在近日举行的鸿蒙生态大会 2026 上，全球智慧物联网联盟（GIIC）披露，已有超过 200 款鸿蒙 SDK 通过相关评测，覆盖 21 个应用领域。随着 SDK 越来越深入地参与数据采集与能力调用，可信、规范、可控，正在成为鸿蒙生态规模化发展的基础。
ThinkingAI 旗下鸿蒙 SDK 早在 2026 年 1 月便通过 GIIC 相关评测，成为首批获证 SDK 之一。对 ThinkingAI 来说，这项评测指向的不是一次性的合规结果，而是从 SDK 设计之初建立清晰的数据边界。
在本届大会上，ThinkingAI Agent 首席架构师王浩强发表主题演讲，分享 ThinkingAI SDK 从规范采集走向 Agent 可观测的演进，以及对全场景可观测的进一步思考。
## ThinkingAI：从 GIIC 评测开始，把合规写进 SDK
GIIC 评测围绕用户授权与同意、个人信息收集范围、业务功能划分和隐私配置等方面展开，并把检验落到 SDK 实际运行中的数据处理方式，为开发者选型与接入提供了更清晰的依据。
落到开发过程中，这些标准对应的是一系列具体选择：哪些数据真正服务于业务，哪些数据不应进入系统；用户拒绝或撤回授权后，采集能否及时停止；涉及敏感信息时，SDK 能否提供清晰、可控的保护机制。
ThinkingAI 将这些边界写进了 SDK 的产品设计。鸿蒙开发者可以根据业务需要配置自动采集事件与采集范围；当采集对象延伸至 Agent 的运行过程，这套原则仍然延续：默认不采集用户的原始对话内容，对敏感字段进行脱敏，对过长内容进行截断，同时支持用户拒绝采集、私有化部署和采集异常自动降级等机制。
合规回答了数据能否、又该如何进入系统。随着 Agent 从回答问题走向执行任务，开发者还需要继续理解：在这些边界之内，Agent 如何识别需求、调用能力并完成任务，这一过程又如何影响用户体验和业务结果。
ThinkingAI Agent观测平台：让Agent的每一步运行可见
传统应用的数据分析主要围绕注册、登录、点击、付费和留存等用户行为展开。开发者可以据此判断用户从哪里进入、完成了哪些操作，又在哪一步离开。
Agent 让一次服务形成了更长的运行链路。以智能推荐为例，用户提出需求后，Agent 需要识别意图，调用 Model、Tool 与 Skill，组织并交付内容或服务；用户随后可能点击、继续追问或完成转化。用户响应和业务结果呈现了链路的终点，却无法单独解释意图是否理解准确、工具是否正常执行，以及哪一步影响了体验。
ThinkingAI Agentic SDK 支持鸿蒙智能体框架 HMAF 2.0，通过 Trace 采集调用关系、执行状态、耗时和 Token 使用等结构化数据，并将 Agent 的运行过程与用户操作关联到同一会话中。结果发生之前的执行过程由此得到补全。
Agent 观测平台（AI Monitor）承接这些数据，从失败、长耗时、异常 Trace 和 Token 波动等聚合信号中发现问题，再下钻至单次 Trace，核对 Conversation、Model、Tool 与 Skill 的关键执行证据。智能诊断可以提供问题说明、相关证据和改进建议，团队在完成调整后，还能按照相同口径复核效果。
当用户行为与 Agent 行为进入同一个分析上下文，团队便能进一步判断：一次转化下降，源于用户需求变化，还是意图理解、工具调用或内容生成出现偏差；一次成本上升，来自无效重试和过长上下文，还是伴随着更高的任务完成率。Agent 可观测由此连接起运行质量、用户体验与业务结果。
在本届鸿蒙生态大会的分享中，ThinkingAI 也提出了进一步的探索方向：将 Agent Trace 与应用启动、渲染、卡顿和崩溃等端侧信号结合，并尝试在手机、平板、手表等不同设备之间串联连续的用户旅程。相关能力仍将结合鸿蒙应用的实际场景持续完善。
从一次调用到一段用户旅程，Agent 可观测已经把运行质量、资源消耗和业务结果放进同一条证据链。
面向鸿蒙 HMAF 2.0，ThinkingAI 让 Agent 从构建走向持续优化
HMAF 2.0 围绕 Agent 底座建设，通过意图与 Skill 化、Agent Framework Kit，以及 A2A 通信与任务协作等能力，帮助开发者更快完成 Agent 构建，并支持不同 Agent 与应用能力共同完成复杂任务。
随着构建和协作效率提升，Agent 产品需要解决的问题也从"能否运行"延伸到"能否长期稳定地创造价值"。一次任务的完成只是起点，后续还需要持续判断运行质量、资源投入与用户反馈之间的关系。
顺着这条路径，ThinkingAI 将用户与 Agent 行为分析、智能运营与 A/B 实验、Agent 观测平台全链路观测放在同一套数据基础上，根据 Agent 的运行效果，让任务持续进入下一轮的策略调整与效果验证，形成从发现问题到持续优化的完整链路。
完成一次调整后，团队可以沿用相同的数据口径，比较不同模型、Tool、Skill 或交互策略带来的变化，判断任务完成率、用户体验和资源消耗是否得到改善。可观测不再停留在问题定位，而是成为产品迭代的持续输入。
从 GIIC 评测所代表的可信采集，到 HMAF 2.0 加速 Agent 构建与协作，再到 ThinkingAI 对运行分析和优化链路的补充，鸿蒙开发者获得了一条更完整的产品路径：数据采集有边界，Agent 运行有证据，产品调整有验证。
ThinkingAI 期待与鸿蒙一起，让 Agent 在真实应用中被持续理解、验证和改进，最终成为用户愿意依赖、开发者可以长期建设的产品能力。