后两个问题：一方面补齐 uni-app x、DCloud 生态和 HarmonyOS 相关知识，让 AI 写得更准；另一方面接入运行、日志、截图和测试，把 AI 编程推进到可验收闭环。
如果用一句话收束这次分享，就是：
用 uni-app x 统一鸿蒙应用的跨端工程底座，用 uni-agent 把 AI 编程推进到真实开发现场。
让 AI 不只是写代码，而是能自运行、自诊断、自修复、自验证。