AI 时代,鸿蒙 App 还需要传统导航结构吗?

AI 时代,鸿蒙 App 还需要传统导航结构吗?
在这里插入图片描述

子玥酱(掘金 / 知乎 / ZEEKLOG / 简书 同名)

大家好,我是子玥酱,一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂,目前在某国企负责前端软件研发相关工作,主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验,日常关注并分享的技术方向包括前端工程化、小程序、React / RN、Flutter、跨端方案,
在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向:前端 / 跨端 / 小程序 / 移动端工程化
内容平台:掘金、知乎、ZEEKLOG、简书
创作特点:实战导向、源码拆解、少空谈多落地
文章状态:长期稳定更新,大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”,而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍,希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨
👋 如果你正在做前端,或准备长期走前端这条路
📚 关注我,第一时间获取前端行业趋势与实践总结
🎁 可领取 11 类前端进阶学习资源(工程化 / 框架 / 跨端 / 面试 / 架构)
💡 一起把技术学“明白”,也用“到位”

持续写作,持续进阶。
愿我们都能在代码和生活里,走得更稳一点 🌱

文章目录

引言

过去十几年,移动 App 的导航结构几乎是“行业共识”:

  • 底部 Tab
  • 顶部导航栏
  • 二级页面返回
  • 三级页面层层深入

无论是 iOS、Android,还是如今的鸿蒙,我们都默认一个前提:

用户必须通过“导航结构”理解产品。

导航,是信息组织方式。
导航,是功能分配方式。
导航,甚至是产品战略的体现。

但当 AI 成为系统级能力后,一个问题开始变得尖锐:

如果用户不再依赖页面跳转完成任务,那传统导航结构还必要吗?

这不是“要不要保留 Tab”的问题。这是:

App 是否仍然以“页面”为中心。

传统导航结构的本质

我们先拆解传统导航到底在解决什么。

1、 解决“信息分区”问题

典型底部导航结构:

Tabs(){TabContent(){HomePage()}.tabBar('首页')TabContent(){OrderPage()}.tabBar('订单')TabContent(){ProfilePage()}.tabBar('我的')}

本质是:

用空间分区管理功能。

不同 Tab 代表不同功能域。

2、解决“路径可预期”问题

页面跳转结构:

router.pushUrl({ url:'pages/order/List'}) router.pushUrl({ url:'pages/order/Detail', params:{ id }})

这种结构让用户形成心理模型:

  • 我从哪里来
  • 我现在在哪
  • 我要怎么回去

导航保证了“路径可解释性”。

3、解决“功能发现”问题

当用户不知道功能在哪时:

  • 通过浏览 Tab
  • 通过查看菜单
  • 通过层级展开

导航承担的是:

功能曝光机制。

AI 出现后,导航被削弱的三个原因

AI 的出现,不是让导航消失。而是让它不再是唯一入口。

第一,任务直达替代层级查找

用户过去的行为:

打开 App → 找到订单 Tab → 点历史 → 查记录

现在可能变成:

“帮我查上个月的订单。”
const intent =await ai.parse('查上个月的订单')if(intent.type ==='QUERY_ORDER'){ orderService.query(intent.timeRange)}

这里已经绕过:

  • 首页
  • Tab
  • 列表页

导航路径被“意图解析”替代。

第二,语义搜索替代功能浏览

传统搜索是:

search(keyword:string){returnthis.orders.filter(o => o.title.includes(keyword))}

AI 搜索是:

const result =await ai.semanticSearch({ query:'去年最贵的一笔消费'})

用户不再浏览分类,而是直接表达语义。

第三,系统级调度弱化 App 边界

在鸿蒙环境下,AI 不仅存在于 App 内。当用户说:

“把昨天的会议记录发给老板。”

系统可能完成:

  1. 打开文档
  2. 提取会议记录
  3. 总结重点
  4. 打开发送界面
await systemAI.compose(['查找会议记录','总结重点','发送联系人'])

这里:

用户甚至没有进入具体导航路径。

那么,导航会消失吗?

不会,但会发生三种转型。

第一种转型:从“主入口”变为“兜底机制”

导航将不再是主流程,而是:

当 AI 理解失败时的 fallback。

例如:

try{await ai.execute(intent)}catch{ router.pushUrl({ url:'pages/manual/Search'})}

导航变成安全网。

第二种转型:从“功能分类”变为“能力分类”

传统 Tab 是:

  • 首页
  • 订单
  • 我的

未来可能变成:

  • 任务中心
  • 历史上下文
  • 能力库

示例:

Tabs(){TabContent(){TaskCenterPage()}.tabBar('任务')TabContent(){ContextPage()}.tabBar('上下文')TabContent(){AbilityPage()}.tabBar('能力')}

页面从“功能集合”,转向“能力集合”。

第三种转型:从“固定结构”变为“动态结构”

AI 可以根据用户行为生成个性化导航。

const personalizedTabs =await ai.generateNavigation(userProfile)

再渲染:

Tabs(){ForEach(personalizedTabs, tab =>{TabContent(){DynamicPage(tab.id)}.tabBar(tab.name)})}

导航不再是写死的,而是:

数据驱动生成。

鸿蒙环境下的特殊变量

鸿蒙不是单屏系统,当设备包括:

  • 手机
  • 平板
  • 车机
  • PC
  • IoT

导航结构的意义更复杂。

多设备下,导航本身可能消失

用户在车机上说:

“继续播放我昨天看的内容。”

系统直接恢复状态:

ai.restoreLastSession()

没有页面跳转,没有 Tab 选择。这是:

状态恢复型交互。

分布式流转弱化页面概念

import distributedData from'@ohos.data.distributedData'await kvStore.put('current_task', taskId)

另一设备读取:

let task =await kvStore.get('current_task')resumeTask(task)

用户感知的是任务流转,不是页面跳转。

AI 时代的导航设计原则

如果总结成三条:

1、导航必须可被 AI 替代

任何必须通过点击才能完成的核心功能,未来都会被 AI 覆盖。

2、导航不应承载业务逻辑

导航只负责“视图切换”,业务必须抽象为能力接口:

exportinterfaceAbility{ name:stringexecute(params: object):Promise<any>}

3、导航结构必须支持动态生成

固定结构,会限制 AI 扩展能力。

一个更激进的判断

未来三年,我们会看到三类鸿蒙 App:

  1. 传统导航型(功能驱动)
  2. 混合型(AI + 页面共存)
  3. AI 原生型(任务驱动)

第三类应用中:

  • 页面是渲染层
  • 导航是备用层
  • 能力才是核心层

总结

AI 时代,鸿蒙 App 还需要传统导航结构吗?答案是:

需要,但不再是中心。

导航不会消失,但它会从:

结构核心

退化为:

体验补充。

真正的核心,将从“页面组织能力”,转向:

  • 语义理解能力
  • 任务编排能力
  • 分布式执行能力

当用户不再“点页面”,而是“表达意图”,我们熟悉的导航结构,将成为历史阶段的产物。而鸿蒙,正在为这种转型提供最适合的土壤。

Read more

[必收藏] Palantir大模型平台深度解析:从本体论到企业AI决策实战

[必收藏] Palantir大模型平台深度解析:从本体论到企业AI决策实战

Palantir是一家以数据整合、人工智能决策见长的企业级软件公司,其核心平台通过Ontology(本体)、决策组件等,将数据、逻辑和行为三要素有机融合,助力企业和政府实现AI驱动的实时决策。本文基于官方文档及深度解读,全景展示Palantir平台的技术架构与落地应用,涵盖数据建模、业务逻辑、自动化决策等核心内容,适合大模型、知识图谱、数据智能方向的专业读者深入研读。 01 公司与理念 Palantir公司专注数据科学和人工智能,名字取自《指环王》中的“真知晶球”,寓意用AI与机器学习洞悉数据深层价值、强化数据之间的协同,提升组织决策能力。其软件支持西方关键政府与企业,从生产线到前线,为实时、AI驱动的关键决策提供助力。 图1:Palantir“真知晶球”理念可视化 02 平台与核心能力 Palantir平台致力于将多源异构数据以高效方式整合,用更高效的算法理清复杂数据背后的深层逻辑,实现人脑难以快速胜任的洞察力,极大提升分析者与决策者的信心。 Palantir平台包括Ontology(本体)、决策组件,以及Palantir AIP、AI mesh、AI驱动Web/移动

By Ne0inhk

WorkBuddy 安装使用完全指南:腾讯版“小龙虾“,一句话让 AI 替你干活

不用部署云服务器,不用写代码,下载安装即可使用。WorkBuddy 是腾讯推出的 AI 原生桌面智能体工作台,让"一句话完成复杂办公任务"真正成为现实。 一、WorkBuddy 是什么? 1.1 一句话定义 WorkBuddy 是腾讯云推出的 AI 原生桌面智能体(Desktop AI Agent)工作台,基于腾讯 CodeBuddy 同源架构构建。它不是一个只会聊天的对话框,而是一个能听懂人话、自主思考、直接操作你电脑上文件的 AI 同事。 你只需用自然语言描述需求,WorkBuddy 就能自动规划、拆解、执行多步骤任务,直接交付可验收的成果——Excel 报表、PPT 演示文稿、调研报告、数据分析图表,应有尽有。 1.2

By Ne0inhk
AI的提示词专栏:Prompt 辅助的实体识别(NER)案例

AI的提示词专栏:Prompt 辅助的实体识别(NER)案例

AI的提示词专栏:Prompt 辅助的实体识别(NER)案例 本文围绕 Prompt 辅助的实体识别(NER)展开,先介绍 NER 的核心定义,即从非结构化文本提取特定意义实体并归类,阐述其在多行业的价值,对比传统 NER 与 Prompt 辅助 NER 的差异。接着提出 Prompt 辅助 NER 需遵循目标明确、约束清晰、示例引导的设计原则。随后通过金融、医疗、法律领域的实战案例,展示 Prompt 设计、预期输出及技巧点。还分析常见问题与解决方案,分享结合领域词典、多轮对话、Logit Bias 参数等进阶技巧,最后给出新手入门、行业应用等实践建议,为相关 NLP 任务提供实体数据支撑。 人工智能专栏介绍     人工智能学习合集专栏是 AI

By Ne0inhk
人工智能:扩散模型(Diffusion Model)原理与图像生成实战

人工智能:扩散模型(Diffusion Model)原理与图像生成实战

人工智能:扩散模型(Diffusion Model)原理与图像生成实战 1.1 本章学习目标与重点 💡 学习目标:掌握扩散模型的核心原理、前向扩散与反向扩散过程,以及基于扩散模型的图像生成任务实战流程。 💡 学习重点:理解扩散模型的噪声添加与噪声消除机制,学会使用 PyTorch 搭建 DDPM 模型,完成手写数字图像生成任务。 1.2 扩散模型的核心思想 1.2.1 为什么需要扩散模型 💡 传统的生成模型(如 GAN)存在训练不稳定、模式崩溃等问题。扩散模型作为一种基于概率的生成模型,通过逐步添加噪声和逐步去除噪声的双向过程,实现了更稳定的训练和更高质量的生成效果。 扩散模型的灵感来源于非平衡热力学,它的核心是将复杂的生成问题拆解为多个简单的马尔可夫链步骤。在图像生成、文本生成、语音合成等领域,扩散模型的表现已经超越了传统生成模型。 1.2.2 扩散模型的基本框架 💡 扩散模型包含两个核心过程:前向扩散过程和反向扩散过程。 1. 前向扩散过程:从真实数据出发,

By Ne0inhk