摘要

这两年，跨屏协作在鸿蒙生态里出现得越来越频繁。
从最早的文件互传、多屏办公，到现在的教育课堂、车机联动，设备之间已经不再是“各干各的”。

在游戏领域，这个变化更明显：

• 一块屏幕已经不够玩
• 玩家希望多设备一起参与
• 大屏负责画面，小屏负责操作

但很多开发者一提“跨屏游戏”，第一反应还是投屏、远程控制、镜像显示。
实际上，鸿蒙给的不是投屏方案，而是一整套分布式游戏协作能力。

这篇文章就从游戏开发者的真实视角，讲清楚鸿蒙是如何把多设备变成“一个游戏系统”的。

引言

在传统系统里，如果你想做多设备协作游戏，通常意味着：

• 自己写网络协议
• 自己做设备发现
• 自己处理数据一致性
• 自己兜底各种异常情况

而在 HarmonyOS 里，这些事情被系统层直接兜住了：

• 设备发现靠软总线
• 状态同步靠分布式数据
• UI 跨屏靠 Ability 调度

你要做的事情更偏向游戏逻辑设计本身，而不是重复造轮子。

接下来我们一步一步拆。

什么是鸿蒙里的跨屏游戏协作

跨屏不是投屏

先说一个很重要的点：

鸿蒙的跨屏游戏 ≠ 投屏

投屏的特点是：

• 一端渲染
• 另一端只是显示
• 没有真正的协作逻辑

而鸿蒙的跨屏游戏，更像是：

• 多设备同时运行
• 各自承担不同功能
• 通过系统级分布式能力协同

比如：

• 手机只负责操作和技能
• 平板或智慧屏负责主战场渲染
• 游戏状态在多设备之间自动同步

一个最常见的跨屏游戏形态

手机（控制器）
  │
  │ 操作指令
  ▼
平板 / 智慧屏（主画面）
  │
  │ 游戏状态同步
  ▼
分布式数据中心

支撑跨屏游戏的三大核心能力

分布式软总线：设备能“找到彼此”

在游戏里，你最关心的不是网络协议，而是：

• 能不能快速发现附近设备
• 延迟够不够低
• 掉线能不能感知

鸿蒙的分布式软总线解决的正是这些问题。

你不需要关心设备是：

• Wi-Fi
• 蓝牙
• 局域网
• 点对点

系统会自动选最优链路。

分布式数据管理：状态天然同步

跨屏游戏最怕的几个问题：

• 状态不一致
• 数据打架
• 玩家看到的画面不同步

鸿蒙提供的分布式 KV 数据，天生适合游戏里的：

• 玩家位置
• 血量
• 技能状态
• 回合阶段

而且是系统级同步，不是你自己发包。

分布式 UI：屏幕不是绑死的

在鸿蒙里：

• Ability 可以被拉起到其他设备
• 游戏不用重新启动
• 状态不需要你手动迁移

这对游戏来说很重要，因为你可以自由设计：

• 哪个屏幕显示什么
• 玩家如何参与
• 随时切换设备角色

跨屏游戏的整体架构设计

一个可落地的结构示例

┌────────────┐
│ 手机端     │
│ 操作输入   │
│ 技能按钮   │
└─────┬──────┘
      │
      │ 分布式 KV 数据
      ▼
┌────────────┐
│ 平板端     │
│ 游戏主画面 │
│ 渲染逻辑   │
└────────────┘

手机不负责画面，平板不负责输入，各司其职。

实战核心：跨屏游戏状态同步 Demo

创建分布式 KV Store

import distributedData from '@ohos.data.distributedData';

const kvManager = distributedData.createKVManager({
  bundleName: 'com.example.crossgame',
  context: getContext()
});

const store = await kvManager.getKVStore('gameStore', {
  kvStoreType: distributedData.KVStoreType.SINGLE_VERSION,
  securityLevel: distributedData.SecurityLevel.S1
});

这个 store 在多设备之间是共享的。

手机端发送操作指令

// 模拟摇杆方向
async function sendMove(x: number, y: number) {
  await store.put('player_move', JSON.stringify({
    x,
    y,
    time: Date.now()
  }));
}

这里同步的是“操作”，而不是最终坐标。

平板端监听并更新角色

store.on('dataChange', (data) => {
  data.insertedEntries.forEach(entry => {
    if (entry.key === 'player_move') {
      const move = JSON.parse(entry.value as string);
      updatePlayer(move.x, move.y);
    }
  });
});

跨屏 UI：把主画面拉到大屏

从手机拉起平板的游戏界面

import featureAbility from '@ohos.ability.featureAbility';

featureAbility.startAbility({
  want: {
    bundleName: 'com.example.crossgame',
    abilityName: 'GameMainAbility',
    deviceId: 'remoteDeviceId'
  }
});

前提是：

• 游戏状态已经存在分布式数据中
• 新设备启动后直接读取即可

为什么这个能力对游戏很重要

你不需要：

• 手动传进度
• 重新初始化状态
• 处理复杂的恢复逻辑

系统已经帮你兜底。

真实应用场景拆解

场景一：手机当手柄，大屏玩游戏

适合类型

• 派对游戏
• 本地多人
• 家庭娱乐

逻辑示例

// 手机端：技能释放
await store.put('skill_cast', {
  skillId: 2,
  playerId: 'p1'
});

// 大屏端：技能响应
store.on('dataChange', (data) => {
  data.insertedEntries.forEach(e => {
    if (e.key === 'skill_cast') {
      castSkill(e.value);
    }
  });
});

场景二：非对称协作游戏

比如：

• 一个人当指挥
• 一个人实际操作

// 指挥端下达命令
await store.put('command', {
  type: 'attack',
  target: 'boss'
});

操作端只负责执行，不做决策。

场景三：教育 + 游戏化互动

老师平板控制节奏，学生手机参与。

// 教师端切换关卡
await store.put('game_stage', 'level_2');

学生端监听并同步切换界面。

常见问题 QA

Q1：分布式 KV 会不会太慢？

不会。
它适合的是：

• 低频状态
• 操作指令
• 游戏阶段

高频帧同步需要更底层方案。

Q2：能不能用在竞技类游戏？

可以，但不建议直接用 KV 同步帧数据。
更适合：

• 操作同步
• 客户端预测
• 状态校正

Q3：设备掉线怎么办？

KV 会自动触发变更事件，你可以监听：

• 玩家退出
• 状态回收
• AI 接管

总结

从游戏开发角度看，鸿蒙的跨屏协作并不是噱头，而是一套真正能落地的系统能力。

核心就一句话：

多设备在鸿蒙里，不是多个客户端，而是一个分布式游戏系统。

• 软总线解决连接
• 分布式数据解决同步
• Ability 解决跨屏 UI
• ArkTS 足够把 Demo 跑起来

摘要

随着智能终端越来越多，应用早就不再只运行在一台设备上。手机、平板、智慧屏、手表之间的协作，已经成了很常见的需求。在这种背景下，多设备任务该怎么分、分到哪台设备执行，就成了开发中绕不开的问题。

在鸿蒙系统中，这个问题并不是靠开发者“手动指定设备”来解决的，而是通过 设备能力感知 + 分布式调度机制 来完成。开发者更多关心的是：
这个任务适合干什么，而不是非要在哪台设备干。

本文会结合鸿蒙系统的分布式能力，介绍多设备任务分配的整体思路，并通过可运行的 Demo 代码，把这个过程完整跑一遍，最后再结合几个真实场景，聊聊它在实际项目中该怎么用。

引言

如果放在以前，一个应用基本只跑在一台手机上，最多考虑前后台切换。但现在不一样了：

• 手机在你手里
• 平板在桌子上
• 智慧屏在客厅
• 手表戴在手上

用户希望的是：
设备不同，但体验是连着的。

鸿蒙系统的分布式能力，正是为这种场景设计的。它不是简单的“跨设备通信”，而是把 任务、数据、能力 都变成可以在多设备之间流动的资源。

而多设备任务分配，本质上就是一句话：

把合适的任务，交给合适的设备去做。

鸿蒙多设备任务分配的整体思路

先发现设备，再谈分配

在鸿蒙系统中，只要设备在同一个分布式网络里，系统就能自动发现它们。
开发者不需要自己维护“设备表”，也不用关心设备什么时候上线、下线。

系统会帮你感知这些信息：

• 设备类型（手机、平板、智慧屏）
• 基本性能情况
• 是否可信
• 当前是否可用

你只需要在合适的时机拿到设备列表即可。

任务一定要能拆

多设备任务分配的前提是：
你的业务本身是能拆开的。

比如：

• 页面展示是一块
• 数据采集是一块
• 计算处理是一块

如果一个任务从头到尾全写死在一个 Ability 里，那基本就没法分配了。

系统负责“怎么选设备”

在鸿蒙里，真正“选哪台设备执行”的逻辑，大部分是系统完成的：

• 当前设备忙不忙
• 网络情况好不好
• 设备能力是否匹配
• 是否更适合本地执行

开发者更多是通过 Ability 启动方式、Service 类型、数据同步方式 来间接影响分配结果。

核心实现方式一：跨设备启动 Ability

适合什么场景

这种方式最常见，适合：

• 页面展示
• 功能模块整体迁移
• 用户可感知的交互任务

比如：
手机负责控制，平板负责显示大屏内容。

Demo：在平板上启动远程 Ability

import distributedDeviceManager from '@ohos.distributedDeviceManager';
import featureAbility from '@ohos.ability.featureAbility';

const BUNDLE_NAME = 'com.example.distributeddemo';

let deviceManager = distributedDeviceManager.createDeviceManager(BUNDLE_NAME);

function startRemotePage() {
  let devices = deviceManager.getTrustedDeviceListSync();

  devices.forEach(device => {
    if (device.deviceType === 2) { // 假设 2 表示平板
      let want = {
        bundleName: BUNDLE_NAME,
        abilityName: 'RemotePageAbility',
        deviceId: device.deviceId
      };
      featureAbility.startAbility(want);
    }
  });
}

代码说明

• createDeviceManager：创建设备管理器
• getTrustedDeviceListSync：获取可信设备列表
• deviceType：用于简单区分设备类型
• startAbility：指定 deviceId 后，Ability 会在远端设备启动

整个过程不需要你关心远端设备的进程、生命周期，系统会处理。

核心实现方式二：分布式 Service 执行任务

适合什么场景

这种方式更适合：

• 计算密集型任务
• 后台处理
• 不需要 UI 的逻辑

比如：
手机采集数据，交给性能更强的设备做分析。

Demo：连接远端计算 Service

import featureAbility from '@ohos.ability.featureAbility';

function connectRemoteService(remoteDeviceId: string) {
  let want = {
    bundleName: 'com.example.distributeddemo',
    abilityName: 'ComputeServiceAbility',
    deviceId: remoteDeviceId
  };

  featureAbility.connectAbility(want, {
    onConnect(elementName, remote) {
      console.log('远程 Service 已连接');
      remote.sendMessage({
        command: 'startCompute',
        data: [1, 2, 3, 4]
      });
    },
    onDisconnect() {
      console.log('远程 Service 已断开');
    }
  });
}

代码说明

• Service 在远端设备运行
• 本地通过 IPC 的方式和远端通信
• 计算逻辑完全在远端执行
• 本地只负责发请求、收结果

这种方式非常适合“重计算、轻交互”的任务。

典型应用场景分析与示例

场景一：手机 + 平板的学习展示系统

场景说明

• 手机负责控制、翻页
• 平板负责展示课件内容

实现思路

• 手机发现平板
• 在平板启动展示 Ability
• 通过分布式数据同步当前页码

import distributedData from '@ohos.data.distributedData';

async function syncPage(page: number) {
  let kvManager = distributedData.createKVManager();
  let store = await kvManager.getKVStore('pageStore');
  await store.put('current_page', page);
}

平板端监听数据变化，自动刷新页面。

场景二：多设备健康数据分析

场景说明

• 手表采集心率
• 手机做基础处理
• 平板做数据可视化

实现思路

• 手表同步原始数据
• 手机过滤、预处理
• 平板负责展示图表

核心在于：
任务不是“复制”，而是“分工”。

场景三：家庭智慧屏协同控制

场景说明

• 手机是遥控器
• 智慧屏负责 UI 展示
• 计算逻辑放在智慧屏

实现思路

• 手机只负责发指令
• 智慧屏 Service 处理业务逻辑
• 结果同步回手机

这种模式下，手机压力很小，体验反而更流畅。

常见问题 QA

Q1：我能不能指定“一定要某台设备执行”？

不推荐。
鸿蒙的设计思想是 声明需求，而不是指定设备。
你可以通过能力需求去“引导”，但不建议写死。

Q2：设备突然下线怎么办？

系统会通知连接断开，
你需要做的只有一件事：
支持本地降级执行或重试。

Q3：分布式任务一定比本地慢吗？

不一定。
当任务本身就不适合本地执行时，
分布式反而更快、更省电。

总结

在鸿蒙系统中，多设备任务分配并不是一套复杂、难以理解的机制，它的核心思想其实很简单：

• 把任务拆清楚
• 描述好任务需求
• 把调度交给系统

只要你在设计阶段考虑好“哪些任务适合分出去”，鸿蒙的分布式能力就能自然地帮你把事情做好。

一句话总结就是：

多设备任务分配，不是设备协作有多复杂，而是你有没有把任务设计清楚。

摘要

随着 HarmonyOS / OpenHarmony 在手机、平板、智慧屏、车机等多设备上的落地，应用的复杂度正在明显提升。页面不再只是简单展示，而是伴随着网络请求、数据计算、设备协同等大量逻辑。如果这些逻辑处理不当，很容易出现页面卡顿、点击无响应，甚至 Ability 被系统回收的问题。

线程阻塞，已经成为鸿蒙应用开发中最容易踩坑、也最影响体验的问题之一。本文将结合实际开发场景，用尽量口语化的方式，聊一聊在鸿蒙系统中如何系统性地避免线程阻塞，并给出可以直接运行的 Demo 代码。

引言

在早期的应用开发中，很多开发者习惯把逻辑直接写在点击事件里，或者在页面加载时同步读取数据。这种写法在简单页面中问题不大，但在 HarmonyOS 这种强调流畅体验和多设备协同的系统中，很容易暴露问题。

鸿蒙的 UI 是声明式的，系统对主线程（UI 线程）非常敏感。一旦主线程被占用，页面掉帧、动画卡住、操作延迟都会立刻出现。因此，理解哪些操作会阻塞线程，以及如何把这些操作合理地“挪走”，是每个鸿蒙开发者绕不开的一课。

下面我们从原理、工具、代码和真实场景几个角度，完整地拆解这个问题。

为什么线程阻塞在鸿蒙中这么致命

UI 线程到底在忙什么

在 HarmonyOS 中，UI 线程主要负责三件事：

• ArkUI 页面渲染
• 用户事件分发（点击、滑动等）
• Ability 生命周期回调

简单理解就是：只要和“看得见、点得动”有关的事情，几乎都在 UI 线程上完成。

一旦你在这里做了耗时操作，比如计算、IO、网络等待，页面就会立刻表现出“卡”的感觉。

常见的阻塞来源

在实际项目中，最容易导致阻塞的操作通常包括：

• 同步网络请求
• 文件读写
• 数据库查询
• 大量 for 循环计算
• 人为 sleep 或死循环

这些操作本身不一定是错的，问题在于它们被放在了不该放的线程上。

鸿蒙中避免线程阻塞的核心思路

一个总原则

可以把鸿蒙里的线程使用总结成一句话：

UI 线程只处理 UI，其他事情交给异步、线程池或 Worker。

围绕这个原则，系统也提供了多种工具，帮助开发者把任务“分流”。

异步编程是第一道防线

使用 async / await 处理耗时逻辑

在 ArkTS 中，官方推荐优先使用 Promise 和 async / await。它的好处是代码结构清晰，而且不会阻塞 UI 线程。

示例：页面加载网络数据

@Entry
@Component
struct AsyncDemo {
  @State message: string = '加载中...'

  build() {
    Column() {
      Text(this.message)
        .fontSize(20)
        .margin(20)

      Button('重新加载')
        .onClick(() => {
          this.loadData()
        })
    }
  }

  async loadData() {
    this.message = '请求中...'
    let response = await fetch('https://example.com/data')
    let result = await response.text()
    this.message = result
  }
}

代码说明

• loadData 使用 async 声明，不会阻塞 UI
• await 只是暂停当前函数执行，不会卡住页面
• UI 更新完全由状态变化驱动

这是最基础、也是最常用的一种防阻塞方式。

TaskPool：处理计算和 IO 的利器

什么时候该用 TaskPool

当你遇到下面这些情况时，TaskPool 几乎是必选项：

• 大量计算
• 批量数据处理
• 文件压缩、解析

可运行 Demo 示例

import taskpool from '@ohos.taskpool'

@Concurrent
function calculateSum(count: number): number {
  let sum = 0
  for (let i = 0; i < count; i++) {
    sum += i
  }
  return sum
}

@Entry
@Component
struct TaskPoolDemo {
  @State result: string = '等待计算'

  build() {
    Column() {
      Text(this.result)
        .fontSize(18)
        .margin(20)

      Button('开始计算')
        .onClick(() => {
          this.startTask()
        })
    }
  }

  startTask() {
    this.result = '计算中...'
    taskpool.execute(calculateSum, 1000000).then(res => {
      this.result = `结果是：${res}`
    })
  }
}

代码说明

• @Concurrent 表示该函数可以并发执行
• TaskPool 自动管理线程，不需要开发者手动创建线程
• UI 线程只负责接收结果和更新状态

在真实项目中，使用 TaskPool 往往能立刻解决页面卡顿问题。

Worker：长期后台任务的选择

Worker 的使用场景

如果任务具有下面这些特点，就更适合使用 Worker：

• 长时间运行
• 需要持续处理数据
• 与 UI 强隔离

比如日志分析、音视频处理、复杂解析等。

示例：使用 Worker 处理数据

主线程代码

let worker = new Worker('workers/data_worker.ts')

worker.postMessage({ action: 'start' })

worker.onmessage = (e) => {
  console.log('收到结果：', e.data)
}

Worker 线程代码

onmessage = function (e) {
  if (e.data.action === 'start') {
    let result = 0
    for (let i = 0; i < 500000; i++) {
      result += i
    }
    postMessage(result)
  }
}

代码说明

• Worker 与 UI 线程完全独立
• 即使计算时间较长，也不会影响页面交互
• 通过消息机制进行通信

结合实际场景的应用示例

场景一：列表页面加载大量数据

问题：

• 首次进入页面时一次性处理全部数据
• 页面明显卡顿

解决思路：

• 网络请求使用 async
• 数据整理放入 TaskPool

async loadList() {
  let data = await fetchData()
  taskpool.execute(processData, data).then(list => {
    this.list = list
  })
}

场景二：文件导入与解析

问题：

• 文件较大
• 解析过程耗时

解决思路：

• Worker 负责解析
• UI 只显示进度

worker.postMessage({ filePath })

场景三：复杂计算驱动 UI 更新

问题：

• 计算逻辑和 UI 耦合

解决思路：

• 计算完全放到 TaskPool
• UI 只订阅结果

QA 环节

Q：async / await 会不会阻塞线程？
A：不会，它只是让出执行权，不会卡住 UI 线程。

Q：TaskPool 和 Worker 怎么选？
A：短期、一次性的任务优先 TaskPool，长期或持续任务用 Worker。

Q：能不能在生命周期里做耗时操作？
A：不建议，生命周期函数应尽量轻量。

总结

线程阻塞并不是某一个 API 的问题，而是设计问题。在 HarmonyOS 中，系统已经为我们准备好了异步模型、TaskPool 和 Worker，只要遵循“UI 线程只做 UI”的原则，大多数卡顿问题都可以提前避免。

在真实项目中，提前做好任务拆分、线程规划，比后期排查卡顿要省心得多。这也是鸿蒙开发从“能跑”到“跑得顺”的一个重要分水岭。

本文引用了45岁老架构师尼恩的技术分享，有修订和重新排版。

1、引言

分布式IM聊天系统中，IM消息怎么做到不丢、不重、还按顺序到达？这个问题，涉及到IM系统的两个核心：1）消息不能丢（可靠性）：比如用户点了发送，不能因为服务宕机或网络抖动，消息石沉大海。比如地铁隧道、电梯间，网络断了又连，消息不能卡住不动（要确保弱网也能用）。2）顺序不能乱（有序性）：比如“在吗？” 回成 “吗在？”，群聊时间线错乱，体验直接崩盘。这二大痛点，是IM聊天系统架构的命门所在。下面是一张IM消息从发出到接收的关键路径：

2、系列文章

为了更好以进行内容呈现，本文拆分两了上下两篇。本文是2篇文章中的第 1 篇：《如何保障分布式IM聊天系统的消息有序性（即消息不乱）》（☜ 本文）《如何保障分布式IM聊天系统的消息可靠性（即消息不丢）》（稍后发布..）本篇主要总结和分享分布式IM聊天系统架构中关于消息有序性的设计和实践。

3、传统技术方案的瓶颈，怎么破？

早期做消息有序，很多人第一反应是搞个“全局发号器”——所有消息排一队，挨个编号再发。理想很丰满，现实很骨感：高并发下一拥而上抢号，发号器直接被打满；更致命的是，它一旦宕机，全链路雪崩。这就像春运火车站只开一个售票窗——再快也撑不过三分钟。所以，我们必须换思路：不搞大一统，而是分片独立发号，让每个“窗口”自给自足，互不干扰。

4、痛点拆解：为什么消息会乱？

我们先还原一个真实场景： 想象一下你和朋友聊天：你说：“1 吃饭了吗？”他回：“2 刚吃完。”你又说：“3 吃啥呢？”结果对方手机上显示成：“3  吃啥呢？” → “1 吃饭了吗？” → “2 刚吃完。”这不是 bug，是分布式系统的常态。三条消息走不同服务节点、经不同网络路径，到达时间完全不可控，最终呈现顺序错乱。会乱 问题本质是什么？一个要“串行等”，一个想“并发冲”，天然冲突。这时候有人会说：那我加个全局排序服务不就行了？可以，但代价太大——一个中心节点最多撑几万 QPS，面对百万群聊、亿级用户，还没上线就已过载。所以，全局有序不是解，而是枷锁。我们要的不是“天下大同”，而是“各聊各的别乱就行”。

5、最终方案：分而治之 + 局部有序

真正的突破口在于：我们根本不需要全局有序，只需要“会话内有序”。你和张三的聊天记录不能乱，但你和李四的聊天跟王五的完全无关——何必放一起排序？这就引出了经典策略：分而治之 + 局部有序。具体怎么做？两步走稳： 第一步 - 业务分区： 哈希分片，锁定归属用 sessionId 做一致性哈希，确保同一个会话的所有消息始终路由到同一个处理节点。按“会话ID”做哈希，算出该消息该由哪个节点处理。同一会话 → 哈希值一样 → 路由到同一台机器 → 所有消息串行处理，天然避免跨节点乱序。这样一来，单个会话内的消息在服务端就是串行处理的，天然不会乱。 第二步 - 局部序号：独立发号，局部递增每个会话独立维护一个计数器，每来一条消息就+1，作为它的“官方序号”。每个会话,可以配一个独立计数器（比如 Redis 的 INCR），每来一条消息就+1，生成唯一 SEQ。客户端不管什么时候收到消息，只认这个序号，按序号从小到大排列展示。这个 SEQ 就是这条消息的“官方身份证号”，客户端只认这个，不看接收时间。这就像电影院检票——你可以早到晚到，但座位按票号定。哪怕后排观众先进场，也不会坐到前排去。PS：IM消息ID生成相关的文章可详细阅读以下资料：《IM消息ID技术专题(一)：微信的海量IM聊天消息序列号生成实践（算法原理篇）》《IM消息ID技术专题(二)：微信的海量IM聊天消息序列号生成实践（容灾方案篇）》《IM消息ID技术专题(三)：解密融云IM产品的聊天消息ID生成策略》《IM消息ID技术专题(四)：深度解密美团的分布式ID生成算法》《IM消息ID技术专题(五)：开源分布式ID生成器UidGenerator的技术实现》《IM消息ID技术专题(六)：深度解密滴滴的高性能ID生成器(Tinyid)》《IM消息ID技术专题(七)：深度解密vivo的自研分布式ID服务(鲁班)》

6、实践落地（核心片段伪代码）

1）服务端分片路由逻辑：来看关键实现：如何把消息精准投递给“对的人”。String sessionId = msg.getSessionId();//这里是伪代码，实际代码以mq 的负载均衡机制为准int nodeIndex = Math.abs(sessionId.hashCode()) % clusterNodeCount; //这里写个伪代码，代表mq  主从复制ClusterNode targetNode = clusterNodes.get(nodeIndex);targetNode.sendMsg(msg);核心就一句：基于会话 ID 哈希取模，固定路由。从此，每个会话都有了自己的“专属服务通道”，不再受其他会话影响。2）服务端序号分配逻辑：接下来，给每条消息发“通行证”：long msgSeq = redis.incr("msg_seq_" + sessionId);msg.setSeq(msgSeq);msg.setUniqueKey(sessionId + "_" + msgSeq);这里用了 Redis 的 INCR，保证同一个会话下的 SEQ 绝对递增，且线程安全。同时用 sessionId_seq 作为唯一键，既能幂等去重，也能防止重试导致消息重复入库。实战提示：如果你的 Redis 是集群模式，记得确保同一个会话的 key 落在同一 slot，否则 INCR 可能跨节点失效。3）客户端排序逻辑：最后一步，客户端收尾：别急着渲染，先排好队。//这里是伪代码， 先排序List<Msg> sortedMsgs = msgList.stream()    .sorted(Comparator.comparingLong(Msg::getSeq))    .collect(Collectors.toList());//这里是伪代码， 再渲染renderMsgList(sortedMsgs);无论消息以什么顺序到达，统统按 seq 升序排列后再上屏。哪怕第100条先到，第1条后到，也能正确归位。这也是为什么我们强调“客户端必须信任服务端 SEQ”——它是唯一真相源。

7、方案总结：放弃全局有序，换高可用与高性能

总结一下，这套方案的核心思想就一句话：不要为“假需求”买单——我们不需要全局有序，只需要业务上有意义的有序。你看微信、钉钉、飞书，哪一个是把全平台消息排成一条队列的？没有。它们都选择了“会话级隔离 + 局部有序”的设计，这才是工业级系统的通用解法。背后的分布式哲学也很清晰：

最终换来的是：1）高并发支持（水平扩展）；2）高可用（无单点）；3）强一致体验（用户无感知）。这正是中高级开发者必须掌握的权衡思维：不是技术做不到，而是要不要做。有时候，“不做全局有序”，反而是最正确的选择。

8、 IM消息有序性架构的核心流程总结

最后，一张图串起全流程：

从发起到渲染，全程围绕“会话隔离”和“局部发号”展开。每一个环节都在为同一个目标服务：在分布式环境下，低成本实现用户可感知的“顺序正确”。

—— 下篇《如何保障分布式IM聊天系统的消息可靠性（即消息不丢）》稍后发布，敬请期待 ——

9、参考资料

[1] 什么是IM聊天系统的可靠性？
[2] 什么是IM聊天系统的消息时序一致性？
[3] 微信技术分享：微信的海量IM聊天消息序列号生成实践（算法原理篇）
[4] 马蜂窝旅游网的IM系统架构演进之路
[5] 一套亿级用户的IM架构技术干货(下篇)：可靠性、有序性、弱网优化等
[6] 从新手到专家：如何设计一套亿级消息量的分布式IM系统
[7] 企业微信的IM架构设计揭秘：消息模型、万人群、已读回执、消息撤回等
[8] 融云技术分享：全面揭秘亿级IM消息的可靠投递机制
[9] 阿里IM技术分享(四)：闲鱼亿级IM消息系统的可靠投递优化实践
[10] 阿里IM技术分享(八)：深度解密钉钉即时消息服务DTIM的技术设计
[11] 基于实践：一套百万消息量小规模IM系统技术要点总结
[12] 一套分布式IM即时通讯系统的技术选型和架构设计
[13] 转转平台IM系统架构设计与实践(一)：整体架构设计
[14] 移动端弱网优化专题(一)：通俗易懂，理解移动网络的“弱”和“慢”
[15] 移动端弱网优化专题(二)：史上最全移动弱网络优化方法总结
[16] Web端即时通讯实践干货：如何让你的WebSocket断网重连更快速？
[17] 从客户端的角度来谈谈移动端IM的消息可靠性和送达机制
[18] IM消息送达保证机制实现(一)：保证在线实时消息的可靠投递
[19] 移动端IM中大规模群消息的推送如何保证效率、实时性？
[20] 如何保证IM实时消息的“时序性”与“一致性”？
[21] 一个低成本确保IM消息时序的方法探讨

即时通讯技术学习：

• 移动端IM开发入门文章：《新手入门一篇就够：从零开发移动端IM》
• 开源IM框架源码：https://github.com/JackJiang2011/MobileIMSDK（备用地址点此）

（本文已同步发布于：http://www.52im.net/thread-4887-1-1.html）

在当今的数字时代，只需输入一句描述，如“一只穿着宇航服的猫在月球上喝咖啡，电影感光影”，几秒钟后，屏幕上便会呈现出一张惊艳的图像。Midjourney、Stable Diffusion 等 AI 绘画工具的出现，仿佛让“神笔马良”的故事成为了现实。

但这背后究竟是魔法，还是科技？

在那个神秘的进度条背后，AI 究竟在进行怎样的操作？它的“大脑”里是否真的住着一位不知疲倦的画手，拿着画笔在白纸上从零开始创作？

本文将抛开复杂的专业术语，以通俗易懂的方式拆解这一神奇过程。真相或许比想象中更有趣——AI 绘画，本质上是一场大型的“脑补”游戏。

第一部分：画布的真相——它居然不是空白的！

谈及绘画，人们的第一反应通常是：在一张干净的白纸上构图、打草稿、上色。

然而，AI 的创作方式截然不同。它的起点并非空白，而是一片混沌。

如果能深入 AI 的后台一探究竟，会发现当它准备开始工作时，面前的“画布”呈现出如下形态：

这是一张密密麻麻、杂乱无章的噪点图，在技术上被称为“纯噪声”。

在人类眼中，这或许只是毫无意义的混乱。但在 AI 眼中，这里隐藏着无限可能。AI 作画的本质，并非“无中生有”，而是“从混乱中建立秩序”。它不是在做加法（往白纸上添加内容），而是在做减法（去除不需要的噪点）。

第二部分：AI 的特殊技能——“脑补大师”是怎样炼成的？

面对这样一屏毫无头绪的雪花，AI 如何知道该从何处下手？这得益于它在投入使用前经历的魔鬼训练。

在尚未掌握绘画技能之前，AI 分析了数十亿张人类世界的图片。其学习方式颇为独特，堪称一位“破坏与重建狂魔”。

训练过程中，研究人员会向 AI 展示一张清晰的照片（例如一只小狗），随后逐步向照片中添加“沙子”（噪点），使照片逐渐变得模糊，直至完全变为一张无法辨认的雪花屏。

AI 的任务便是学习如何“倒放”这一过程——即凭经验将这张雪花屏还原成最初的那只小狗。

经过亿万次此类练习，AI 练就了一双“火眼金睛”，成为了世界上顶尖的“去噪专家”。面对任何混乱的图像，它的第一反应便是：“这太乱了，需要将其清理干净。”

第三部分：关键时刻——面对一片雪花，AI 怎么下第一笔？

这是整个生成过程中最为神奇的环节。

当用户输入指令：“画一只猫”，AI 面对着手中那张杂乱无章的雪花屏，内心或许是崩溃的：“这里哪里有猫？这全是噪点。”

此时，奇迹发生了。这个过程类似于人们童年时常玩的游戏——“在云朵里找形状”。

想象一下，躺在草地上注视着天上杂乱无章的云团发呆。此时，若有人提示：“嘿，你看那片云，像不像一只猫？”

一旦接受了这一设定，大脑便会开始强行“脑补”。越看越觉得：“左边那团突出的云确实有点像猫耳朵，中间那块暗影有点像猫身子……”

AI 画画的第一步，正是这种强制的“幻视”。

当用户输入“猫”作为提示词，便相当于给了 AI 一个强烈的暗示。它被迫在那堆毫无意义的噪点中寻找“猫”的蛛丝马迹。

它会审视那些随机排列的像素点，强行联想：“虽然目前很乱，但如果非要说的话，中间这几个黑点凑在一起，相较于角落里的白点，更有潜力发展成一个猫鼻子。”

于是，AI 迈出了极其微小的第一步：它并未直接画出猫鼻子，而只是将那些像素的颜色，朝着“猫”的方向轻轻推了一把。

第四部分：见证奇迹——从模糊到清晰的循环

这一步迈出后，画布看起来依然是一团糟。但 AI 绘画并非一步到位，它更像是一位手持橡皮擦和雕刻刀的雕塑家，一点一点将作品“磨”出来。

这个过程在软件中通常被称为“步数”（Steps）。

• 第 1 步： 对着雪花屏强行脑补，画面依然混沌，但已显现出极其微弱的趋势。
• 第 10 步： AI 认为“猫”的形象越来越确定，下手逐渐加重，画面中出现了一个模糊的影子，能隐约辨识出动物的轮廓。
• 第 20 步： 轮廓日益清晰，AI 开始雕琢细节：“此处应有毛发，彼处应是眼睛的反光。”
• 第 30 步： 大功告成！噪点被清理干净，光影、质感完美呈现，一只栩栩如生的猫诞生了。

这就是为什么 AI 生成图片需要几秒钟的时间，因为它在后台快速地进行了数十次“观察-脑补-修正”的循环。

第五部分：灵魂拷问——为什么每次生成的图片都不一样？

人们可能会发现，使用相同的提示词和模型设置，点击两次生成，AI 给出的图片却是完全不同的。既然是机器，为何结果不稳定？

这正是 AI 绘画的迷人之处，其原因主要有二：

1. 起跑线不同（蝴蝶效应）

还记得最初那张“雪花屏”吗？每次点击生成按钮，AI 面对的那张雪花屏都是电脑随机新生成的。

世界上没有两片相同的树叶，也没有两张相同的噪点图。

也许这一次，初始噪点的左上角偶然多出了几个黑点，AI 便觉得：“此处适合画一只黑猫”；下一次，中间的噪点偏黄一点，AI 便觉得：“这次画只橘猫更合理”。

初始状态的极其微小差别，经过数十步的放大，最终导致了结果的巨大不同。这就是 AI 世界的“蝴蝶效应”。

2. “猫”是一个范围，不是一个点

在 AI 的庞大数据库里，“猫”并非一张固定的标准证件照，而是一个巨大的概念库。

提示词只是将 AI 推向了“猫”的领地，但具体落在领地里的哪个位置——是波斯猫还是狸花猫，是躺姿还是坐姿——充满了随机性。除非使用非常精确的语言进行限制，否则 AI 很乐意在“猫”的领地里随机探索。

结语

综上所述，AI 绘画并没有自主意识，它其实并不懂什么是艺术，也不懂什么是猫。

它只是一个阅图无数、拥有超强计算能力的“去噪机器”，一个有着严重强迫症的“脑补大师”。

但正是这种纯粹的数学计算，加上一点点随机的运气，为人类带来了近乎无限的创造力。下次当再次按下生成按钮时，不妨想象一下 AI 在后台对着一堆雪花屏努力“脑补”的样子，这或许正是科技的可爱之处。

本文由mdnice多平台发布

前言：一场技术与激情的双向奔赴

当 2025 年秋季的第一片梧桐叶飘落在交大校园时，一场关于人工智能未来的探索正在悄然展开。这不仅是技术的传授，更是认知的革新——从被动使用AI工具到主动创造智能体，从理论认知到工程实践。上海交通大学“AI赋能智汇高校实训营”正是这样一座桥梁，连接着学术前沿与产业实践，也连接着青年学子与AI的未来。

实训营概况速览

• 时间: 2025年秋季学期
• 地点: 上海交通大学（闵行校区）
• 参与规模: 超过300名交大学子
• 核心目标: 从零掌握大模型本地部署与微调全流程
• 特色亮点: 国内首个全面基于NPU生态的大模型实训课程

能力提升三维度评估

同学们的“高光时刻”数据

1. 参与度爆表

   • 课程满意度评分：4.8/5.0
   • 课后代码提交率：92%
   • 平均每人完成3.2个微调实验
   • 累计GPU/NPU计算时长：超过5,000小时

2. 成果展示墙

   • 37个创意微调项目诞生
   • 12个项目进入 AI 社区“优秀案例库”
   • 最受欢迎应用方向：科研助手、创意写作、代码生成

技术实践全记录：从环境搭建到模型部署

环境配置篇：跨越“第一道门槛”

挑战场景还原：

“老师，torch_npu导入报错了！”
“镜像选择哪一个是正确的？”
——这是开课时最频繁的问题

我们的解决方案：

# 标准化环境配置流程（最终优化版）
# 1. 镜像选择黄金法则
PyTorch (openeuler-python3.10-pytorch2.1.0-openmind0.9.0) 
# 理由：Python3.10兼容性最佳，torch2.1.0与NPU适配最稳定

# 2. 依赖安装“避坑指南”
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
pip install torch==2.5.1 torch_npu numpy==1.26.4 transformers==4.52.4
# 关键发现：transformers 4.52.4对中文多模态支持最优

# 3. 环境校验“三连击”
python -c "import torch; import torch_npu; import vllm_ascend"
# 绿色√出现时，教室里响起的掌声至今难忘

教学反思：

• 提前准备的“常见错误对照表”将问题解决时间缩短70%
• “三人小组互助制”让基础较弱的同学也能跟上进度
• 最受欢迎的教学创新：环境配置“闯关游戏”式教程

模型部署实战：见证“Hello World”时刻

技术路线演进：

Week 1: 基础文本模型 (Qwen2.5-3B)
Week 2: 视觉语言模型 (Qwen2.5-VL-3B)
Week 3: 国产多模态 (InternVL3.5-1B)

代码实践精华：

# 从“复杂难懂”到“一键部署”的蜕变

# 初版（学生普遍反映配置复杂）
# vllm serve /path/to/model --port 8000 --max-model-len 16384 ...

# 优化版（封装为simple_deploy.py）
from deployment_kit import ModelDeployer
deployer = ModelDeployer(model_name="Qwen2.5-VL-3B")
deployer.launch(port=8000, api_type="openai")

# 效果：部署时间从平均30分钟缩短至5分钟

互动环节亮点：

• “模型对话接龙”：每组微调一个特色模型，串联成创意故事
• “Bug排查大赛”：最快解决部署问题的组获得算力奖励
• 最惊艳的学生作品：《红楼梦》风格的多模态对话模型

微调实操：让模型拥有“交大基因”

LoRA微调实战案例：

# 交大校史知识注入配置（student_project_01）
model_name: Qwen2.5-7B
dataset: sjtu_history_qa.json  # 学生自建的校史问答对
lora_config:
  r: 16
  alpha: 32
  target_modules: ["q_proj", "v_proj"]
training_args:
  num_epochs: 3
  per_device_train_batch_size: 4
  learning_rate: 2e-4

训练成果展示：

微调前：
问：上海交通大学何时成立？
答：交通大学是一所历史悠久的高校...

微调后：
问：上海交通大学何时成立？
答：上海交通大学前身为1896年创立的南洋公学，1921年定名为交通大学...
问：钱学森图书馆在哪里？
答：位于上海交通大学闵行校区，是为纪念校友钱学森而建...

技术突破点：

1. 显存优化：QLoRA+梯度检查点，7B模型在24G NPU上可训练
2. 数据质量：学生创新的“三阶段数据清洗法”
3. 评估体系：自动化的ROUGE-L+BERTScore双指标评估

社区生态共建：AI 平台深度合作

AI 特色功能实践

优秀学生项目孵化

项目1：SJTU-CodePal

• 团队：计算机系3名学生
• 技术：基于DeepSeek-Coder微调
• 特色：理解交大课程代码规范（如CS1101实验要求）
• 成果：被《程序设计基础》课程组采纳为辅助工具

项目2：医工交叉文献助手

• 团队：医学院+电院跨学科团队
• 技术：Qwen2.5-VL微调
• 特色：解析医学影像+文献摘要
• 成果：在生物医学工程实验室实际部署

总结

当钱学森图书馆的灯光照亮同学们调试代码的身影，当东下院的键盘声敲响AI时代的序曲，我们深切感受到：教育最美的模样，就是点燃学生眼中的光。那些为环境配置而紧锁的眉头，那些看到模型成功响应时绽放的笑容，那些跨学科碰撞出的思想火花——这些瞬间汇聚成了2025年秋天最温暖的记忆。

感谢每一位参与其中的交大学子，你们的热情与创造力是这趟旅程最宝贵的风景。感谢所有支持单位提供的资源保障。人工智能的未来属于青年，而你们，正站在创造未来的起点上。

路虽远，行则将至；事虽难，做则必成。

LLM幻觉问题至今没有根治方案。RAG能缓解一部分，但成本高、架构复杂，而且只适用于有外部知识源的场景。而对于模型"应该知道但经常搞错"的那类问题，比如历史事件的时间线、人物履历的细节，RAG帮不上什么忙。

Chain-of-Verification（CoVe）的思路是既然模型会在生成时犯错，那就让它生成完之后再检查一遍自己的输出，把能发现的错误纠正掉，然后再给用户看。

听起来像是废话？关键在于"怎么检查"。

直接让模型审视自己刚写的东西，它大概率会坚持原有立场，这是确认偏差在作祟。CoVe的核心贡献是发现了一个绕过这个陷阱的方法：验证时必须把原始输出藏起来，让模型在"失忆"状态下重新回答事实性问题，然后用这些独立验证的答案去校对初稿。

某种意义上，这是给LLM装上了"系统2"思维：快思考先出初稿，慢思考再做验证。

工作流程：起草、规划、验证、修复

CoVe不是什么新的模型架构，它是一种提示编排模式，它把生成过程拆成四步：先让模型写初稿（这时候幻觉随便来），然后让它针对自己的初稿生成一组事实核查问题，接着独立回答这些问题，最后用验证过的事实重写原文。

Factored：真正的关键

前面说的四步里，第一、二、四步都是常规提示工程，用思维链就能搞定，而第三步才是核心。

让LLM一边看着自己写的东西一边验证，会有一个问题，这个在学术上管这叫"sycophancy"，也就是说模型会顺着自己的话往下说。草稿就在上下文窗口里摆着，概率分布会被带偏，模型倾向于认同自己刚编出来的东西。

所以最简单的解决办法是把上下文剥掉。

CoVe论文里发现，回答验证问题时必须把原始草稿藏起来。举个例子：如果你问"根据这个草稿，X是不是在1998年发生的？"模型八成会点头同意自己。但如果你只问"X是什么时候发生的？"它就得老老实实从训练权重里检索答案，没有偏差可言。

隔离验证问题就是逼模型去查自己的知识库，而不是复读自己刚说过的话。

代码实现

下面是CoVe流程的Python实现，封装成一个类。注意第三步里的CRITICAL注释，那就是Factored验证的精髓。

 classChainOfVerification:  
    def__init__(self, llm):  
        self.llm=llm  

    defrun(self, query):  
        # Step 1: Baseline Generation
        # Let the model hallucinate freely here.
        draft_prompt=f"Question: {query}\nAnswer:"  
        draft=self.llm.generate(draft_prompt)  
        print(f"--- DRAFT ---\n{draft}\n")  

        # Step 2: Plan Verifications
        # Ask the model to identify what needs checking.
        plan_prompt=f"""  
        Context: {query}  
        Draft: {draft}  
        Task: Create a list of 3-5 verification questions to check the facts   
        in the draft. Output ONLY the questions.  
        """  
        plan_text=self.llm.generate(plan_prompt)  
        questions=self.parse_questions(plan_text)
        print(f"--- QUESTIONS ---\n{questions}\n")  

        # Step 3: Factored Verification (The Key Step)
        verification_results= []  
        forqinquestions:  
            # CRITICAL: Do NOT include 'draft' in this prompt context.
            # We want the raw model weights to answer this, uninfluenced by the previous lie.
            verify_prompt=f"Question: {q}\nAnswer:"  
              
            # Low temperature is crucial here for factual retrieval
            answer=self.llm.generate(verify_prompt, temperature=0)  
            verification_results.append((q, answer))  

        # Step 4: Final Synthesis
        # Now we bring it all together.
        verification_context=self.format_pairs(verification_results)  
        synthesis_prompt=f"""  
        Original Query: {query}  
        Draft Response: {draft}  
          
        Verification Data:  
        {verification_context}  
          
        Task: Rewrite the Draft Response to be fully accurate.   
        Remove any details contradicted by the Verification Data.  
        """  
        final_response=self.llm.generate(synthesis_prompt)  
          
        returnfinal_response  

    defparse_questions(self, text):  
        return [line.strip() forlineintext.split('\n') if'?'inline]  

    defformat_pairs(self, pairs):  
         return"\n".join([f"Q: {q}\nA: {a}"forq, ainpairs])

CoVe和RAG该怎么选？

每次聊到CoVe，总有人问：为什么不直接用RAG？

两者解决的是不同问题。

RAG适用于模型根本不可能知道答案的场景，比如你公司Q3的销售数据。CoVe适用于模型理论上应该知道、但可能搞混或偷懒的场景，比如按时间顺序列出纽约市历任市长。

而且研究表明两者可以混用：先用CoVe验证RAG检索回来的文档是否真的相关，再决定要不要用。代价是成本翻倍，但在医疗、法律这种高风险场景下，还是可行的。

从Vibe Coding到系统2代理

关注2026年初Agentic爆发的人，大概都听过"Ralph Wiggum"技术这个梗。

名字来自《辛普森一家》里那个喊着"我在帮忙！"却啥也没干成的角色。这技术的核心就是把LLM塞进一个while循环，让它反复尝试直到单元测试通过。暴力验证，Token消耗会爆表但最后确实能撞出正确答案。虽然听起来很好笑，实际上还挺管用。

工具增强版CoVe

opencode、OpenDevin、Windsurf这些现代自主代理已经在用"工具增强"版本的CoVe了。

它们不再只是问自己"这代码对不对"，而是直接动手：先写代码，然后在沙盒里跑npm test或linter，读stderr输出，根据真实报错来修。

这就把CoVe的验证环节从概率猜测变成了确定性判断。

2026年的新拓扑：分支验证

最前沿的做法已经不是简单的线性循环了。是分支。

分支拓扑下，代理不是失败了就重试一次。它会同时提出三个修复方案，在三个隔离容器里并行跑，哪个能让构建变绿就提交哪个。

验证的消耗

这是2026年工程实践必须面对问题

Vibe Coding走系统1路线：快、便宜、但有20%左右的幻觉率，做原型够用。系统2代理反过来：慢、Token成本翻10倍、但可靠性过硬，生产环境离不开。

也就是说是拿计算资源换安心，当业务从聊天机器人升级到自主工程师，这笔成本不是能不能接受的问题，而是必须付的保险费——除非你想承担"Ralph Wiggum式"的风险，比如AI自己把数据库删了。

总结

CoVe的代价很明确：延迟。

生成初稿、生成问题、并行验证、综合重写，整套流程跑下来，Token消耗和响应时间基本翻四倍。对于实时聊天场景，这个延迟可能难以接受。但换个角度看，异步报告生成、代码审查、自动邮件起草这类任务，多等几秒换来输出可信度的大幅提升，这笔账怎么算都划算。

更值得关注的是CoVe带来的转变：过去几年，行业把大量精力投入到"如何让模型生成得更好"上——更大的参数、更多的数据、更精细的对齐。CoVe指向了另一个方向：与其追求一次生成就完美，不如承认模型会犯错，然后在架构层面把纠错机制build进去。

这和软件工程的演进路径很像。早期写代码追求一次写对，后来发现测试驱动开发、持续集成、灰度发布这些"验证优先"的实践才是规模化的正确姿势。

CoVe不会是终点，我们未来大概率会看到更多CoVe与RAG、外部工具、多模型交叉验证的组合方案。

https://avoid.overfit.cn/post/1f3da2d8396d44c6bab8bfea80405cb6

作者：Digvijay Mahapatra

摘要

这两年，跨屏协作在鸿蒙生态里出现得越来越频繁。
从最早的文件互传、多屏办公，到现在的教育课堂、车机联动，设备之间已经不再是“各干各的”。

在游戏领域，这个变化更明显：

• 一块屏幕已经不够玩
• 玩家希望多设备一起参与
• 大屏负责画面，小屏负责操作

但很多开发者一提“跨屏游戏”，第一反应还是投屏、远程控制、镜像显示。
实际上，鸿蒙给的不是投屏方案，而是一整套分布式游戏协作能力。

这篇文章就从游戏开发者的真实视角，讲清楚鸿蒙是如何把多设备变成“一个游戏系统”的。

引言

在传统系统里，如果你想做多设备协作游戏，通常意味着：

• 自己写网络协议
• 自己做设备发现
• 自己处理数据一致性
• 自己兜底各种异常情况

而在 HarmonyOS 里，这些事情被系统层直接兜住了：

• 设备发现靠软总线
• 状态同步靠分布式数据
• UI 跨屏靠 Ability 调度

你要做的事情更偏向游戏逻辑设计本身，而不是重复造轮子。

接下来我们一步一步拆。

什么是鸿蒙里的跨屏游戏协作

跨屏不是投屏

先说一个很重要的点：

鸿蒙的跨屏游戏 ≠ 投屏

投屏的特点是：

• 一端渲染
• 另一端只是显示
• 没有真正的协作逻辑

而鸿蒙的跨屏游戏，更像是：

• 多设备同时运行
• 各自承担不同功能
• 通过系统级分布式能力协同

比如：

• 手机只负责操作和技能
• 平板或智慧屏负责主战场渲染
• 游戏状态在多设备之间自动同步

一个最常见的跨屏游戏形态

手机（控制器）
  │
  │ 操作指令
  ▼
平板 / 智慧屏（主画面）
  │
  │ 游戏状态同步
  ▼
分布式数据中心

支撑跨屏游戏的三大核心能力

分布式软总线：设备能“找到彼此”

在游戏里，你最关心的不是网络协议，而是：

• 能不能快速发现附近设备
• 延迟够不够低
• 掉线能不能感知

鸿蒙的分布式软总线解决的正是这些问题。

你不需要关心设备是：

• Wi-Fi
• 蓝牙
• 局域网
• 点对点

系统会自动选最优链路。

分布式数据管理：状态天然同步

跨屏游戏最怕的几个问题：

• 状态不一致
• 数据打架
• 玩家看到的画面不同步

鸿蒙提供的分布式 KV 数据，天生适合游戏里的：

• 玩家位置
• 血量
• 技能状态
• 回合阶段

而且是系统级同步，不是你自己发包。

分布式 UI：屏幕不是绑死的

在鸿蒙里：

• Ability 可以被拉起到其他设备
• 游戏不用重新启动
• 状态不需要你手动迁移

这对游戏来说很重要，因为你可以自由设计：

• 哪个屏幕显示什么
• 玩家如何参与
• 随时切换设备角色

跨屏游戏的整体架构设计

一个可落地的结构示例

┌────────────┐
│ 手机端     │
│ 操作输入   │
│ 技能按钮   │
└─────┬──────┘
      │
      │ 分布式 KV 数据
      ▼
┌────────────┐
│ 平板端     │
│ 游戏主画面 │
│ 渲染逻辑   │
└────────────┘

手机不负责画面，平板不负责输入，各司其职。

实战核心：跨屏游戏状态同步 Demo

创建分布式 KV Store

import distributedData from '@ohos.data.distributedData';

const kvManager = distributedData.createKVManager({
  bundleName: 'com.example.crossgame',
  context: getContext()
});

const store = await kvManager.getKVStore('gameStore', {
  kvStoreType: distributedData.KVStoreType.SINGLE_VERSION,
  securityLevel: distributedData.SecurityLevel.S1
});

这个 store 在多设备之间是共享的。

手机端发送操作指令

// 模拟摇杆方向
async function sendMove(x: number, y: number) {
  await store.put('player_move', JSON.stringify({
    x,
    y,
    time: Date.now()
  }));
}

这里同步的是“操作”，而不是最终坐标。

平板端监听并更新角色

store.on('dataChange', (data) => {
  data.insertedEntries.forEach(entry => {
    if (entry.key === 'player_move') {
      const move = JSON.parse(entry.value as string);
      updatePlayer(move.x, move.y);
    }
  });
});

跨屏 UI：把主画面拉到大屏

从手机拉起平板的游戏界面

import featureAbility from '@ohos.ability.featureAbility';

featureAbility.startAbility({
  want: {
    bundleName: 'com.example.crossgame',
    abilityName: 'GameMainAbility',
    deviceId: 'remoteDeviceId'
  }
});

前提是：

• 游戏状态已经存在分布式数据中
• 新设备启动后直接读取即可

为什么这个能力对游戏很重要

你不需要：

• 手动传进度
• 重新初始化状态
• 处理复杂的恢复逻辑

系统已经帮你兜底。

真实应用场景拆解

场景一：手机当手柄，大屏玩游戏

适合类型

• 派对游戏
• 本地多人
• 家庭娱乐

逻辑示例

// 手机端：技能释放
await store.put('skill_cast', {
  skillId: 2,
  playerId: 'p1'
});

// 大屏端：技能响应
store.on('dataChange', (data) => {
  data.insertedEntries.forEach(e => {
    if (e.key === 'skill_cast') {
      castSkill(e.value);
    }
  });
});

场景二：非对称协作游戏

比如：

• 一个人当指挥
• 一个人实际操作

// 指挥端下达命令
await store.put('command', {
  type: 'attack',
  target: 'boss'
});

操作端只负责执行，不做决策。

场景三：教育 + 游戏化互动

老师平板控制节奏，学生手机参与。

// 教师端切换关卡
await store.put('game_stage', 'level_2');

学生端监听并同步切换界面。

常见问题 QA

Q1：分布式 KV 会不会太慢？

不会。
它适合的是：

• 低频状态
• 操作指令
• 游戏阶段

高频帧同步需要更底层方案。

Q2：能不能用在竞技类游戏？

可以，但不建议直接用 KV 同步帧数据。
更适合：

• 操作同步
• 客户端预测
• 状态校正

Q3：设备掉线怎么办？

KV 会自动触发变更事件，你可以监听：

• 玩家退出
• 状态回收
• AI 接管

总结

从游戏开发角度看，鸿蒙的跨屏协作并不是噱头，而是一套真正能落地的系统能力。

核心就一句话：

多设备在鸿蒙里，不是多个客户端，而是一个分布式游戏系统。

• 软总线解决连接
• 分布式数据解决同步
• Ability 解决跨屏 UI
• ArkTS 足够把 Demo 跑起来

摘要

随着智能终端越来越多，应用早就不再只运行在一台设备上。手机、平板、智慧屏、手表之间的协作，已经成了很常见的需求。在这种背景下，多设备任务该怎么分、分到哪台设备执行，就成了开发中绕不开的问题。

在鸿蒙系统中，这个问题并不是靠开发者“手动指定设备”来解决的，而是通过 设备能力感知 + 分布式调度机制 来完成。开发者更多关心的是：
这个任务适合干什么，而不是非要在哪台设备干。

本文会结合鸿蒙系统的分布式能力，介绍多设备任务分配的整体思路，并通过可运行的 Demo 代码，把这个过程完整跑一遍，最后再结合几个真实场景，聊聊它在实际项目中该怎么用。

引言

如果放在以前，一个应用基本只跑在一台手机上，最多考虑前后台切换。但现在不一样了：

• 手机在你手里
• 平板在桌子上
• 智慧屏在客厅
• 手表戴在手上

用户希望的是：
设备不同，但体验是连着的。

鸿蒙系统的分布式能力，正是为这种场景设计的。它不是简单的“跨设备通信”，而是把 任务、数据、能力 都变成可以在多设备之间流动的资源。

而多设备任务分配，本质上就是一句话：

把合适的任务，交给合适的设备去做。

鸿蒙多设备任务分配的整体思路

先发现设备，再谈分配

在鸿蒙系统中，只要设备在同一个分布式网络里，系统就能自动发现它们。
开发者不需要自己维护“设备表”，也不用关心设备什么时候上线、下线。

系统会帮你感知这些信息：

• 设备类型（手机、平板、智慧屏）
• 基本性能情况
• 是否可信
• 当前是否可用

你只需要在合适的时机拿到设备列表即可。

任务一定要能拆

多设备任务分配的前提是：
你的业务本身是能拆开的。

比如：

• 页面展示是一块
• 数据采集是一块
• 计算处理是一块

如果一个任务从头到尾全写死在一个 Ability 里，那基本就没法分配了。

系统负责“怎么选设备”

在鸿蒙里，真正“选哪台设备执行”的逻辑，大部分是系统完成的：

• 当前设备忙不忙
• 网络情况好不好
• 设备能力是否匹配
• 是否更适合本地执行

开发者更多是通过 Ability 启动方式、Service 类型、数据同步方式 来间接影响分配结果。

核心实现方式一：跨设备启动 Ability

适合什么场景

这种方式最常见，适合：

• 页面展示
• 功能模块整体迁移
• 用户可感知的交互任务

比如：
手机负责控制，平板负责显示大屏内容。

Demo：在平板上启动远程 Ability

import distributedDeviceManager from '@ohos.distributedDeviceManager';
import featureAbility from '@ohos.ability.featureAbility';

const BUNDLE_NAME = 'com.example.distributeddemo';

let deviceManager = distributedDeviceManager.createDeviceManager(BUNDLE_NAME);

function startRemotePage() {
  let devices = deviceManager.getTrustedDeviceListSync();

  devices.forEach(device => {
    if (device.deviceType === 2) { // 假设 2 表示平板
      let want = {
        bundleName: BUNDLE_NAME,
        abilityName: 'RemotePageAbility',
        deviceId: device.deviceId
      };
      featureAbility.startAbility(want);
    }
  });
}

代码说明

• createDeviceManager：创建设备管理器
• getTrustedDeviceListSync：获取可信设备列表
• deviceType：用于简单区分设备类型
• startAbility：指定 deviceId 后，Ability 会在远端设备启动

整个过程不需要你关心远端设备的进程、生命周期，系统会处理。

核心实现方式二：分布式 Service 执行任务

适合什么场景

这种方式更适合：

• 计算密集型任务
• 后台处理
• 不需要 UI 的逻辑

比如：
手机采集数据，交给性能更强的设备做分析。

Demo：连接远端计算 Service

import featureAbility from '@ohos.ability.featureAbility';

function connectRemoteService(remoteDeviceId: string) {
  let want = {
    bundleName: 'com.example.distributeddemo',
    abilityName: 'ComputeServiceAbility',
    deviceId: remoteDeviceId
  };

  featureAbility.connectAbility(want, {
    onConnect(elementName, remote) {
      console.log('远程 Service 已连接');
      remote.sendMessage({
        command: 'startCompute',
        data: [1, 2, 3, 4]
      });
    },
    onDisconnect() {
      console.log('远程 Service 已断开');
    }
  });
}

代码说明

• Service 在远端设备运行
• 本地通过 IPC 的方式和远端通信
• 计算逻辑完全在远端执行
• 本地只负责发请求、收结果

这种方式非常适合“重计算、轻交互”的任务。

典型应用场景分析与示例

场景一：手机 + 平板的学习展示系统

场景说明

• 手机负责控制、翻页
• 平板负责展示课件内容

实现思路

• 手机发现平板
• 在平板启动展示 Ability
• 通过分布式数据同步当前页码

import distributedData from '@ohos.data.distributedData';

async function syncPage(page: number) {
  let kvManager = distributedData.createKVManager();
  let store = await kvManager.getKVStore('pageStore');
  await store.put('current_page', page);
}

平板端监听数据变化，自动刷新页面。

场景二：多设备健康数据分析

场景说明

• 手表采集心率
• 手机做基础处理
• 平板做数据可视化

实现思路

• 手表同步原始数据
• 手机过滤、预处理
• 平板负责展示图表

核心在于：
任务不是“复制”，而是“分工”。

场景三：家庭智慧屏协同控制

场景说明

• 手机是遥控器
• 智慧屏负责 UI 展示
• 计算逻辑放在智慧屏

实现思路

• 手机只负责发指令
• 智慧屏 Service 处理业务逻辑
• 结果同步回手机

这种模式下，手机压力很小，体验反而更流畅。

常见问题 QA

Q1：我能不能指定“一定要某台设备执行”？

不推荐。
鸿蒙的设计思想是 声明需求，而不是指定设备。
你可以通过能力需求去“引导”，但不建议写死。

Q2：设备突然下线怎么办？

系统会通知连接断开，
你需要做的只有一件事：
支持本地降级执行或重试。

Q3：分布式任务一定比本地慢吗？

不一定。
当任务本身就不适合本地执行时，
分布式反而更快、更省电。

总结

在鸿蒙系统中，多设备任务分配并不是一套复杂、难以理解的机制，它的核心思想其实很简单：

• 把任务拆清楚
• 描述好任务需求
• 把调度交给系统

只要你在设计阶段考虑好“哪些任务适合分出去”，鸿蒙的分布式能力就能自然地帮你把事情做好。

一句话总结就是：

多设备任务分配，不是设备协作有多复杂，而是你有没有把任务设计清楚。

摘要

随着 HarmonyOS / OpenHarmony 在手机、平板、智慧屏、车机等多设备上的落地，应用的复杂度正在明显提升。页面不再只是简单展示，而是伴随着网络请求、数据计算、设备协同等大量逻辑。如果这些逻辑处理不当，很容易出现页面卡顿、点击无响应，甚至 Ability 被系统回收的问题。

线程阻塞，已经成为鸿蒙应用开发中最容易踩坑、也最影响体验的问题之一。本文将结合实际开发场景，用尽量口语化的方式，聊一聊在鸿蒙系统中如何系统性地避免线程阻塞，并给出可以直接运行的 Demo 代码。

引言

在早期的应用开发中，很多开发者习惯把逻辑直接写在点击事件里，或者在页面加载时同步读取数据。这种写法在简单页面中问题不大，但在 HarmonyOS 这种强调流畅体验和多设备协同的系统中，很容易暴露问题。

鸿蒙的 UI 是声明式的，系统对主线程（UI 线程）非常敏感。一旦主线程被占用，页面掉帧、动画卡住、操作延迟都会立刻出现。因此，理解哪些操作会阻塞线程，以及如何把这些操作合理地“挪走”，是每个鸿蒙开发者绕不开的一课。

下面我们从原理、工具、代码和真实场景几个角度，完整地拆解这个问题。

为什么线程阻塞在鸿蒙中这么致命

UI 线程到底在忙什么

在 HarmonyOS 中，UI 线程主要负责三件事：

• ArkUI 页面渲染
• 用户事件分发（点击、滑动等）
• Ability 生命周期回调

简单理解就是：只要和“看得见、点得动”有关的事情，几乎都在 UI 线程上完成。

一旦你在这里做了耗时操作，比如计算、IO、网络等待，页面就会立刻表现出“卡”的感觉。

常见的阻塞来源

在实际项目中，最容易导致阻塞的操作通常包括：

• 同步网络请求
• 文件读写
• 数据库查询
• 大量 for 循环计算
• 人为 sleep 或死循环

这些操作本身不一定是错的，问题在于它们被放在了不该放的线程上。

鸿蒙中避免线程阻塞的核心思路

一个总原则

可以把鸿蒙里的线程使用总结成一句话：

UI 线程只处理 UI，其他事情交给异步、线程池或 Worker。

围绕这个原则，系统也提供了多种工具，帮助开发者把任务“分流”。

异步编程是第一道防线

使用 async / await 处理耗时逻辑

在 ArkTS 中，官方推荐优先使用 Promise 和 async / await。它的好处是代码结构清晰，而且不会阻塞 UI 线程。

示例：页面加载网络数据

@Entry
@Component
struct AsyncDemo {
  @State message: string = '加载中...'

  build() {
    Column() {
      Text(this.message)
        .fontSize(20)
        .margin(20)

      Button('重新加载')
        .onClick(() => {
          this.loadData()
        })
    }
  }

  async loadData() {
    this.message = '请求中...'
    let response = await fetch('https://example.com/data')
    let result = await response.text()
    this.message = result
  }
}

代码说明

• loadData 使用 async 声明，不会阻塞 UI
• await 只是暂停当前函数执行，不会卡住页面
• UI 更新完全由状态变化驱动

这是最基础、也是最常用的一种防阻塞方式。

TaskPool：处理计算和 IO 的利器

什么时候该用 TaskPool

当你遇到下面这些情况时，TaskPool 几乎是必选项：

• 大量计算
• 批量数据处理
• 文件压缩、解析

可运行 Demo 示例

import taskpool from '@ohos.taskpool'

@Concurrent
function calculateSum(count: number): number {
  let sum = 0
  for (let i = 0; i < count; i++) {
    sum += i
  }
  return sum
}

@Entry
@Component
struct TaskPoolDemo {
  @State result: string = '等待计算'

  build() {
    Column() {
      Text(this.result)
        .fontSize(18)
        .margin(20)

      Button('开始计算')
        .onClick(() => {
          this.startTask()
        })
    }
  }

  startTask() {
    this.result = '计算中...'
    taskpool.execute(calculateSum, 1000000).then(res => {
      this.result = `结果是：${res}`
    })
  }
}

代码说明

• @Concurrent 表示该函数可以并发执行
• TaskPool 自动管理线程，不需要开发者手动创建线程
• UI 线程只负责接收结果和更新状态

在真实项目中，使用 TaskPool 往往能立刻解决页面卡顿问题。

Worker：长期后台任务的选择

Worker 的使用场景

如果任务具有下面这些特点，就更适合使用 Worker：

• 长时间运行
• 需要持续处理数据
• 与 UI 强隔离

比如日志分析、音视频处理、复杂解析等。

示例：使用 Worker 处理数据

主线程代码

let worker = new Worker('workers/data_worker.ts')

worker.postMessage({ action: 'start' })

worker.onmessage = (e) => {
  console.log('收到结果：', e.data)
}

Worker 线程代码

onmessage = function (e) {
  if (e.data.action === 'start') {
    let result = 0
    for (let i = 0; i < 500000; i++) {
      result += i
    }
    postMessage(result)
  }
}

代码说明

• Worker 与 UI 线程完全独立
• 即使计算时间较长，也不会影响页面交互
• 通过消息机制进行通信

结合实际场景的应用示例

场景一：列表页面加载大量数据

问题：

• 首次进入页面时一次性处理全部数据
• 页面明显卡顿

解决思路：

• 网络请求使用 async
• 数据整理放入 TaskPool

async loadList() {
  let data = await fetchData()
  taskpool.execute(processData, data).then(list => {
    this.list = list
  })
}

场景二：文件导入与解析

问题：

• 文件较大
• 解析过程耗时

解决思路：

• Worker 负责解析
• UI 只显示进度

worker.postMessage({ filePath })

场景三：复杂计算驱动 UI 更新

问题：

• 计算逻辑和 UI 耦合

解决思路：

• 计算完全放到 TaskPool
• UI 只订阅结果

QA 环节

Q：async / await 会不会阻塞线程？
A：不会，它只是让出执行权，不会卡住 UI 线程。

Q：TaskPool 和 Worker 怎么选？
A：短期、一次性的任务优先 TaskPool，长期或持续任务用 Worker。

Q：能不能在生命周期里做耗时操作？
A：不建议，生命周期函数应尽量轻量。

总结

线程阻塞并不是某一个 API 的问题，而是设计问题。在 HarmonyOS 中，系统已经为我们准备好了异步模型、TaskPool 和 Worker，只要遵循“UI 线程只做 UI”的原则，大多数卡顿问题都可以提前避免。

在真实项目中，提前做好任务拆分、线程规划，比后期排查卡顿要省心得多。这也是鸿蒙开发从“能跑”到“跑得顺”的一个重要分水岭。

本文引用了45岁老架构师尼恩的技术分享，有修订和重新排版。

1、引言

分布式IM聊天系统中，IM消息怎么做到不丢、不重、还按顺序到达？这个问题，涉及到IM系统的两个核心：1）消息不能丢（可靠性）：比如用户点了发送，不能因为服务宕机或网络抖动，消息石沉大海。比如地铁隧道、电梯间，网络断了又连，消息不能卡住不动（要确保弱网也能用）。2）顺序不能乱（有序性）：比如“在吗？” 回成 “吗在？”，群聊时间线错乱，体验直接崩盘。这二大痛点，是IM聊天系统架构的命门所在。下面是一张IM消息从发出到接收的关键路径：

2、系列文章

为了更好以进行内容呈现，本文拆分两了上下两篇。本文是2篇文章中的第 1 篇：《如何保障分布式IM聊天系统的消息有序性（即消息不乱）》（☜ 本文）《如何保障分布式IM聊天系统的消息可靠性（即消息不丢）》（稍后发布..）本篇主要总结和分享分布式IM聊天系统架构中关于消息有序性的设计和实践。

3、传统技术方案的瓶颈，怎么破？

早期做消息有序，很多人第一反应是搞个“全局发号器”——所有消息排一队，挨个编号再发。理想很丰满，现实很骨感：高并发下一拥而上抢号，发号器直接被打满；更致命的是，它一旦宕机，全链路雪崩。这就像春运火车站只开一个售票窗——再快也撑不过三分钟。所以，我们必须换思路：不搞大一统，而是分片独立发号，让每个“窗口”自给自足，互不干扰。

4、痛点拆解：为什么消息会乱？

我们先还原一个真实场景： 想象一下你和朋友聊天：你说：“1 吃饭了吗？”他回：“2 刚吃完。”你又说：“3 吃啥呢？”结果对方手机上显示成：“3  吃啥呢？” → “1 吃饭了吗？” → “2 刚吃完。”这不是 bug，是分布式系统的常态。三条消息走不同服务节点、经不同网络路径，到达时间完全不可控，最终呈现顺序错乱。会乱 问题本质是什么？一个要“串行等”，一个想“并发冲”，天然冲突。这时候有人会说：那我加个全局排序服务不就行了？可以，但代价太大——一个中心节点最多撑几万 QPS，面对百万群聊、亿级用户，还没上线就已过载。所以，全局有序不是解，而是枷锁。我们要的不是“天下大同”，而是“各聊各的别乱就行”。

5、最终方案：分而治之 + 局部有序

真正的突破口在于：我们根本不需要全局有序，只需要“会话内有序”。你和张三的聊天记录不能乱，但你和李四的聊天跟王五的完全无关——何必放一起排序？这就引出了经典策略：分而治之 + 局部有序。具体怎么做？两步走稳： 第一步 - 业务分区： 哈希分片，锁定归属用 sessionId 做一致性哈希，确保同一个会话的所有消息始终路由到同一个处理节点。按“会话ID”做哈希，算出该消息该由哪个节点处理。同一会话 → 哈希值一样 → 路由到同一台机器 → 所有消息串行处理，天然避免跨节点乱序。这样一来，单个会话内的消息在服务端就是串行处理的，天然不会乱。 第二步 - 局部序号：独立发号，局部递增每个会话独立维护一个计数器，每来一条消息就+1，作为它的“官方序号”。每个会话,可以配一个独立计数器（比如 Redis 的 INCR），每来一条消息就+1，生成唯一 SEQ。客户端不管什么时候收到消息，只认这个序号，按序号从小到大排列展示。这个 SEQ 就是这条消息的“官方身份证号”，客户端只认这个，不看接收时间。这就像电影院检票——你可以早到晚到，但座位按票号定。哪怕后排观众先进场，也不会坐到前排去。PS：IM消息ID生成相关的文章可详细阅读以下资料：《IM消息ID技术专题(一)：微信的海量IM聊天消息序列号生成实践（算法原理篇）》《IM消息ID技术专题(二)：微信的海量IM聊天消息序列号生成实践（容灾方案篇）》《IM消息ID技术专题(三)：解密融云IM产品的聊天消息ID生成策略》《IM消息ID技术专题(四)：深度解密美团的分布式ID生成算法》《IM消息ID技术专题(五)：开源分布式ID生成器UidGenerator的技术实现》《IM消息ID技术专题(六)：深度解密滴滴的高性能ID生成器(Tinyid)》《IM消息ID技术专题(七)：深度解密vivo的自研分布式ID服务(鲁班)》

6、实践落地（核心片段伪代码）

1）服务端分片路由逻辑：来看关键实现：如何把消息精准投递给“对的人”。String sessionId = msg.getSessionId();//这里是伪代码，实际代码以mq 的负载均衡机制为准int nodeIndex = Math.abs(sessionId.hashCode()) % clusterNodeCount; //这里写个伪代码，代表mq  主从复制ClusterNode targetNode = clusterNodes.get(nodeIndex);targetNode.sendMsg(msg);核心就一句：基于会话 ID 哈希取模，固定路由。从此，每个会话都有了自己的“专属服务通道”，不再受其他会话影响。2）服务端序号分配逻辑：接下来，给每条消息发“通行证”：long msgSeq = redis.incr("msg_seq_" + sessionId);msg.setSeq(msgSeq);msg.setUniqueKey(sessionId + "_" + msgSeq);这里用了 Redis 的 INCR，保证同一个会话下的 SEQ 绝对递增，且线程安全。同时用 sessionId_seq 作为唯一键，既能幂等去重，也能防止重试导致消息重复入库。实战提示：如果你的 Redis 是集群模式，记得确保同一个会话的 key 落在同一 slot，否则 INCR 可能跨节点失效。3）客户端排序逻辑：最后一步，客户端收尾：别急着渲染，先排好队。//这里是伪代码， 先排序List<Msg> sortedMsgs = msgList.stream()    .sorted(Comparator.comparingLong(Msg::getSeq))    .collect(Collectors.toList());//这里是伪代码， 再渲染renderMsgList(sortedMsgs);无论消息以什么顺序到达，统统按 seq 升序排列后再上屏。哪怕第100条先到，第1条后到，也能正确归位。这也是为什么我们强调“客户端必须信任服务端 SEQ”——它是唯一真相源。

7、方案总结：放弃全局有序，换高可用与高性能

总结一下，这套方案的核心思想就一句话：不要为“假需求”买单——我们不需要全局有序，只需要业务上有意义的有序。你看微信、钉钉、飞书，哪一个是把全平台消息排成一条队列的？没有。它们都选择了“会话级隔离 + 局部有序”的设计，这才是工业级系统的通用解法。背后的分布式哲学也很清晰：

最终换来的是：1）高并发支持（水平扩展）；2）高可用（无单点）；3）强一致体验（用户无感知）。这正是中高级开发者必须掌握的权衡思维：不是技术做不到，而是要不要做。有时候，“不做全局有序”，反而是最正确的选择。

8、 IM消息有序性架构的核心流程总结

最后，一张图串起全流程：

从发起到渲染，全程围绕“会话隔离”和“局部发号”展开。每一个环节都在为同一个目标服务：在分布式环境下，低成本实现用户可感知的“顺序正确”。

—— 下篇《如何保障分布式IM聊天系统的消息可靠性（即消息不丢）》稍后发布，敬请期待 ——

9、参考资料

[1] 什么是IM聊天系统的可靠性？
[2] 什么是IM聊天系统的消息时序一致性？
[3] 微信技术分享：微信的海量IM聊天消息序列号生成实践（算法原理篇）
[4] 马蜂窝旅游网的IM系统架构演进之路
[5] 一套亿级用户的IM架构技术干货(下篇)：可靠性、有序性、弱网优化等
[6] 从新手到专家：如何设计一套亿级消息量的分布式IM系统
[7] 企业微信的IM架构设计揭秘：消息模型、万人群、已读回执、消息撤回等
[8] 融云技术分享：全面揭秘亿级IM消息的可靠投递机制
[9] 阿里IM技术分享(四)：闲鱼亿级IM消息系统的可靠投递优化实践
[10] 阿里IM技术分享(八)：深度解密钉钉即时消息服务DTIM的技术设计
[11] 基于实践：一套百万消息量小规模IM系统技术要点总结
[12] 一套分布式IM即时通讯系统的技术选型和架构设计
[13] 转转平台IM系统架构设计与实践(一)：整体架构设计
[14] 移动端弱网优化专题(一)：通俗易懂，理解移动网络的“弱”和“慢”
[15] 移动端弱网优化专题(二)：史上最全移动弱网络优化方法总结
[16] Web端即时通讯实践干货：如何让你的WebSocket断网重连更快速？
[17] 从客户端的角度来谈谈移动端IM的消息可靠性和送达机制
[18] IM消息送达保证机制实现(一)：保证在线实时消息的可靠投递
[19] 移动端IM中大规模群消息的推送如何保证效率、实时性？
[20] 如何保证IM实时消息的“时序性”与“一致性”？
[21] 一个低成本确保IM消息时序的方法探讨

即时通讯技术学习：

• 移动端IM开发入门文章：《新手入门一篇就够：从零开发移动端IM》
• 开源IM框架源码：https://github.com/JackJiang2011/MobileIMSDK（备用地址点此）

（本文已同步发布于：http://www.52im.net/thread-4887-1-1.html）