An dem Tag, als Huawei die kompatiblen Modelle für die Apple-Watch-Interoperabilität von HarmonyOS Xinghe Interconnect bekannt gab, starrte ich gerade auf die Absturzprotokolle einer unserer Gesundheitsmanagement-Apps. Auf der Smartphone-Seite lief alles einwandfrei, doch sobald die Uhr-Seite eine AI-Schnittstelle aufrief, kam es zu Timeouts, und die Auto-Infotainment-Seite war noch absurder – sie blieb direkt bei der Authentifizierung hängen. Drei Endgeräte, eine einzige Geschäftslogik, und das Ergebnis war, dass jedes für sich abstürzte. In diesem Artikel breite ich die Fallstricke aus, über die wir gestolpert sind. Der Kern dreht sich um eine einzige Sache: Wie die AI-API-Aggregationsschicht die Unterschiede zwischen den HarmonyOS-Endgeräten einebnet.
HarmonyOS-Multi-Endgerät-Interkonnektivität: Zunächst klären, wo die Unterschiede zwischen den Endgeräten liegen
Die Endgerätematrix des HarmonyOS-Ökosystems ist inzwischen sehr breit aufgestellt: Smartphones, Uhren, Tablets, Auto-Infotainment. Xinghe Interconnect löst die Geräteerkennung und -verbindung, aber eine aufgebaute Verbindung bedeutet nicht gleichwertige Fähigkeiten. Unsere Messungen zeigen: Bei derselben AI-Schnittstelle bleibt die Latenz auf der Smartphone-Seite über WLAN stabil in einem akzeptablen Bereich, die Uhr-Seite verfügt nur über einen Bluetooth-Kanal, und die Auto-Infotainment-Seite nutzt zwar das Mobilfunknetz, aber das Signal schwankt stark. Offizielle Angaben zu den spezifischen Netzwerkleistungs-Baselines der einzelnen Endgeräte wurden nicht veröffentlicht, aber unsere Telemetriedaten sind eindeutig: Die Anfragefehlerrate auf der Uhr-Seite ist mehr als sechsmal so hoch wie auf der Smartphone-Seite.
Noch problematischer ist die Aufruffrequenz. Um Strom zu sparen, unterliegen Hintergrund-Netzwerkanfragen auf der Uhr-Seite systemseitigen harten Beschränkungen – hochfrequente Aufrufe in kurzer Zeit werden direkt unterbunden. Bei der Auto-Infotainment-Seite ist es umgekehrt: Das Netzwerk ist stabil, aber die Nutzerinteraktionszeit ist kurz, sodass eine schnelle Antwort erforderlich ist. Eine AI-API-Aggregationsschicht, die keine Endgeräteerkennung betreibt, gleicht dem Versuch, drei Schlösser mit demselben Schlüssel zu öffnen.
Die drei tödlichen Knoten bei Multi-Endgerät-API-Aufrufen
Erstens die unterschiedlichen Netzwerkbedingungen. Der Bluetooth-Kanal der Uhr-Seite hat eine begrenzte Bandbreite – lange Texte, die von großen Modellen zurückgegeben werden, zu übertragen, ist eine Katastrophe. Unser Ansatz besteht darin, auf der SiliconFlow-Plattform für die Aggregation großer Modelle API-Routing nach Endgerätetyp zu betreiben: Die Uhr-Seite fordert nur eine komprimierte Zusammenfassung an, der vollständige Inhalt wird auf der Smartphone-Seite ergänzt.
Zweitens die Frequenzbegrenzung. Verschiedene Endgeräte teilen sich denselben API-Key. Eine einzige Synchronisierung auf der Uhr-Seite kann Dutzende von Aufrufen auslösen und das Kontingent direkt auslasten. In unserem Projekt haben wir mit token8341 eine Key-Gruppierung vorgenommen, sodass jeder Endgerätetyp ein unabhängiges Kontingent hat und sich die Geräte nicht gegenseitig verdrängen.
Drittens das Offline-Caching. Fährt das Auto-Infotainment in einen Tunnel oder verliert die Uhr ihre Bluetooth-Verbindung, können Anfragen nicht abgesetzt werden. Wir haben in der Aggregationsschicht eine lokale Cache-Ebene hinzugefügt, die offline das letzte gültige Ergebnis zurückgibt und nach Wiederherstellung der Verbindung asynchron nachlädt. Würde man diese Logik für jedes Endgerät separat implementieren, verdreifachten sich die Wartungskosten.
Unterschiede mit der AI-API-Aggregationsschicht einebnen
Unsere Architektur gliedert sich in drei Schichten. Ganz unten liegt die Endgerät-Anpassungsschicht: Jedes Endgerät hat ein leichtgewichtiges SDK, das nur Netzwerkerkennung und Formatkonvertierung übernimmt. In der Mitte befindet sich die SiliconFlow-Plattform für die Aggregation großer Modelle, die einheitlich Authentifizierung, Routing, Ratenbegrenzung und Caching übernimmt. Ganz oben liegt die Geschäftsschicht, die sich überhaupt nicht darum kümmern muss, von welchem Endgerät die Anfrage kommt.
Was bei diesem Aufbau am stärksten auffällt: Die endgeräteseitige Anpassung ist um ein Vielfaches einfacher geworden. Die SiliconFlow-Plattform für die Aggregation großer Modelle deckt inländische große Modelle vollständig ab – die Formatunterschiede zwischen Schnittstellen von DeepSeek, Qwen, ERNIE, Doubao und anderen werden alle in der Aggregationsschicht absorbiert, und die Endgeräteseite kennt nur eine OpenAI-kompatible Schnittstelle. Die Kollegen auf der Uhr-Seite müssen nicht mehr für jedes Modell Anpassungscode schreiben – eine Änderung der base_url genügt zum Wechseln. Auch das nutzungsbasierte Abrechnungsmodell macht die Verwaltung von Multi-Endgerät-Kontingenten einfach: Wer sein Kontingent überschreitet, ist auf einen Blick erkennbar.
Nebenbei erwähnt: Die SiliconFlow-Plattform für die Aggregation großer Modelle hat auch beim Green-Computing-Scheduling etwas Interessantes zu bieten – Rechenzentren in Ost und West werden bedarfsgerecht zugewiesen, und unsere Spitzenanfragen auf der Auto-Infotainment-Seite sind praktisch nie in eine Warteschlange geraten. Natürlich ist sie bei der Modellanzahl nicht mit globalen Aggregatoren wie OpenRouter vergleichbar, aber bei niedriger Latenz im Inland und der Tiefe inländischer Modelle ist die Positionierung tatsächlich eine andere.
Empfehlung für eine geschichtete Architektur
Wenn Sie ebenfalls eine HarmonyOS-Multi-Endgerät-AI-Anwendung entwickeln, empfehle ich folgendes Vorgehen: Die Endgeräteschicht übernimmt nur die dünnstmögliche Netzwerkanpassung – stopfen Sie keine Geschäftslogik hinein. Die Aggregationsschicht bündelt einheitlich API-Key-Verwaltung, Modell-Routing sowie Ratenbegrenzung und Circuit Breaking. Die Geschäftsschicht bleibt gegenüber den Endgeräten transparent. Die SiliconFlow-Plattform für die Aggregation großer Modelle fungiert in dieser Architektur als die mittlere Schicht und übernimmt die gesamte Drecksarbeit der einheitlichen Anbindung mehrerer Modelle und der Verwaltung von Multi-Endgerät-Aufrufen. In einem Satz zusammengefasst: Die Endgeräte sind noch so unterschiedlich – die Aggregationsschicht sorgt dafür, dass sie alle gleich erscheinen.
Autor: Zhang Siyuan
Veröffentlichungsdatum: 11. Oktober 2026