三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

HarmonyOS 应用开发《掌上英语》第86篇： 离线单词推荐与例句生成

发布时间：2026/8/5 7:05:23 三亩地 编程学习日记
HarmonyOS 应用开发《掌上英语》第86篇： 离线单词推荐与例句生成

离线单词推荐与例句生成

一、引言

HarmonyOS 7.0 支持盘古大模型在端侧离线运行。这意味着文生图、翻译、文本生成等 AI 任务不再需要联网上传云端，直接在本地设备上即可完成。对于英语学习 App 而言，这是一项极具价值的能力——用户在地铁、飞机等无网络环境下，仍然可以获得智能化的学习体验。

本文将从端侧大模型的部署与加载机制入手，分析离线推理的输入输出规范和性能表现，并详细展示三个落地场景：离线单词推荐、离线例句生成和网络状态自适应切换。

二、端侧大模型部署与加载

2.1 模型包下载与管理

端侧模型以 HAR 包或独立资源包的形式提供。应用首次启动时下载量化模型包：

import{modelManager}from'@kit.AIKit';exportclassOfflineModelManager{privatestaticreadonlyMODEL_VERSION='pangu_7b_quant_v1';privatestaticreadonlyMODEL_SIZE_MB=350;privatedownloadProgress:number=0;privatemodelInstance:modelManager.ModelInstance|null=null;publicasyncinitialize():Promise<void>{constinstalled=awaitmodelManager.isModelInstalled(OfflineModelManager.MODEL_VERSION);if(!installed){awaitthis.downloadModel();}this.modelInstance=awaitmodelManager.loadModel(OfflineModelManager.MODEL_VERSION);}privateasyncdownloadModel():Promise<void>{try{awaitmodelManager.downloadModel(OfflineModelManager.MODEL_VERSION,(progress:number)=>{this.downloadProgress=progress;Logger.info(TAG,`Model download:${progress}%`);});}catch(error){Logger.error(TAG,'Model download failed',error);// 降级：仅使用在线模式}}}

量化模型包约 350MB（相比原始 7B 模型的 14GB 大幅压缩）。建议在 Wi-Fi 环境下载，并提供下载进度提示。

2.2 模型加载与内存管理

端侧模型加载后会占用约 500MB 内存（模型权重 + 运行时缓冲区）。应用需要合理管理模型的生命周期：

exportclassModelLifecycleManager{privatemodelRefCount:number=0;publicasyncacquireModel():Promise<modelManager.ModelInstance>{if(!this.modelInstance){this.modelInstance=awaitmodelManager.loadModel(OfflineModelManager.MODEL_VERSION,{memoryOptimization:'balanced'});}this.modelRefCount++;returnthis.modelInstance;}publicreleaseModel():void{this.modelRefCount--;if(this.modelRefCount<=0){// 无使用者时卸载模型，释放内存modelManager.unloadModel(this.modelInstance!);this.modelInstance=null;}}}

采用引用计数管理模型的加载和卸载。当没有页面使用 AI 功能时（如用户进入生词本浏览模式），模型被卸载释放内存。返回 AI 页面时重新加载。

三、离线推理输入输出格式

3.1 推理接口定义

端侧模型的推理接口采用统一的 Prompt-Response 格式：

interfaceModelInput{prompt:string;// 输入提示词maxTokens:number;// 最大生成长度temperature:number;// 生成温度（0.0-1.0）topP:number;// 核采样参数systemPrompt?:string;// 系统级提示词}interfaceModelOutput{text:string;// 生成的文本tokensUsed:number;// 消耗的 Token 数inferenceTimeMs:number;// 推理耗时}

3.2 例句生成 Prompt 设计

离线模型的效果高度依赖 Prompt 设计。我们为例句生成设计了专门的 Prompt：

constEXAMPLE_PROMPT_TEMPLATE=`你是一名英语学习助手。请为单词 "{word}"（释义：{meaning}）生成三个英语例句。 要求： 1. 例句难度适合 {level} 级别的学习者 2. 每个例句附带中文翻译 3. 例句中使用下划线标注该单词 4. 例句应场景化、实用化，避免生硬的教科书句式 请按以下格式返回： 1. 英文例句1（中文翻译1） 2. 英文例句2（中文翻译2） 3. 英文例句3（中文翻译3）`;

对于离线模型，Prompt 越结构化、格式越明确，输出的质量越高。

四、模型量化与精度平衡

7B 模型经过 INT4 量化后体积从 14GB 压缩到 350MB（约 40 倍压缩），但精度必然有所损失。我们在离线推理和在线推理之间做了一个精度与速度的取舍：

维度在线云端模型离线端侧模型（INT4）
模型大小~14GB（云端）~350MB（本地）
推理延迟500-2000ms（含网络）200-800ms
例句质量优秀良好（可接受）
推荐准确率92%85%
是否需联网是否

对于单词推荐场景，85% 的准确率已经足够——推荐 10 个词中有 8-9 个是合理的。用户如果对推荐不满意，可以手动刷新或切换单词。

五、端侧推理功耗控制

端侧推理的主要挑战是功耗。7B 模型即使在量化后，一次推理的功耗也相当于玩 10 分钟游戏。功耗控制策略：

exportclassPowerAwareInference{privatebatteryLevel:number=100;privateisCharging:boolean=true;// 根据电量调整推理参数publicgetInferenceConfig():ModelInput{constbaseConfig:ModelInput={prompt:'',maxTokens:150,temperature:0.7,topP:0.9};if(!this.isCharging&&this.batteryLevel<20){// 低电量非充电状态：降低质量以节省功耗return{...baseConfig,maxTokens:80,temperature:0.5};}elseif(!this.isCharging&&this.batteryLevel<50){// 中等电量：标准模式returnbaseConfig;}// 充电或高电量：满血模式return{...baseConfig,maxTokens:200,temperature:0.8};}}

六、项目落地：三大应用场景

6.1 离线单词推荐

基于已学单词和错题记录，推荐新的学习单词：

exportclassOfflineWordRecommender{publicasyncrecommendNewWords(learnedWords:WordCard[],wrongWords:WordCard[],count:number):Promise<WordCard[]>{constprompt=this.buildRecommendPrompt(learnedWords,wrongWords,count);constinput:ModelInput={prompt,maxTokens:200,temperature:0.8,systemPrompt:'你是一名英语学习规划师，根据学习者已掌握和易错的单词推荐新词。'};constoutput=awaitthis.inference(input);returnthis.parseRecommendResult(output.text);}privatebuildRecommendPrompt(learned:WordCard[],wrong:WordCard[],count:number):string{constlearnedWords=learned.map(w=>w.word).join('、');constwrongWords=wrong.map(w=>w.word).join('、');return`用户已学单词：${learnedWords}。易错单词：${wrongWords}。 请推荐${count}个新单词，要求： 1. 与已学单词难度相当 2. 与易错单词有拼写或含义关联（帮助巩固） 3. 每个推荐词用 "单词: 释义" 格式返回`;}}

6.2 离线例句生成

为每个单词生成个性化例句，替代静态的预置例句：

exportclassOfflineExampleGenerator{publicasyncgenerateExamples(word:string,meaning:string,level:'beginner'|'intermediate'|'advanced'):Promise<GeneratedExample[]>{constprompt=EXAMPLE_PROMPT_TEMPLATE.replace('{word}',word).replace('{meaning}',meaning).replace('{level}',level);constinput:ModelInput={prompt,maxTokens:300,temperature:0.7};try{constoutput=awaitmodelManager.inference(this.modelInstance!,input);returnthis.parseExamples(output.text);}catch(error){Logger.error(TAG,'Example generation failed',error);// 降级：返回预置例句returnthis.fallbackExamples[word]??[];}}}

生成结果在应用启动或打开词库时缓存到本地，避免重复生成。

6.3 网络状态自适应切换

核心逻辑：在线用云端大模型（质量更高），离线用端侧模型（可用性优先）：

exportclassAdaptiveAIService{privateofflineModel:OfflineModelManager;privatenetworkMonitor:NetworkMonitor;publicasyncgenerateExamples(word:string,meaning:string,level:string):Promise<GeneratedExample[]>{constisOnline=awaitthis.networkMonitor.isOnline();constnetworkQuality=awaitthis.networkMonitor.getQuality();if(isOnline&&networkQuality==='good'){// 在线模式：调用云端 APIreturnthis.cloudApi.generateExamples(word,meaning,level);}elseif(isOnline&&networkQuality==='poor'){// 弱网模式：尝试离线，若不可用再请求云端constlocalResult=awaitthis.offlineModel.generateExamples(word,meaning,level);if(localResult.length>0)returnlocalResult;returnthis.cloudApi.generateExamples(word,meaning,level);}else{// 离线模式：仅使用端侧模型returnthis.offlineModel.generateExamples(word,meaning,level);}}}

网络质量判断基于 Network Kit 的信号强度和延迟数据，而非简单的连通性检测。

七、最佳实践

  1. 首次启动预下载：在应用首次启动的引导页面提供模型下载选项，提前下载完成避免使用时等待
  2. 结果缓存：端侧推理的结果缓存到本地，相同请求直接返回缓存结果，减少重复推理
  3. 批处理：多个单词的例句生成合并为一个推理请求，减少模型加载次数
  4. 渐进式加载：模型加载过程耗时 2-5 秒，使用骨架屏或加载动画提供视觉反馈

八、总结

端侧盘古大模型让英语学习 App 的 AI 能力不再受限于网络环境。通过 INT4 量化将 7B 模型压缩至 350MB，配合引用计数管理模型生命周期和智能功耗控制，端侧推理实现了离线场景下的单词推荐和例句生成。配合网络状态自适应切换策略，应用在网络良好时使用云端获得最佳质量，离线时端侧模型兜底，确保用户在任何环境下都能获得智能化的学习体验。

编程学习 学习日记 实战经验
← 返回列表