随着移动互联网和物联网的快速发展，跨平台开发框架成为提升开发效率、降低维护成本的关键技术。鸿蒙操作系统（HarmonyOS）作为面向全场景的分布式操作系统，为跨平台开发提供了全新的机遇和挑战。本次分享将围绕 KMP、 Flutter等主流跨平台框架在鸿蒙上的实践，并探讨跨平台开发框架在AI时代的未来发展方向。

演讲提纲：

1. 跨平台开发框架的现状与趋势跨平台开发的价值：提升效率、降低成本、支持多端一致性
   • 主流框架概览：KMP、Flutter、React Native 的技术特点与适用场景
   • AI 时代的新变量：从“框架易用性”到“框架对 AI 的友好度”
2. Flutter 框架在鸿蒙上的实践
   • Flutter 在鸿蒙上的适配与优化
   • Flutter 与鸿蒙的集成方案。
   • 性能优化实践：渲染效率、内存管理、垂直整合
   • AI 视角下的 Flutter：AI 生成 UI 代码的适配性、AI 驱动的性能调优探索
3. KMP 框架在鸿蒙上的实践
   • KMP 融合渲染优化技术
   • KMP 内存调优与GC方案演进
   • KMP 跨语言调用优化技术
   • KMP 编译优化技术
   • AI 视角下的 KMP：AI 辅助代码生成、Android2KMP
4. 总结与展望
   • 跨平台框架在 AI 时代的新定位

听众收益：

• 了解主流跨平台框架原理
• 深度理解底层渲染、运行时、编译优化等技术
• 业务跨平台开发框架选型依据与未来技术展望

本次分享将介绍飞猪用户技术面需要解决核心问题，兼容并包解决性能体验，动态化效率两大重点目标。拆解基于飞猪meshup app架构设计及多样化业务差别的跨端框架技术选型原因，设计，过程，收获。更重要的部分是面向大模型时代，AI编程带来的变与不变，技术方案展望，及设计实现路径。

飞猪的跨端研发之路并非简单的操作系统适配，而是一场在淘宝、支付宝等多个超级 App 生态中寻求最大公约数的复杂战役。演讲旨在系统梳理飞猪用户侧技术的演进脉络，直面我们在极致性能与动态化效率之间寻找平衡点的核心难题。

我们将深入拆解基于 Meshup App 的架构设计，还原在业务形态高度差异化的背景下，团队为何以及如何选型 DX、Weex、RN、Flutter 和小程序框架。这不仅是一次技术栈的罗列，更是一段关于权衡、妥协与突破的实战记录。

更重要的是，站在大模型爆发的风口，我们将重新审视跨端开发的底层逻辑：哪些是恒久不变的技术原则？哪些是必须随 AI 编程浪潮而重塑的策略？ 演讲最后将抛出面向未来的技术愿景，探讨结合 Kotlin、Flutter 及 DX Next 的新一代跨端方案设计与实现路径，为行业提供可参考的演进范式。

演讲提纲：

1. 跨端技术的核心目标及飞猪业务特色化要求
   • 极致用户体验&动态发布能力
   • 跨移动操作系统的同时，跨应用（飞猪客户端，淘宝，支付宝）要求
   • Meshup App的架构设计特色
   • 境内外技术生态的差异化要求
2. 技术方案演进历程
   • 极致体验要求解决方案：DX、原生、Flutter
   • 跨应用技术解决方案：Weex、React、小程序
3. vibe code 时代的未来展望设计
   • 面向AI的，一端代码 To 多端运营 转变为 需求 To AI 多端实现的设计可以成为现实。升级方向探讨
   • Design to code，需求 To Code 共同演进到 用户侧研发Agent的全研发生命周期引入
   • 选择适合 100% 生码的 UI 实现方案。核心是动态发布能力范围扩大
   • 建设需求+设计+业务知识库的研发Agent。核心是 AI 理解、AI实现
   • 匹配串联调试、测试、集成、发布、监控，风险应急的 AI 研发工具链；及海量的 Skill 基础能力匹配支撑
   • 跨端研发工程师专型为跨端生态工具研发工程师

听众收益：

1. 了解飞猪跨端技术方案可借鉴的内容
2. 学习 AI 背景下跨端技术框架设计方案

AI Coding 降低了从需求到代码的转化成本，研发链路的生产节奏正在被重新拉快；但稳定性保障链路并不会自动提速：测试覆盖、风险识别、线上告警、根因定位、止损决策，仍然大量依赖人打开平台、拼接线索、分析原因、修复问题。AI真正带来的冲击是研发生产吞吐提升后，和传统稳定性监控处置体系吞吐跟不上的矛盾。

本次分享将结合快手大前端稳定性 Agent「柯南 AI」的建设实践，讨论一个现实问题：当线上问题不可避免地发生时，能不能让 AI 自动完成现场聚合、证据补齐、根因假设、处置建议、自动修复和经验沉淀。让大家拥有一个稳定性专家数字同事，让稳定性专家从反复搬运信息、手工串联线索中解放，也让普通研发不再只能“看到一个崩溃，然后从零开始排查”。其中鸿蒙作为 AI 赋能空间最大、工程挑战最新的方向，将是本次分享的重要视角。

演讲提纲：

1. AI 对大前端稳定性保障体系的冲击
   • AI Coding 对研发生产节奏的改变
   • 稳定性保障链路没有同步提速，AI Native的最后一公里
   • 为什么线下前置无法消灭所有稳定性问题
2. 柯南 AI 的定位与分析
   • 面向线上稳定性问题的监控、排障、止损 Agent
   • 核心挑战：碎片信息组织成可推理的证据链，可信、可执行、可验证
     • 多端 / 多栈 / 多信息源
   • 鸿蒙 - AI 赋能稳定性的新战场：稳定性赋能上限更高、做功空间更大行业
     • 技术储备薄 / AI 对鸿蒙知识内化不足 / 系统侧的支持、协同
3. 柯南 AI 的工程关键
   • 端侧基建是根基：上下文决定 AI 上限
     • 鸿蒙稳定性基建举例：JS 泄漏检测 / JS + KMP 循环引用检测
   • 数据资产接入：让 AI 能读懂稳定性现场
     • 鸿蒙 FaultLog 预处理 / 源码服务
   • Skill-as-Code：专家经验如何变成可工程化的资产
     • 按需加载 / 反例驱动 / 版本管理
   • Workflow vs. Agent：线上场景的自主性边界
   • 评测、可观测与回放：让 Agent 迭代有据可依
4. 总结展望
   • AI 重塑稳定性，人的角色变化：稳定性专家、普通研发、稳定性团队
   • 未来展望，自进化数字分身、复杂问题 Agent UX 交互体验

听众收益：

• 学习大前端稳定性Agent可落地路径：如何从告警、日志、堆栈、源码、变更这些已有资产出发，建设一个真正能参与监控、排障、止损的垂类 Agent，包含工程实战经验
• AI 对传统稳定性保障体系的冲突及应对策略，了解AI重塑稳定性体系后人的角色变化