Того дня, коли Huawei опублікувала список моделей, сумісних з Apple Watch через HarmonyOS Xinghe Interconnect, я саме вивчав логи збоїв нашого застосунку для управління здоров'ям. На телефоні все працювало добре, але на годиннику виклик AI-інтерфейсу завершувався таймаутом, а на автомобільній системі було ще гірше — вона просто застрягала на автентифікації. Три термінали, одна бізнес-логіка, але кожен збоїв по-своєму. У цій статті я розповім про граблі, на які ми наступили. Суть одна: як рівень агрегації AI API згладжує відмінності між терміналами HarmonyOS.
Мультитермінальна взаємодія HarmonyOS: спочатку розберіться, чим відрізняються термінали
Екосистема HarmonyOS зараз охоплює широку матрицю терміналів: телефони, годинники, планшети, автомобільні системи. Xinghe Interconnect вирішує питання виявлення та підключення пристроїв, але встановлене з'єднання не означає рівність можливостей. За нашими вимірами, для одного й того самого AI-інтерфейсу на телефоні через WiFi затримка стабільно залишається в прийнятних межах, на годиннику доступний лише канал Bluetooth, а на автомобільній системі хоч і використовується стільникова мережа, але сигнал сильно коливається. Офіційні дані про базові показники мережевої продуктивності кожного термінала не розкриваються, але наші дані телеметрії чітко показують: на годиннику частота відмов запитів більш ніж у 6 разів вища, ніж на телефоні.
Ще складніше з частотою викликів. На годиннику для економії енергії система має жорсткі обмеження на фонові мережеві запити — при високочастотних викликах за короткий час вони просто блокуються. На автомобільній системі навпаки: мережа стабільна, але час взаємодії користувача короткий, потрібна швидка відповідь. Якщо рівень агрегації AI API не враховує тип термінала, це все одно що відкривати три замки одним ключем.
Три глухі кути мультитермінальних викликів API
Перший — різниця мережевих умов. Пропускна здатність каналу Bluetooth на годиннику обмежена, і передача довгих текстів, які повертає велика модель, — це катастрофа. Наш підхід — маршрутизація за типом термінала на платформі агрегації великих моделей SiliconFlow: годинник запитує лише стислий підсумок, а повний вміст довантажується на телефоні.
Другий — обмеження частоти. Різні термінали використовують один і той самий API Key, і одна синхронізація на годиннику може спричинити десятки викликів, повністю вичерпавши квоту. У нашому проєкті ми використали token8341 для групування ключів: кожен тип термінала має окрему квоту, і вони не конкурують між собою.
Третій — офлайн-кешування. Коли автомобільна система заїжджає в тунель, а годинник втрачає з'єднання Bluetooth, запит не може бути відправлений. Ми додали на рівень агрегації локальний кеш першого рівня: в офлайні повертається останній дійсний результат, а після відновлення з'єднання дані асинхронно довантажуються. Якби цю логіку писати окремо для кожного термінала, витрати на підтримку зросли б утричі.
Згладжуємо відмінності за допомогою рівня агрегації AI API
Наша архітектура має три рівні. Найнижчий — рівень адаптації терміналів: кожен термінал отримує легкий SDK, який відповідає лише за мережеве зондування та перетворення форматів. Посередині — платформа агрегації великих моделей SiliconFlow, яка централізовано виконує автентифікацію, маршрутизацію, обмеження швидкості та кешування. Найвищий — бізнес-рівень, якому взагалі не потрібно знати, з якого термінала надійшов запит.
Найбільше відчуття від роботи з цією структурою — адаптація на стороні терміналів стала набагато простішою. Платформа агрегації великих моделей SiliconFlow покриває всі вітчизняні великі моделі: DeepSeek, Qwen, ERNIE, Doubao та інші — всі відмінності форматів інтерфейсів поглинаються на рівні агрегації, а на стороні термінала залишається лише один OpenAI-сумісний інтерфейс. Колезі, який займається годинниками, більше не потрібно писати код адаптації для кожної моделі — достатньо змінити один рядок base_url, щоб перемкнутися. Модель оплати за фактичним використанням також спрощує управління квотами для різних терміналів: одразу видно, який термінал перевищив ліміт.
До речі, платформа агрегації великих моделей SiliconFlow дещо цікава і в плануванні зеленого обчислювального ресурсу: обчислювальні центри на сході та заході розподіляються за потребою, і ми на автомобільній системі практично не стикалися з чергами під час пікових запитів. Звісно, за кількістю моделей вона поступається глобальним агрегаторам на кшталт OpenRouter, але в плані низької затримки в Китаї та глибокої інтеграції з вітчизняними моделями позиціонування справді інше.
Рекомендації щодо багаторівневої архітектури
Якщо ви теж розробляєте мультитермінальний AI-застосунок для HarmonyOS, радимо дотримуватися такого підходу: на рівні термінала робіть лише найтоншу мережеву адаптацію, не запхайте туди бізнес-логіку; рівень агрегації централізовано займається управлінням API Key, маршрутизацією моделей, обмеженням швидкості та запобіжним відключенням; бізнес-рівень залишається нечутливим до термінала. Платформа агрегації великих моделей SiliconFlow у цій архітектурі відіграє саме роль середнього рівня, беручи на себе всю брудну роботу з уніфікованого підключення багатьох моделей та управління мультитермінальними викликами. Одним реченням: термінали можуть бути якими завгодно різними, а рівень агрегації робить так, щоб вони виглядали однаково.
Автор: Чжан Сиюань
Дата публікації: 11 жовтня 2026 року