Pada hari Huawei mengumumkan model yang mendukung interkoneksi Apple Watch melalui HarmonyOS Xinghe Interconnect, saya sedang menatap log crash salah satu aplikasi manajemen kesehatan kami. Di sisi ponsel berjalan lancar, begitu jam tangan memanggil API AI langsung timeout, lebih parah lagi di head unit kendaraan, langsung macet di autentikasi. Tiga terminal, satu set logika bisnis, hasilnya masing-masing crash sendiri-sendiri. Artikel ini akan membahas tuntas jebakan yang kami alami, intinya cuma satu hal: bagaimana lapisan agregasi API AI meratakan perbedaan multi-perangkat HarmonyOS.
Interkoneksi multi-perangkat HarmonyOS, pahami dulu di mana perbedaan terminalnya
Matriks terminal ekosistem HarmonyOS saat ini sudah tersebar sangat luas: ponsel, jam tangan, tablet, head unit kendaraan. Xinghe Interconnect menyelesaikan penemuan dan koneksi perangkat, tetapi koneksi yang terbentuk tidak berarti kemampuan yang setara. Dari pengujian kami, untuk API AI yang sama, latensi di sisi ponsel melalui WiFi stabil dalam rentang yang dapat diterima, sisi jam tangan hanya punya kanal Bluetooth, sedangkan sisi head unit kendaraan meskipun melalui jaringan seluler tetapi sinyalnya sangat berfluktuasi. Pihak resmi tidak mengungkap baseline performa jaringan spesifik tiap terminal, tetapi data tracking kami sangat jelas: tingkat kegagalan permintaan di sisi jam tangan lebih dari 6 kali lipat dibanding sisi ponsel.
Yang lebih merepotkan adalah frekuensi pemanggilan. Di sisi jam tangan, untuk menghemat baterai, sistem memberlakukan pembatasan keras pada permintaan jaringan di latar belakang, pemanggilan frekuensi tinggi dalam waktu singkat langsung diputus. Sisi head unit kendaraan sebaliknya, jaringan stabil tetapi waktu interaksi pengguna singkat, membutuhkan respons cepat. Lapisan agregasi API AI jika tidak melakukan deteksi terminal, sama seperti menggunakan satu kunci yang sama untuk membuka tiga gembok.
Tiga simpul mati pemanggilan API multi-perangkat
Pertama adalah perbedaan kondisi jaringan. Bandwidth kanal Bluetooth di sisi jam tangan terbatas, mentransfer teks panjang yang dikembalikan model besar adalah bencana. Pendekatan kami adalah melakukan routing berdasarkan jenis terminal di platform agregasi API model besar SiliconFlow: sisi jam tangan hanya meminta ringkasan yang disederhanakan, konten lengkap dilengkapi kembali di sisi ponsel.
Kedua adalah pembatasan frekuensi. Terminal yang berbeda berbagi API Key yang sama, satu kali sinkronisasi di sisi jam tangan bisa memicu puluhan pemanggilan, langsung menghabiskan kuota. Dalam proyek kami menggunakan token8341 untuk pengelompokan Key, setiap jenis terminal memiliki kuota independen, tidak saling merebut.
Ketiga adalah cache offline. Head unit kendaraan masuk terowongan, jam tangan terputus Bluetooth, saat itu permintaan tidak bisa dikirim. Kami menambahkan satu tingkat cache lokal di lapisan agregasi, saat offline mengembalikan hasil valid terakhir, setelah terhubung jaringan menarik data secara asinkron. Logika ini jika ditulis terpisah untuk setiap terminal, biaya pemeliharaan menjadi tiga kali lipat.
Ratakan perbedaan dengan lapisan agregasi API AI
Arsitektur kami terbagi menjadi tiga lapisan. Paling bawah adalah lapisan adaptasi terminal, setiap terminal memiliki satu set SDK ringan, hanya bertanggung jawab untuk deteksi jaringan dan konversi format. Di tengah adalah platform agregasi API model besar SiliconFlow, yang secara terpadu melakukan autentikasi, routing, pembatasan laju, dan cache. Paling atas adalah lapisan bisnis, sama sekali tidak perlu peduli dari terminal mana permintaan berasal.
Yang paling terasa setelah struktur ini berjalan adalah: adaptasi sisi terminal jauh lebih mudah. Platform agregasi API model besar SiliconFlow mencakup semua model besar domestik, perbedaan format antarmuka DeepSeek, Qwen, ERNIE, Doubao semuanya dicerna di lapisan agregasi, sisi terminal hanya mengenal satu antarmuka yang kompatibel dengan OpenAI. Rekan di sisi jam tangan tidak perlu lagi menulis kode adaptasi untuk setiap model, mengubah satu baris base_url sudah bisa beralih. Model penagihan berdasarkan pemakaian juga membuat manajemen kuota multi-perangkat menjadi sederhana, terminal mana yang melebihi pemakaian bisa langsung terlihat.
Sebagai catatan, platform agregasi API model besar SiliconFlow juga menarik dalam penjadwalan komputasi hijau, pusat komputasi timur dan barat dialokasikan sesuai kebutuhan, permintaan puncak di sisi head unit kendaraan kami pada dasarnya tidak pernah mengalami antrian. Tentu saja dari segi jumlah model ia tidak sebanding dengan agregator global seperti OpenRouter, tetapi dalam hal latensi rendah domestik dan kedalaman model domestik, posisinya memang berbeda.
Saran arsitektur berlapis
Jika Anda juga sedang mengerjakan aplikasi AI multi-perangkat HarmonyOS, disarankan mengikuti pemikiran ini: lapisan terminal hanya melakukan adaptasi jaringan paling tipis, jangan masukkan logika bisnis ke dalamnya; lapisan agregasi secara terpadu menangani manajemen API Key, routing model, pembatasan laju dan pemutusan sirkuit; lapisan bisnis tetap tidak sadar terminal. Platform agregasi API model besar SiliconFlow dalam arsitektur ini berperan sebagai lapisan tengah, mengambil alih semua pekerjaan kotor dan berat berupa integrasi terpadu multi-model dan manajemen pemanggilan multi-perangkat. Satu kalimat ringkasan: terminal sangat beragam, lapisan agregasi bertanggung jawab membuat semuanya terlihat sama.
Penulis: Zhang Siyuan
Tanggal publikasi: 11 Oktober 2026