今天这篇文章，就来聊聊WebView混合开发的架构设计——从容器化到插件化，从单WebView到多WebView管理，从"能跑就行"到"可维护、可扩展、可演进"。

这篇文章分享了在构建AI Agent后遇到的评测难题。经历了三次主要挫折： 人工评测不可行：发现同一任务多次执行结果不一致，且人工验证繁琐不可靠，最终导致评测质量下降。 LLM自评不可信：让AI自己评判执行结果时，发现它会错误地将失败任务标记为成功，无法反映真实情况。 测试集覆盖不足：精心设计的测试用例在上线后遇到真实用户复杂请求时完全失效。

作为一个从移动端WebView兼容开发转型的独立开发者，我用两个月时间从零搭建了一个完整的AI论文速读产品。这篇文章不讲情怀，不聊愿景，只聊技术——我会完整拆解TLDR Scholar的技术选型、核心实现和踩过的坑。如果你也在做或者想做类似的AI应用，这篇可能是你见过的最接地气的技术复盘。

端侧AI模型上线后遭遇三大用户体验问题：1）低端机因流式输出频率过高导致UI卡死，通过requestAnimationFrame节流解决；2）用户误点未加载完成的模型造成白屏，改为加载进度可视化+按钮状态管控；3）用户误将小模型当作ChatGPT使用，通过输入意图判断+预期提示引导。案例揭示技术优化不等于体验优化，需建立端到端思维，文末提供包含6项关键检查点的上线清单，特别强调低端机适配、加载状态

端侧AI模型上线后遭遇三大用户体验问题：1）低端机因流式输出频率过高导致UI卡死，通过requestAnimationFrame节流解决；2）用户误点未加载完成的模型造成白屏，改为加载进度可视化+按钮状态管控；3）用户误将小模型当作ChatGPT使用，通过输入意图判断+预期提示引导。案例揭示技术优化不等于体验优化，需建立端到端思维，文末提供包含6项关键检查点的上线清单，特别强调低端机适配、加载状态

前段时间团队在做内部知识库的AI助手，Agent能联网搜索，能调公开API，但一碰到"帮我查一下上个月订单库的退款率"就哑了。数据在本地SQLite里，Agent够不着。

翻车系列写了两篇，回头来看其实是个蛮有意思的过程。输入端翻车告诉你"不是所有论文都能被 AI 读懂"，输出端翻车告诉你"读懂了也不代表它能说对"。这两个问题叠在一起，才是 AI 论文阅读工具的真实水平——不是不能用，但得知道它会在什么地方犯错。做 AI 产品就是这样，踩的坑越具体，你对产品的边界理解就越清楚。下次如果再遇到"模型编了一个看起来挺真的引用"，至少你知道怎么把它揪出来了。

第一次深度做Prompt Engineering。以为写prompt就是"把需求说清楚"，结果从V1到V3迭代了20多版，踩过的坑比写过的prompt还多。这篇文章不聊产品，不聊创业，只聊一件事：一个论文速读工具的prompt，到底怎么从"能跑"调到"能用"。

16年移动前端，第一次独立做AI产品。从"想做论文摘要"到"做决策过滤器"，从画功能全景图到砍到只剩一个核心功能，从纯开发思维到被产品思维反复打脸。这篇文章不推销产品，只复盘过程中的真实决策和踩坑。

翻车系列写了两篇，回头来看其实是个蛮有意思的过程。输入端翻车告诉你"不是所有论文都能被 AI 读懂"，输出端翻车告诉你"读懂了也不代表它能说对"。这两个问题叠在一起，才是 AI 论文阅读工具的真实水平——不是不能用，但得知道它会在什么地方犯错。做 AI 产品就是这样，踩的坑越具体，你对产品的边界理解就越清楚。下次如果再遇到"模型编了一个看起来挺真的引用"，至少你知道怎么把它揪出来了。