从零构建 AI 驱动的 Flutter 应用：HabitGo 的 AIGC 全链路实践

为什么写这篇文章

这段时间我用 Flutter 做了个习惯追踪 App，一开始只是想练手，后来发现把 AI 真正用好、用深 这件事比我想象中有趣得多------不是简单地调一个 /chat/completions 就完了，而是要在 prompt 工程、用户体验、成本控制、个性化、容错兜底之间找到平衡。

这篇文章会把 HabitGo 的 AI 系统从头到尾拆解一遍，包含：

API 封装层怎么做
Prompt 工程如何面向场景设计
用户反馈驱动的个性化 prompt 进化
自研 Markdown 渲染器的实现
多场景 AI 融合（问候语 / 每日一课 / 成就邮件 / 数据分析报告）
免费版 AI 用量限制的设计

AI 系统全景

先看一张 AI 系统的全景架构图：

scss 复制代码

┌─────────────────────────────────────────────────────────────┐
│                        UI Layer                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐   │
│  │ AI 对话  │  │ 首页卡片 │  │ 统计报告 │  │ 成就邮件 │   │
│  │ ChatPage │  │ 问候/挑战│  │ 周/月/年 │  │ Mailbox  │   │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  └────┬─────┘   │
└───────┼──────────────┼──────────────┼──────────────┼─────────┘
        │              │              │              │
        ▼              ▼              ▼              ▼
┌─────────────────────────────────────────────────────────────┐
│                     Service Layer                            │
│  ┌──────────────────────────────────────────────────────┐   │
│  │              DeepSeekService (Static)                 │   │
│  │  chat() │ analyzeHabits() │ dailyEncouragement()     │   │
│  │  generateAchievementMail() │ generateSuggestions()   │   │
│  └────────────────────┬─────────────────────────────────┘   │
│                       │                                      │
│  ┌────────────────────┴─────────────────────────────────┐   │
│  │           AiPersonalization (个性化)                   │   │
│  │  addFeedback() │ buildPersonalizedPrompt()            │   │
│  └──────────────────────────────────────────────────────┘   │
│                                                              │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────────┐    │
│  │ DailyGreeting│ │ DailyLesson  │ │ DailyChallenge   │    │
│  │ Service      │ │ Service      │ │ Service           │    │
│  └──────┬───────┘ └──────┬───────┘ └───────┬──────────┘    │
└─────────┼────────────────┼─────────────────┼────────────────┘
          │                │                 │
          ▼                ▼                 ▼
┌─────────────────────────────────────────────────────────────┐
│                    Cache Layer (SharedPreferences)           │
│  每日一份，日期 → 内容映射，跨 App 生命周期持久化              │
└─────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────┐
│                     Monetization                            │
│  FreeTierLimits │ AiUsageTracker │ aiChatRemainingProvider  │
└─────────────────────────────────────────────────────────────┘

AI 不是作为一个独立模块存在，而是像血液一样渗透到产品的各个毛细血管。下面逐一拆解。

一、API 封装层：不只是包个 HTTP 请求

1.1 静态类 + 多语言自适应 System Prompt

dart 复制代码

class DeepSeekService {
  static const String _apiKey = 'sk-xxx';
  static const String _baseUrl = 'https://api.deepseek.com/v1';
  static const String _model = 'deepseek-chat';

  /// 当前用户语言 --- 在 main.dart 中启动时注入
  static String currentLanguage = '中文';

  static String get _localizedSystemPrompt {
    // 根据语言返回不同语言的 system prompt
    // 覆盖：中文 / English / 日本語 / 한국어 / Français / Español / Deutsch
    if (lang == '中文' || lang == 'zh') {
      return '你是 HabitGo 的习惯养成 AI 教练。'
             '你温暖、鼓励、务实。建议简洁具体...回复使用简体中文。';
    }
    if (lang == 'English' || lang == 'en') {
      return 'You are HabitGo\'s habit-building AI coach...';
    }
    // ... 其他 5 种语言
  }
}

为什么用静态方法而不是实例化？

AI 调用在 App 中是稀疏且低频的（每天顶多几十次），不需要连接池、不需要长生命周期。静态方法足够，同时避免了注入 boilerplate。唯一需要跨模块共享的状态是 currentLanguage，一个静态字符串即可。

1.2 通用 chat() 方法 --- 一次封装，七处复用

dart 复制代码

static Future<String> chat({
  required String userMessage,
  String systemPrompt = '',
  List<Map<String, String>>? extraHistory,
}) async {
  final sys = systemPrompt.isEmpty
      ? _localizedSystemPrompt  // 默认教练 prompt
      : systemPrompt;            // 调用方自定义（如成就邮件、报告生成）

  final messages = <Map<String, String>>[
    {'role': 'system', 'content': sys},
    if (extraHistory != null) ...extraHistory,
    {'role': 'user', 'content': userMessage},
  ];

  final response = await http.post(
    Uri.parse('$_baseUrl/chat/completions'),
    headers: {
      'Content-Type': 'application/json',
      'Authorization': 'Bearer $_apiKey',
    },
    body: jsonEncode({
      'model': _model,
      'messages': messages,
      'temperature': 0.7,
      'max_tokens': 800,
    }),
  );

  if (response.statusCode == 200) {
    final data = jsonDecode(response.body);
    return data['choices']?[0]?['message']?['content']
        ?? '抱歉，我暂时无法回复。';
  }
  return 'API 请求失败 (${response.statusCode})';
}

设计要点：

参数	设计意图
`systemPrompt` 为空 → 默认教练 prompt	对话场景最常用，减少调用方心智负担
`systemPrompt` 非空 → 覆盖默认	成就邮件、报告生成等专用场景
`extraHistory`	多轮对话上下文注入，不污染 `userMessage`
`temperature: 0.7`	在创意性和一致性之间取平衡，既不死板也不跑偏
`max_tokens: 800`	控制回复长度和成本，移动端用户不需要看论文

二、Prompt 工程：每个场景都是一次「编程」

调用 API 只是骨架，prompt 才是灵魂。HabitGo 为每个 AI 使用场景精心设计了专属 prompt。下面逐个拆解设计思路。

2.1 习惯数据分析 --- 结构化输入 + 格式约束

dart 复制代码

static Future<String> analyzeHabits({
  required List<Habit> habits,
  required int totalCheckins,
  required int activeDays,
  required int bestStreak,
  required int todayCheckins,
}) async {
  final prompt = '''
你是一个习惯养成教练。请分析以下用户的习惯数据，给出 3-5 条简洁的个性化建议（每条不超过 60 字）：

📊 用户数据：
- 习惯列表：
${habits.map((h) => '- ${h.icon ?? '🎯'} ${h.name} (${h.isActive ? "进行中" : "已暂停"})').join('\n')}
- 总打卡次数：$totalCheckins
- 活跃天数：$activeDays
- 最佳连击：$bestStreak
- 今日已打卡：$todayCheckins

回复格式：每条建议前加 emoji 编号（1️⃣ 2️⃣ 3️⃣），语气温暖鼓励。
语言：$currentLanguage
''';
  return chat(userMessage: prompt);
}

设计思路：

把原始数据直接注入 prompt，让 AI「看到」用户的全部上下文。这不是幻觉风险，而是必要的领域知识注入。
明确约束：3-5 条、每条 ≤60 字、emoji 编号 --- 防止 AI 啰嗦或跑偏。
语气定调：「温暖鼓励」四个字决定了整段回复的情感基调。

2.2 每日问候语 --- 每天一次，不阻塞 UI

dart 复制代码

class DailyGreetingService {
  static Future<String> getGreeting() async {
    final prefs = await SharedPreferences.getInstance();
    final saved = prefs.getString('greeting_date');

    if (saved == _today()) {
      return prefs.getString('greeting_text')!;  // 缓存命中
    }

    // ⚡ 异步生成，不阻塞 UI：先返回旧值或默认值
    _generateAndCache(today);
    return prefs.getString('greeting_text')
        ?? '每一天都是新的开始，坚持就是胜利 ✨';
  }

  static Future<void> _generateAndCache(String today) async {
    final text = await DeepSeekService.chat(
      userMessage: '''
请生成一条今日问候语：
1. 一句温暖的问候（根据时间：早上/下午/晚上）
2. 一句名人名言、古诗词或哲理短句
3. 一句针对习惯养成的鼓励
格式：共 2-3 行，简洁有品位，风格每天不同。总字数不超过 120 字。
''',
      systemPrompt: '你是 HabitGo 的每日问候助手。风格温暖、励志、有文化底蕴。'
    );
    // 缓存到 SharedPreferences
    await prefs.setString('greeting_date', today);
    await prefs.setString('greeting_text', text);
  }
}

设计亮点：

异步生成，先返回兜底值：首页打开后立即返回缓存或默认问候语，后台异步请求 AI。用户感知不到任何加载过程。
日期作为缓存键 ：2026-07-17 格式的日期字符串作为 key，每天同一份，跨页面切换复用。
风格差异化指令：「风格每天不同」让 DeepSeek 的随机性（temperature 0.7）转化为产品需要的多样性。

2.3 每日一课 --- 日期驱动的主题轮换

dart 复制代码

class DailyLessonService {
  static const List<String> topics = [
    '宇宙天文', '地理奇观', '历史冷知识', '生物趣闻',
    '心理学效应', '经济学原理', '哲学思考', '文学典故',
    '艺术常识', '科技前沿', '民俗文化', '语言奥秘',
  ];

  static Future<void> _generateAndCache(String today) async {
    // 基于日期决定主题：一年 365 天，循环覆盖 12 个主题
    final dayOfYear = DateTime.now()
        .difference(DateTime(2024, 1, 1)).inDays.abs();
    final topic = topics[dayOfYear % topics.length];

    final prompt = '''
请讲一个关于「$topic」的有趣冷知识：
1. 真实可靠（基于科学/历史事实）
2. 3-5 句话，约 80-120 字
3. 开头用一个 emoji 表示主题
4. 结尾加一句"今日启发"
语言：${DeepSeekService.currentLanguage}
''';
    // 调用 + 缓存 ...
  }
}

核心设计 ：dayOfYear % 12 让 365 天均匀覆盖 12 个领域，既保证了多样性，又确保了确定性（同一天不重复生成）。

2.4 成就邮件 --- 最长、最精细的 prompt

dart 复制代码

static Future<String> generateAchievementMail({
  required String userName,
  required String achievementName,
  required int currentStreak,
  required int totalCheckins,
}) async {
  final prompt = '''
给 $userName 写一封达成「$achievementName」成就的鼓励信：
- 当前连击：$currentStreak 天
- 累计打卡：$totalCheckins 次

要求：
- 3-4 段，200-300 字
- 称呼亲切、语气温暖
- 引用一句名人名言/古诗词
- 展望下一个目标
- 结尾鼓励继续

语言：$currentLanguage
''';
  return chat(userMessage: prompt, systemPrompt: '你是 HabitGo 的习惯养成教练，会给用户写温暖的鼓励信。');
}

这是整个系统中最长、约束最多的 prompt。为什么不直接用对话接口？因为邮件是一个独立的「文体」------它需要结构感、仪式感，而这些需要通过 prompt 显式传达。

2.5 AI 周报/月报/年报 --- 严格的格式约束

统计页面的「AI 报告」功能：

dart 复制代码

final fullPrompt = '''
你是一个数据分析师。请根据以下用户习惯数据写一份简洁的周报/月报/年报。

📊 数据摘要：
- 习惯：$habitList
- 累计打卡：$total 次
- 活跃天数：$activeDays
- 历史最佳连击：$bestStreak

报告格式要求（严格遵守）：
1. 第一行：📅 习惯周报/月报/年报
2. 分 3 个板块：✅ 亮点 / ⚠️ 不足 / 💡 建议
3. 每个板块 2-3 句，每条用 • 开头（不是 - 也不是数字）
4. **绝对不要使用 markdown 格式**
5. 纯文本，100-200 字
''';

为什么不直接用 analyzeHabits？ 数据分析是对话式的（「你最近坚持得不错，建议...」），而报告是结构化的（板块分明、格式固定）。两套 prompt 服务于两种不同的用户心智。

2.6 Follow-up 建议 --- Prompt 链式调用

对话结束时，自动生成 3 个 follow-up 问题：

dart 复制代码

static Future<List<String>> generateSuggestions({
  required String userMessage,
  required String aiReply,
}) async {
  final prompt = '''
基于以下对话，生成 3 个用户可能想问的后续问题（每个不超过 15 字）：

用户：$userMessage
AI：$aiReply

输出格式（每行一个）：
1. 第一个问题
2. 第二个问题
3. 第三个问题
语言：$currentLanguage
''';
  final reply = await chat(userMessage: prompt, systemPrompt: '...');
  // 解析：按行分割 → 去掉数字编号 → 最多取 3 条
  final lines = reply
      .split('\n')
      .where((l) => l.trim().isNotEmpty)
      .map((l) => l.replaceFirst(RegExp(r'^\d+[\.\)、]'), '').trim())
      .where((l) => l.isNotEmpty)
      .take(3)
      .toList();
  return lines.isEmpty ? ['继续说说？', '有什么建议？', '怎么改进？'] : lines;
}

这是 Prompt Chain 的实践：用第一次对话的输出作为第二次 prompt 的输入，不增加 UI 的等待时间（两次调用是串行的，但第二次很快）。

三、个性化进化：用用户的反馈训练 AI

这是我认为整个 AI 系统中最有意思的设计。

3.1 核心思路

大型语言模型支持 Few-shot Learning：在 system prompt 中放入几个「用户问 → AI 答」的示例，模型的回复风格会向示例靠拢。

HabitGo 把这个能力产品化为：「用户觉得某次回答有用 → 点『让 AI 记住』→ 对话样本被持久化 → 后续所有 AI 调用自动注入这些样本」。

3.2 实现细节

dart 复制代码

class AiPersonalization {
  static const int maxPerDay = 3;
  static const int maxTotal = 30;

  /// 添加一条反馈
  static Future<bool> addFeedback({
    required String userMessage,
    required String aiReply,
  }) async {
    if (!await canFeedbackToday()) return false;

    final list = prefs.getStringList('ai_feedback_list') ?? [];
    list.add('$userMessage|||$aiReply');

    // 超限自动清理最旧的
    if (list.length > maxTotal) {
      list.removeRange(0, list.length - maxTotal);
    }

    await prefs.setStringList('ai_feedback_list', list);
    return true;
  }

  /// 构建追加到 system prompt 的个性化片段
  static Future<String> getAddendum() async {
    final list = prefs.getStringList('ai_feedback_list') ?? [];
    if (list.isEmpty) return '';

    final buf = StringBuffer();
    buf.writeln('\n\n[用户已确认对你有用的历史回答示例 --- 你应当延续这类风格与方向]');
    for (final line in list) {
      final parts = line.split('|||');
      buf.writeln('---');
      buf.writeln('用户问：${parts[0]}');
      buf.writeln('你答：${parts[1]}');
    }
    return buf.toString();
  }

  /// 最终拼装：基础 prompt + 个性化 addendum
  static Future<String> buildPersonalizedPrompt() async {
    final base = '你是 HabitGo 的习惯养成 AI 教练。';
    final addendum = await getAddendum();
    return '$base$addendum';
  }
}

3.3 限制机制的必要性

限制	值	原因
每日上限	3 次	防止用户在一天内塞入大量样本，导致 prompt 过长、费用爆炸
总上限	30 条	DeepSeek 的 context window 有限，且太多样本会稀释每条的影响力
FIFO 淘汰	超出删除最早	保证样本的时效性

3.4 在对话中的注入时机

dart 复制代码

// ai_chat_page.dart 中的 _send() 方法
if (isAnalysis) {
  reply = await DeepSeekService.analyzeHabits(/* ... */);
} else {
  // ⬇ 关键：对话场景使用个性化 prompt
  final sysPrompt = await AiPersonalization.buildPersonalizedPrompt();
  reply = await DeepSeekService.chat(
    userMessage: actualText,
    systemPrompt: sysPrompt,  // 基础 + addendum
  );
}

注意：数据分析场景不走个性化 prompt，因为分析建议需要客观，不宜被用户偏好带偏。这是一个有意识的区分。

四、自研 Markdown 渲染器：因为不需要引入重型依赖

AI 返回的内容天然带 Markdown。现有方案 flutter_markdown 很好，但它引入了一整套 HTML→Markdown→AST 的解析链，对只渲染加粗/斜体/标题/列表/行内代码的场景来说过于冗余。

4.1 设计原则：极简、够用、零依赖

markdown 复制代码

支持的语法：
✅ **加粗**         ✅ *斜体*           ✅ `行内代码`
✅ # ## ### 标题    ✅ - 无序列表        ✅ 1. 有序列表
✅ 空行 → 段落分隔   ❌ 链接/图片         ❌ 代码块
❌ 表格             ❌ 嵌套列表

不支持的语法就不解析（AI 也很少输出表格和嵌套列表），直接当普通文本渲染。

4.2 实现：两遍扫描

第一遍（行级解析）：逐行正则匹配，生成对应的 Widget。

dart 复制代码

List<Widget> _parse(String input, TextStyle style, BuildContext ctx) {
  final widgets = <Widget>[];
  final lines = input.split('\n');
  int i = 0;

  while (i < lines.length) {
    final line = lines[i];

    // 标题：正则 ^#{1,3}\s+(.+)$
    final hMatch = RegExp(r'^(#{1,3})\s+(.+)$').firstMatch(line);
    if (hMatch != null) {
      final level = hMatch.group(1)!.length;
      widgets.add(_inline(hMatch.group(2)!,
          style.copyWith(fontSize: style.fontSize! + (3 - level) * 1.5,
                         fontWeight: FontWeight.w800)));
      i++; continue;
    }

    // 列表项：合并连续的列表行 → Row(bullet + content)
    final ulMatch = RegExp(r'^[\-\*]\s+(.+)$').firstMatch(line);
    final olMatch = RegExp(r'^\d+[\.\)]\s+(.+)$').firstMatch(line);
    if (ulMatch != null || olMatch != null) {
      // 向后扫描，合并连续列表
      int j = i; int idx = 1;
      while (j < lines.length) {
        // 用 Row(SizedBox(22) + Expanded(_inline(content))) 构建列表项
        j++;
      }
      i = j;
      widgets.addAll(items);
      continue;
    }

    // 空行 → SizedBox(height: 6)
    // 普通段落 → _inline(line)
    // ...
  }
  return widgets;
}

第二遍（行内解析） ：单行内扫描 ** / * / `````，生成 TextSpan。

dart 复制代码

List<InlineSpan> _toSpans(String text, TextStyle style, BuildContext ctx) {
  final spans = <InlineSpan>[];
  int i = 0;

  while (i < text.length) {
    final c = text[i];

    // 加粗：找到闭合的 **
    if (c == '*' && i + 1 < text.length && text[i + 1] == '*') {
      final end = text.indexOf('**', i + 2);
      if (end != -1) {
        spans.add(TextSpan(text: text.substring(i + 2, end),
            style: style.copyWith(fontWeight: FontWeight.w800)));
        i = end + 2; continue;
      }
    }

    // 行内代码：用 WidgetSpan 包裹带背景色的 Container
    if (c == '`') {
      final end = text.indexOf('`', i + 1);
      if (end != -1) {
        spans.add(WidgetSpan(
          child: Container(
            padding: EdgeInsets.symmetric(horizontal: 6, vertical: 1),
            decoration: BoxDecoration(
              color: codeBg ?? scheme.surfaceContainerHighest,
              borderRadius: BorderRadius.circular(4),
            ),
            child: Text(text.substring(i + 1, end),
                style: style.copyWith(fontFamily: 'monospace',
                    color: codeFg ?? scheme.primary)),
          ),
        ));
        i = end + 1; continue;
      }
    }

    // 普通字符：扫描到下一个 * 或 ` 再分段
    int next = i + 1;
    while (next < text.length && text[next] != '*' && text[next] != '`') next++;
    spans.add(TextSpan(text: text.substring(i, next), style: style));
    i = next;
  }
  return spans;
}

为什么行内代码用 WidgetSpan 而不是 TextSpan？ 因为代码需要背景色 + 圆角，纯 TextSpan 做不到。WidgetSpan 可以内嵌任意 Widget，代价是多了几个 Widget 节点，但对消息列表来说性能影响可以忽略。

五、用量控制：免费版的 AI 经济学

5.1 设计思路

DeepSeek 虽然便宜，但每 100 万 token 也要几分钱。App 免费版如果不做限制，成本会线性增长。

策略：

限制项	免费版	Premium
AI 对话	10 次/天	无限
AI 数据分析	5 次/天	无限
每日问候/挑战/一课	不限制	不限制

前两项是高频操作（用户主动触发），后三项是每天固定一次（系统自动触发，频率可控）。

5.2 技术实现

dart 复制代码

class AiUsageTracker {
  static Future<bool> tryConsumeChat() async =>
      _tryConsume('ai_chat_usage', 'ai_chat_date', FreeTierLimits.aiChatPerDay);

  static Future<bool> _tryConsume(
      String key, String dateKey, int maxPerDay) async {
    final prefs = await SharedPreferences.getInstance();
    final today = _todayKey();
    final savedDate = prefs.getString(dateKey);

    // 新的一天 → 重置计数
    if (savedDate != today) {
      await prefs.setString(dateKey, today);
      await prefs.setInt(key, 0);
    }

    final used = prefs.getInt(key) ?? 0;
    if (used >= maxPerDay) return false;  // 超限
    await prefs.setInt(key, used + 1);
    return true;  // 允许调用
  }
}

在 Riverpod 层的反应式绑定：

dart 复制代码

final aiChatRemainingProvider = FutureProvider<int>((ref) async {
  ref.watch(isPremiumProvider);  // 订阅状态变化时自动刷新
  if (ref.read(isPremiumProvider)) return -1;  // -1 表示无限
  return AiUsageTracker.remainingChat();
});

-1 的语义设计很巧妙：UI 层只需要判断 value == -1 就知道是会员，不需要额外传 isPremium。

六、缓存策略：每天一份，永不过期（不请求）

每日问候、每日一课、每日挑战共用同一套缓存模式：

scss 复制代码

┌─────────────────────────────┐
│  getXxx()                   │
│   │                         │
│   ├── 缓存命中 (日期==今天)  │ → 立即返回
│   │                         │
│   ├── 缓存未命中             │
│   │   ├── 立即返回旧值/默认值 │ → UI 无等待
│   │   └── 后台 async 生成    │ → 成功后更新缓存
│   │                         │
│   └── 网络失败              │ → 返回 fallback 默认值
└─────────────────────────────┘

核心代码模式：

dart 复制代码

static Future<String> getXxx() async {
  final saved = prefs.getString(dateKey);
  if (saved == today) return prefs.getString(contentKey)!;  // 命中

  _generateAndCache(today);  // 🔥 不 await！后台异步执行
  return prefs.getString(contentKey) ?? fallbackDefault;    // 立即返回旧值
}

这个不 await 是精髓。如果 await，首页打开后要等 2-3 秒才有内容，用户体验极差。改为 fire-and-forget 后，首页秒开，2-3 秒后内容静默刷新。

七、AI 融入产品的七个触点

最后梳理一下 AI 和产品功能的一一对应关系：

#	触点	触发时机	AI 做的事	代码位置
1	首页问候	每次打开首页	生成名人名言 + 习惯鼓励	`daily_greeting_service.dart`
2	每日挑战	同上	推荐一个 5-30 分钟的小任务	`daily_challenge_service.dart`
3	每日一课	同上	讲一个冷知识（12 领域轮换）	`daily_lesson_service.dart`
4	AI 教练对话	用户主动进入 AI Tab	自由对话 + 习惯数据分析	`ai_chat_page.dart`
5	AI 数据分析	对话中含「分析」关键词	读取习惯数据 + 给 3-5 条建议	`analyzeHabits()`
6	成就邮件	达成里程碑(3/7/14/30/100天)	写一封鼓励信 + 名人名言	`generateAchievementMail()`
7	AI 周/月/年报	统计页点击报告按钮	亮点/不足/建议三板斧	`_AiReportPanel._generate()`

再加上 AI 个性化进化 （反馈 → system prompt addendum）和 AI 成就名称生成 （心愿银行每次启动随机 6 个名称），一共 9 个 AI 触点，覆盖了 App 的首页、对话、统计、邮箱、心愿银行五个主要页面。

八、可以继续深挖的方向

8.1 Streaming 响应

目前所有 AI 调用都是一次性返回 ，用户需要等 2-5 秒才能看到完整内容。改成 SSE Streaming 后可以逐字显示 ，体验会提升一大截。DeepSeek API 支持 stream: true，技术上是可行的，只是 UI 层需要改造为流式接收 + 增量更新。

8.2 本地模型 / 端侧推理

把日问候/每日一课这种非实时、可预生成的内容做到端侧，进一步缩减 API 成本。Google 的 MediaPipe / ML Kit 正在往这个方向走。

8.3 A/B 测试 Prompt

目前所有 prompt 是基于个人经验手写的。如果能做 A/B 测试（两套 prompt → 对比用户行为数据），就可以数据驱动地优化 prompt，而不是靠感觉。

8.4 RAG（检索增强生成）

将用户的全部历史打卡数据做 embedding，查询时通过向量相似度检索相关上下文注入 prompt。这样 AI 能回答「我三个月前那个习惯后来怎么样了」之类的问题。

写在最后

做一个「AI 驱动的 App」真的不是接个 API 就完了。这篇文章涵盖了 HabitGo 从 prompt 设计、多场景集成、个性化进化、自研渲染器、用量控制到缓存策略的全流程，希望能给同样在探索 AI + 移动端的同学一些启发。

如果你也在做类似的事情，或者对某个技术细节有疑问，欢迎在评论区交流 👇