从 KMP 转到 AI 项目

一、从 KMP 到 AI

刚入职时在 KMP（Kotlin Multiplatform）上搞了半年多，LLVM、KSP、KCP、Kotlin IR/FIR、iOS Framework、为热修还学了点 OC，收获不少。

国内因为鸿蒙，一码多端又被提上日程，KMP 是主流方案之一。我们没做 UI 跨端（公司已有 RN，华为也在推 OHOS 上的 RN），所以 KMP 只做逻辑跨端，没上 CMP。

自认做得还行：OHOS 适配、LLVM 隔离、ASAN、ArkTS 与 Kotlin 互调、iOS 热修、Debug 能力等，当时业界没有现成方案；即便现在 Kuikly 开源了，看代码可知他们也没解决 LLVM 隔离、ASAN、热修、OHOS 高版本枚举导入等问题。

但这个项目被 AI「取代」了，也合理：一码多端还要全员学 Kotlin，若 AI 能直接生成多端代码且准确率够高，KMP 的价值就会打问号。绩效普通就普通吧，新人老猿，心态放平。

AI 确实是提效方向，但很多老板把 AI 当万能（例如排期 -40%）。实际用下来，AI 设计框架还行，落到具体实现就容易瞎编；老板们说「可以优化到完美」。若 AI 这条路走不通，再回头做 KMP 这类提效也行。于是我从 KMP 组转到了 AI 组。

二、端侧 AI 框架

我们端侧用 ONNX，Android 这块是之前同事写的（读起来很像 AI 生成的，反人类设计不少）。这是我第一次正经接触 AI 模型，至今也没搞懂内部算法，只知道：输入矩阵 → 模型推理 → 输出矩阵 → 得到推断结果。

我粗浅理解是：输入输出就像一大坨参数用矩阵表示，模型里相当于巨大的 if-else 被各种算法包装，根据输入走不同分支。当然可能理解有偏差，才接触一周。

模型框架和协议定好之后，工作多半是：找特征、收集客户端数据、写 SQL 做矩阵、看效果。数据质量和数量一差，模型可能既不智能也不准；有些业务是「为了用而用」，实验下来没有正向收益。

所以我对这个项目的预期是：评判标准就是落地了多少业务，能带上一点指标提升就更好。

三、一点感想

个人还是更喜欢 KMP 那种偏底层的技术；不过工作这么多年，干啥都是谋生。

感觉很多程序员不太愿意在技术上深挖，更愿意搞人际关系（在国内也正常）。让人不舒服的是，有人会觉得钻研技术的是傻子、自己认知碾压搞技术的，还不尊重你搞技术，自己炒股票、维护老板关系、留下一片屎山（可能还是 AI 写的）给接盘的人。国内不少一线老板也是这么上来的；当然也遇到过真有实力的领导，沟通就顺畅很多，他们理解你在做什么、难在哪。

举两个例子。

字节：安全反馈有用户连接数异常多，可能是黑产。老板拉我进去协助排查，最后判定是黑产，安全问端上有什么措施，老板说：「那是黑产的话，我们端上一定要做一些措施的，严厉打击！」——说了和没说一样。这种老板很灾难：不知道自己想要什么，你做完他可能随时推翻；你在帮他设计和落地，他拿去汇报。

小红书：做内存检测时，老板把目标定得很清楚：OOM 率降、OOM 解决率升。我的任务就是落地和优化。有人会说「职级高了就要自己找方向」——那老板职级更高，不是更该对方向有规划吗？小团队就几个人、几个方向，我不太理解部分领导的神操作。

这类情况各行各业都有。大环境认知是「挣钱、升职加薪」，为达目的各显神通；在这种氛围下认真搞技术挺难，某司大模型套壳之类的事，大厂也干得出来。

越是干得久，越觉得志同道合的人少。我也不是什么高尚的技术信徒，AI 在很多事上确实比我强。只是觉得，如果以后社会就是人与人之间演戏、尔虞我诈、阿谀奉承，会挺没意思的。