KMP全栈开发：从Android到AI Agent的技术演进与实践

1.1 KMP 架构深度解析
- Expect/Actual 机制与平台特定实现
- 共享代码的组织：commonMain, androidMain, iosMain
- 与 Compose Multiplatform 的协同
1.2 共享业务逻辑与数据层
- 使用 Ktor Client 实现跨平台网络请求
- 使用 SQLDelight 实现跨平台数据库
- 状态管理：从 ViewModel 到共享的 MVI/MVVM 模式
1.3 构建与发布实践
- Gradle 多模块配置优化
- 自动化测试策略（共享测试）
- 发布到 Maven Central 与内部仓库

2.1 KMP on Server：Ktor 框架实战
- 使用 KMP 共享模型定义 API 契约（DTO）
- 基于 Ktor 构建 RESTful/GraphQL API 服务
- 数据库连接（Exposed, KMongo）与事务管理
2.2 桌面端应用开发
- Compose for Desktop 快速构建跨平台 UI
- 系统集成与原生菜单
- 打包与分发（jpackage, native installers）
2.3 全栈同构的威力
- 前后端类型安全：一套模型，多处使用。
- 开发效率飞跃：业务逻辑、验证规则、工具函数的完全复用。
- 案例：一个待办事项应用的同构实现（移动端 + 桌面端 + Web 管理后台）。

3.1 AI Agent 概念与架构
- 什么是 AI Agent？与普通 API 调用的区别。
- Agent 的核心组件：规划（Planning）、工具使用（Tool Use）、记忆（Memory）。
3.2 为 KMP 全栈应用注入 AI
- 客户端 AI：在移动/桌面端集成轻量级模型（如 ONNX Runtime）进行本地推理。
- 服务端 AI：在 Ktor 服务中集成 OpenAI、Anthropic 或本地部署的大模型 API。
- 共享 AI 逻辑：使用 KMP 定义 AI 工具（Tools）的接口和数据结构。
3.3 实战：构建一个智能任务管理 Agent
- 需求：用户用自然语言描述任务，Agent 自动分类、设定优先级、分解子任务。
- 架构：
  1. 客户端（KMP）收集用户输入。
  2. 服务端（Ktor + AI SDK）运行 Agent，调用工具（查询数据库、发送通知）。
  3. 共享模块定义任务模型、工具协议。
- 代码示例：展示关键共享数据类和服务端 Agent 循环的 Kotlin 代码片段。

4.1 全栈监控与可观测性
- 使用 Kotlin 跨平台日志库（如 Napier）。
- 集成 OpenTelemetry 进行分布式追踪。
- 错误上报与性能监控（客户端 + 服务端）。
4.2 安全与合规考量
- API 密钥与敏感信息管理。
- AI 使用的伦理与数据隐私（GDPR）。
4.3 挑战与最佳实践
- 共享代码的"通用性"与"平台特异性"平衡。
- 依赖管理复杂度控制。
- 团队协作与知识结构要求。
4.4 未来展望
- KMP 与 WebAssembly (Wasm) 的结合。
- 边缘计算场景下的 KMP AI Agent。
- 对 Kotlin 全栈开发生态的展望。