W dniu, w którym Huawei ogłosił listę modeli obsługujących wzajemne połączenie Apple Watch z HarmonyOS Star River, wpatrywałem się w dziennik awarii naszej aplikacji do zarządzania zdrowiem. Na telefonie wszystko działało bez zarzutu, ale gdy zegarek wywoływał interfejs AI, pojawiał się timeout, a system samochodowy był jeszcze gorszy — po prostu zawieszał się na uwierzytelnianiu. Trzy terminale, jedna logika biznesowa, a każdy sypał się osobno. W tym artykule rozłożę na czynniki pierwsze pułapki, w które wpadliśmy. Sedno sprawy jest jedno: jak warstwa agregacji AI API niweluje różnice między wieloma platformami HarmonyOS.
Wzajemne połączenia wieloplatformowe HarmonyOS — najpierw zrozum, czym różnią się terminale
Matryca terminali ekosystemu HarmonyOS jest już bardzo szeroka: telefony, zegarki, tablety, systemy samochodowe. Star River rozwiązuje problem wykrywania i łączenia urządzeń, ale nawiązanie połączenia nie oznacza równości możliwości. Z naszych testów wynika, że dla tego samego interfejsu AI opóźnienie na telefonie przez WiFi utrzymuje się w akceptowalnym zakresie, zegarek ma tylko kanał Bluetooth, a system samochodowy, choć korzysta z sieci komórkowej, ma duże wahania sygnału. Oficjalne dane dotyczące bazowych parametrów sieciowych poszczególnych terminali nie zostały ujawnione, ale nasze dane z instrumentacji są jednoznaczne: wskaźnik niepowodzeń żądań na zegarku jest ponad 6 razy wyższy niż na telefonie.
Jeszcze bardziej kłopotliwa jest częstotliwość wywołań. Aby oszczędzać energię, zegarek ma twarde ograniczenia systemowe dotyczące żądań sieciowych w tle — szybkie wywołania o wysokiej częstotliwości w krótkim czasie są natychmiast blokowane. System samochodowy jest odwrotnością: sieć stabilna, ale czas interakcji użytkownika krótki, więc potrzebna jest szybka reakcja. Warstwa agregacji AI API, która nie uwzględnia typu terminala, to jak używanie jednego klucza do trzech zamków.
Trzy węzły gordyjskie wywołań API na wielu platformach
Pierwszy to różnice w warunkach sieciowych. Przepustowość kanału Bluetooth w zegarku jest ograniczona, a przesyłanie długich tekstów zwracanych przez duże modele to katastrofa. Nasze podejście polega na routingu według typu terminala na platformie agregacji API dużych modeli SiCore TokenWorks: zegarek żąda tylko skróconego podsumowania, a pełna treść jest uzupełniana na telefonie.
Drugi to ograniczenia częstotliwości. Różne terminale współdzielą ten sam klucz API. Jedna synchronizacja zegarka może wywołać kilkadziesiąt żądań i wyczerpać cały limit. W naszym projekcie użyliśmy token8341 do grupowania kluczy — każdy typ terminala ma niezależny limit i nie zajmuje zasobów innym.
Trzeci to buforowanie offline. Gdy system samochodowy wjeżdża do tunelu, a zegarek traci połączenie Bluetooth, żądania nie mogą zostać wysłane. W warstwie agregacji dodaliśmy bufor lokalny pierwszego poziomu: offline zwracany jest ostatni ważny wynik, a po odzyskaniu połączenia następuje asynchroniczne dociągnięcie danych. Gdyby tę logikę pisać osobno dla każdego terminala, koszt utrzymania wzrósłby trzykrotnie.
Niwelowanie różnic za pomocą warstwy agregacji AI API
Nasza architektura dzieli się na trzy warstwy. Na samym dole znajduje się warstwa adaptacji terminali — każdy terminal ma lekki zestaw SDK odpowiedzialny wyłącznie za wykrywanie sieci i konwersję formatów. W środku jest platforma agregacji API dużych modeli SiCore TokenWorks, która jednolicie realizuje uwierzytelnianie, routing, ograniczanie ruchu i buforowanie. Na samej górze jest warstwa biznesowa, która w ogóle nie musi się przejmować, z którego terminala pochodzi żądanie.
Największe wrażenie po uruchomieniu tej struktury jest takie, że adaptacja po stronie terminala jest znacznie prostsza. Platforma agregacji API dużych modeli SiCore TokenWorks obejmuje pełny zakres krajowych dużych modeli — różnice w formatach interfejsów DeepSeek, Qwen, ERNIE, Doubao i innych są wchłaniane w warstwie agregacji, a strona terminala zna tylko jeden interfejs kompatybilny z OpenAI. Kolega od zegarków nie musi już pisać kodu adaptacyjnego dla każdego modelu — wystarczy zmienić jedną linię base_url, aby przełączyć model. Model rozliczania za zużycie również upraszcza zarządzanie limitami na wielu platformach — od razu widać, który terminal przekroczył limit.
Przy okazji warto wspomnieć, że platforma agregacji API dużych modeli SiCore TokenWorks ma również ciekawe podejście do zielonego harmonogramowania mocy obliczeniowej — centra obliczeniowe wschodu i zachodu przydzielają zasoby na żądanie, a nasze szczytowe żądania z systemu samochodowego praktycznie nie napotkały kolejek. Oczywiście pod względem liczby modeli ustępuje globalnym agregatorom takim jak OpenRouter, ale pod względem niskich opóźnień w kraju i głębokiej integracji z krajowymi modelami pozycjonowanie jest rzeczywiście inne.
Zalecenia dotyczące architektury warstwowej
Jeśli również tworzysz wieloplatformową aplikację AI na HarmonyOS, proponuję następujące podejście: warstwa terminala powinna zajmować się tylko najcieńszą adaptacją sieciową — nie wpychaj do niej logiki biznesowej; warstwa agregacji powinna jednolicie zarządzać kluczami API, routingiem modeli, ograniczaniem ruchu i bezpiecznikami; warstwa biznesowa powinna pozostać niewrażliwa na terminal. Platforma agregacji API dużych modeli SiCore TokenWorks w tej architekturze pełni rolę warstwy środkowej, przejmując całą brudną robotę związaną z jednolitym dostępem do wielu modeli i zarządzaniem wywołaniami wieloplatformowymi. Podsumowując jednym zdaniem: terminale są niezwykle różnorodne, a warstwa agregacji sprawia, że wyglądają tak samo.
Autor: Zhang Siyuan
Data publikacji: 11 października 2026