背景介绍

随着HarmonyOS 的发展，很多开发者将鸿蒙作为重要开发平台，尤其是在华为激励计划的加持下，涌入大量开发者贡献了大量应用，将大量创意带个了鸿蒙生态。

但随着时间推移，许多开发者发现，鸿蒙的应用审核似乎异常“严格”，很多开发者上架提审时被卡在了《审核指南》3.5和3.7项：

• 3.5项的规则是：应用需具备实用价值，能为用户提供实质功能/服务，且需具备创意，不得为纯信息展示，包括但不限于单一图片、单一页面、单一影视剧集类、单一图书单行本类、单一非官方游戏攻略类等。应用不得是简单打包的网站页面或套用模板、内容聚合、罗列链接、广告推广等，或为手机系统自带的简易功能。
• 3.7项的规则是：请避免继续在已有较多类似应用的类别下进行开发，如敲木鱼、随机选择、计算器、手电筒、记事本、记账、天气、数字大小写转换、日历、指南针、智能遥控、镜子、助眠睡眠、证件照、色彩助手、手持弹幕、播放器、万能遥控器、外卖跑腿聚合平台、生鲜买菜服务聚合平台、计时类、Wi-Fi管理类、Wi-Fi搜索连接类、Wi-Fi检测提速类等类别的应用，除非您的应用能够提供独特、高质量的体验，为用户提供多样、优质的功能和服务，否则您的应用可能会被拒绝或移除。
  还有不少开发者反馈，被3.5或3.7规则拒审后，又增加了不少页面和功能还是被以同样的原因拒审，甚至有人再传只要被3.5或3.7基本死刑了，需要重新想创意开发了。小编正好之前被3.5拒审后面通过迭代成功上架打破传言，本文就通过复盘3.5后迭代的经历分享打破3.5魔咒的经验。
  

应用功能介绍

小编开发的应用叫”智能带办“，踩中了个人开发者最常开发的应用清单，是个清单类应用。创意来源于日常生活中自己的痛点，每次出差出远门或者从帝都回老家，都要拉一个单子把所有要带的东西都列出来，大部分情况带的东西都差不多，一般都记录在备忘录中，列清单的时候很耗费精力，想到AI能力越来越强大，可不可以让AI给生成？在AI工具中虽然可以生成清单，但是又没法做勾选等操作，融合操作和AI能力就想到做一个智能生成带办的应用，应用的亮点就是专注解决出行携带难题，通过AI智能生成场景清单，让你告别遗忘，轻松应对每一次出差、旅行、露营与日常外出。

智能带办，让你每一次出发，都底气十足。
告别“忘带焦虑”，从容开始每一段行程。

3.5拒审版本功能盘点

提审被拒绝的版本主要包含四个页面：Chat、历史、我的、详情。在Chat页面输入要办的事情自动生成要带物品清单，勾选物品确认后生成带办清单并自动跳转到详情页，页面效果如下：
Chat页面：

清单页面：

清单展开详情页：

详情页：

新迭代功能

在重新提审的版本对整个代码工程做了重构，UI也进行了优化，包含功能：
推荐：

清单页：

Chat页：

详情页：

碰一碰页：

语音输入：

对比拒审前和拒审后版本功能区别如下：
1、UI美化
2、增加了推荐功能
3、增加了HarmonyOS 系统碰一碰分享能力
4、增加了语音输入功能
5、Chat页输入框上方增加了推荐问题

复盘总结

通过对比被拒版本与最终上架版本，我们可以清晰地看到一个核心转变：从“一个不错的功能点子”进化为“一个完整、独特且有深度的产品”。这不仅是一次功能的叠加，更是对审核规则内涵的深刻理解与主动契合。下面，我将逐点拆解迭代背后的逻辑，还原打破“3.5魔咒”的真实路径。

1. 从“单薄的功能演示”到“完整的用户体验闭环”

   • 原版本痛点：应用流程始于Chat输入，终于清单生成与勾选。这更像是一个AI工具的“功能演示”，用户使用路径短，用完即走，缺乏留存价值和持续使用场景，恰好落入规则3.5所述“功能单薄”的范畴。

   • 迭代策略与效果：

     • 增加“推荐”页：这是本次迭代的“棋眼”。它不再是空白的起点，而是提供了“出差”、“露营”、“健身”等丰富的预设场景。这带来了三大好处：其一，直观证明了应用的“实用价值”和解决多种场景问题的能力，直接回应了审核对“实质功能”的要求；其二，降低了用户冷启动门槛，提升了易用性；其三，构建了内容厚度，让应用看起来像一个精心策划的工具集，而非一个简单的输入框。
     • 结果：应用从一个“AI清单生成器”变成了一个“出行准备助手”，用户体验形成了“浏览场景-选择/自定义-生成-管理”的完整闭环。

2. 从“通用AI套壳”到“彰显HarmonyOS独特性”

   • 原版本痛点：功能完全依赖AI接口，在任何平台均可实现，未能体现鸿蒙生态的独特优势。这容易让审核认为应用是“简单打包”或“套用模板”，缺乏不可替代性。

   • 迭代策略与效果：

     • 深度集成“碰一碰”能力：此功能是彰显“鸿蒙基因”的关键。它不再是简单的文本分享，而是通过系统能力实现了跨设备的无缝清单流转。这充分展示了开发者对HarmonyOS系统级能力的钻研与应用，证明了应用是为鸿蒙原生体验而设计，提供了其他平台难以复制的“独特、高质量的体验”（这也恰好回应了规则3.7的精神）。
     • 结果：应用的核心竞争力从“能生成清单”升级为“能在鸿蒙生态中优雅、便捷地生成和协同处理清单”，差异性豁然开朗。

3. 从“基础交互”到“丰富且人性化的交互维度”

   • 原版本痛点：交互方式仅有文字输入和点击勾选，较为单一。

   • 迭代策略与效果：

     • 增加“语音输入”：这不仅仅是增加一个功能，更是提升了应用的易用性、包容性和现代化程度。在出行准备等双手可能不便的场景下，语音输入尤为实用。它展现了开发者在打磨用户体验上的深度思考。
     • 增加“推荐问题”：在Chat页输入框上方添加推荐问题（如“周末露营带什么？”），极大地引导了用户，丰富了交互的启发性和探索性，让AI工具变得更“聪明”和友好。
     • 结果：应用提供了文字、语音、预设场景选择、碰一碰分享等多种交互路径，功能层次变得更加立体和丰满，彻底摆脱了“单一页面”、“简单操作”的观感。

4. UI美化：不仅是“面子”，更是“里子”的体现

   • UI重构与美化：这常常被开发者视为“表面功夫”，但在审核视角中，精致的UI是应用“高质量”和“完成度”最直观的外在表现。一个粗糙的界面会强化“敷衍”、“模板化”的印象；而一个设计精良、符合鸿蒙设计规范的界面，则传递出开发者认真打磨产品、尊重用户的积极信号。本次的UI优化，与功能深化同步，共同塑造了一款成熟应用的质感。

核心经验提炼：给开发者的避坑指南

1. 超越功能点，思考用户旅程：不要只满足于实现核心功能。问自己：用户从哪里来（入口引导）？核心功能之后还能做什么（场景延伸/分享/管理）？如何让他下次还想用（留存价值）？构建闭环。
2. 拥抱系统能力，打造生态差异化：在鸿蒙上开发，务必主动探索并集成Kit能力（如碰一碰、原子化服务、卡片等）。这是证明你为鸿蒙而来、并能为鸿蒙生态增色的最强证据。
3. 叠加交互维度，展现思考深度：在主流程上，思考是否能提供更便捷（如语音）、更引导（如推荐）、更趣味（如动效）的交互方式。丰富的交互是“功能深度”的体现。
4. 用视觉品质为产品背书：将UI/UX视为产品不可或缺的一部分。高质量的设计能无形中提升审核对应用整体质量的评价。

结论

“智能带办”通过审核的经历证明，规则3.5并非“死刑判决”，而是一道清晰的“产品成熟度”分水岭。被拒不是创意的终结，而是产品打磨的开始。关键在于，开发者必须跳出“我明明有这个功能”的委屈心态，转而以审核规则为镜，以更高标准审视自己的应用：它是否构成了完整服务？是否具备生态特色？交互是否丰满精致？当你的应用能从这些维度展现出独特价值和用心之处时，“3.5魔咒”自然不攻自破。

作者：王元

1. 背景与痛点：存量代码的“多语言噩梦”

在前端开发中，将一个成熟的中文存量项目进行国际化多语言（i18n）改造，往往面临着以下困境：

•工作量巨大： 项目包含数百个 .vue/.js/.ts 等文件，散落着成千上万个硬编码的中文字符串。

•人工易错： 手动提取容易遗漏，且极其枯燥，极易产生 Copy/Paste 错误。

•命名困难： 为每一个中文词条想一个语义化的英文 Key（如 homePageTitle）不仅耗时，而且难以保证团队风格统一。

•维护成本高： 翻译文件（zh.ts/en.ts）的维护和代码中的替换需要同步进行，稍有不慎就会导致报错。

如果按照传统的人工查找替换方式，预计需要耗费数周的人力。为了打破这一僵局，我决定利用 JoyCode 结合我开发的 i18n-mcp 工具，打造一套自动化的国际化多语言解决方案。



2. 解决方案：JoyCode + i18n-mcp

我基于 MCP (Model Context Protocol) 开发了一个工具 i18n-mcp，通过 JoyCode 的 AI 能力来调度和执行以下三个核心步骤，实现了从“提取”到“替换”的全链路自动化。

流程图

以下是i18n-mcp的流程图（由JoyCode生成）



核心流程拆解

第一步：智能提取中文与去重

i18n-mcp 自动扫描所有源文件。利用正则或 AST（抽象语法树）精准识别代码中的中文字符串（包括 Template、Script 和 JSX 部分）。

•全量扫描（full-project-scan工具）： 文件过多的时候，全量扫描会有问题。可以通过指定文件夹的方式，扫描该文件夹下面的文件。

•增量扫描（git-change工具）：针对git变更的文件，进行扫描。精准定位变更文件，仅处理本次变更涉及的代码，大幅提升效率。

•智能去重： 对提取出的文本进行去重，确保相同的中文文案（如“确认”、“取消”）只生成一个 Key，避免冗余。

第二步：AI 辅助翻译与文件生成

•翻译缓存： 优先查询 数据存储层 中的 Translation Cache，已翻译过的文案直接复用，显著降低 Token 消耗并加速流程。

•自动化翻译： 提取的中文列表没有在缓存中或zh文件中的，被发送给 LLM，自动翻译成英文。

•语义化 Key 生成： 区别于传统 Hash 值，LLM 根据代码上下文（Context）自动生成符合语义的 Key（如将“请输入密码”生成为 pleaseInputPassword），提升代码可读性。

•文件落地： 自动在 lang 文件夹下生成标准的 zh.ts 和 en.ts 文件。



生成示例： zh.ts: { "pleaseSelect": "请选择" } en.ts: { "pleaseSelect": "Please Select" }





第三步：一键代码替换

•变更预览 (Preview)： 在实际修改前，可调用 preview-changes 工具展示即将变更的代码对比，确保修改符合预期。

•AST 节点替换： 使用 extract-and-replace 工具，将源代码中的硬编码字符串精准替换为国际化方法（如 $t('pleaseSelect')）。

•无损格式保持： 基于 AST 的替换策略能够完美保留原代码的缩进、换行和注释，修改后的代码无需二次 Lint 即可直接提交。





3. 成果与收益：从“数周”到“数小时”

通过引入 JoyCode + i18n-mcp 的实践，我在项目的国际化改造中取得了显著的成效：

📊 定量收益

💡 定性收益

1.解放生产力： 从枯燥的“搬运工”工作中解脱出来，可以专注于业务逻辑和核心功能的开发。

2.代码规范统一： AI 生成的 Key 风格高度统一（全驼峰），避免了“千人千面”的命名混乱。

3.可维护性增强： 建立了自动化的语言包管理机制，后续新增词条只需运行脚本即可。



4. i18n-mcp开发

i18n-mcp是我首次开发MCP，整体难度相对较低。对于前端部分，基于github模板进行开发，随后发布至公司NPM私服即可。

核心代码主要由JoyCode的编码功能协助完成。按照上述核心流程步骤通过问答交互的方式，引导JoyCode完成核心代码的开发工作。

整个i18n-mcp架构图如下所示（架构图亦由JoyCode生成）。





MCP配置如下

{
  "mcpServers": {
    "i18n-mcp": {
      "autoApprove": [],
      "disabled": true,
      "timeout": 180,
      "command": "npx",
      "type": "stdio",
      "transportType": "stdio",
      "args": [
        "-y",
        "@jd/i18n-mcp@latest"
      ],
      "env": {}
    }
  }
}

效果

配置之后，输入prompt “调用i18n-mcp的auto-i18n-process方法”

效果如下：



5. 总结

尽管目前 i18n-mcp 仍存在一些不足，例如在全面扫描大量文件时可能出现连接错误、翻译和替换结果不够准确等问题，仍需人工进行二次校验，但其在短时间内辅助开发的价值依然显著。在本次实践过程中，我主要通过 JoyCode 的交互式问答完成开发工作。JoyCode 不仅在代码补全方面发挥了重要作用，更凭借其强大的智能调度和自动化执行能力，成为高效处理复杂任务的核心中枢。结合 i18n-mcp 的开发，AI技术的深度赋能得以充分体现，大幅提升了开发的效率。

后续，我将持续研究 AI 在前端开发中的落地场景，充分发挥 AI 辅助开发的强大能力。通过深入探索和应用 AI 技术，进一步释放其在业务创新与效率提升方面的巨大潜力。

作者：王元

1. 背景与痛点：存量代码的“多语言噩梦”

在前端开发中，将一个成熟的中文存量项目进行国际化多语言（i18n）改造，往往面临着以下困境：

•工作量巨大： 项目包含数百个 .vue/.js/.ts 等文件，散落着成千上万个硬编码的中文字符串。

•人工易错： 手动提取容易遗漏，且极其枯燥，极易产生 Copy/Paste 错误。

•命名困难： 为每一个中文词条想一个语义化的英文 Key（如 homePageTitle）不仅耗时，而且难以保证团队风格统一。

•维护成本高： 翻译文件（zh.ts/en.ts）的维护和代码中的替换需要同步进行，稍有不慎就会导致报错。

如果按照传统的人工查找替换方式，预计需要耗费数周的人力。为了打破这一僵局，我决定利用 JoyCode 结合我开发的 i18n-mcp 工具，打造一套自动化的国际化多语言解决方案。



2. 解决方案：JoyCode + i18n-mcp

我基于 MCP (Model Context Protocol) 开发了一个工具 i18n-mcp，通过 JoyCode 的 AI 能力来调度和执行以下三个核心步骤，实现了从“提取”到“替换”的全链路自动化。

流程图

以下是i18n-mcp的流程图（由JoyCode生成）



核心流程拆解

第一步：智能提取中文与去重

i18n-mcp 自动扫描所有源文件。利用正则或 AST（抽象语法树）精准识别代码中的中文字符串（包括 Template、Script 和 JSX 部分）。

•全量扫描（full-project-scan工具）： 文件过多的时候，全量扫描会有问题。可以通过指定文件夹的方式，扫描该文件夹下面的文件。

•增量扫描（git-change工具）：针对git变更的文件，进行扫描。精准定位变更文件，仅处理本次变更涉及的代码，大幅提升效率。

•智能去重： 对提取出的文本进行去重，确保相同的中文文案（如“确认”、“取消”）只生成一个 Key，避免冗余。

第二步：AI 辅助翻译与文件生成

•翻译缓存： 优先查询 数据存储层 中的 Translation Cache，已翻译过的文案直接复用，显著降低 Token 消耗并加速流程。

•自动化翻译： 提取的中文列表没有在缓存中或zh文件中的，被发送给 LLM，自动翻译成英文。

•语义化 Key 生成： 区别于传统 Hash 值，LLM 根据代码上下文（Context）自动生成符合语义的 Key（如将“请输入密码”生成为 pleaseInputPassword），提升代码可读性。

•文件落地： 自动在 lang 文件夹下生成标准的 zh.ts 和 en.ts 文件。



生成示例： zh.ts: { "pleaseSelect": "请选择" } en.ts: { "pleaseSelect": "Please Select" }





第三步：一键代码替换

•变更预览 (Preview)： 在实际修改前，可调用 preview-changes 工具展示即将变更的代码对比，确保修改符合预期。

•AST 节点替换： 使用 extract-and-replace 工具，将源代码中的硬编码字符串精准替换为国际化方法（如 $t('pleaseSelect')）。

•无损格式保持： 基于 AST 的替换策略能够完美保留原代码的缩进、换行和注释，修改后的代码无需二次 Lint 即可直接提交。





3. 成果与收益：从“数周”到“数小时”

通过引入 JoyCode + i18n-mcp 的实践，我在项目的国际化改造中取得了显著的成效：

📊 定量收益

💡 定性收益

1.解放生产力： 从枯燥的“搬运工”工作中解脱出来，可以专注于业务逻辑和核心功能的开发。

2.代码规范统一： AI 生成的 Key 风格高度统一（全驼峰），避免了“千人千面”的命名混乱。

3.可维护性增强： 建立了自动化的语言包管理机制，后续新增词条只需运行脚本即可。



4. i18n-mcp开发

i18n-mcp是我首次开发MCP，整体难度相对较低。对于前端部分，基于github模板进行开发，随后发布至公司NPM私服即可。

核心代码主要由JoyCode的编码功能协助完成。按照上述核心流程步骤通过问答交互的方式，引导JoyCode完成核心代码的开发工作。

整个i18n-mcp架构图如下所示（架构图亦由JoyCode生成）。





MCP配置如下

{
  "mcpServers": {
    "i18n-mcp": {
      "autoApprove": [],
      "disabled": true,
      "timeout": 180,
      "command": "npx",
      "type": "stdio",
      "transportType": "stdio",
      "args": [
        "-y",
        "@jd/i18n-mcp@latest"
      ],
      "env": {}
    }
  }
}

效果

配置之后，输入prompt “调用i18n-mcp的auto-i18n-process方法”

效果如下：



5. 总结

尽管目前 i18n-mcp 仍存在一些不足，例如在全面扫描大量文件时可能出现连接错误、翻译和替换结果不够准确等问题，仍需人工进行二次校验，但其在短时间内辅助开发的价值依然显著。在本次实践过程中，我主要通过 JoyCode 的交互式问答完成开发工作。JoyCode 不仅在代码补全方面发挥了重要作用，更凭借其强大的智能调度和自动化执行能力，成为高效处理复杂任务的核心中枢。结合 i18n-mcp 的开发，AI技术的深度赋能得以充分体现，大幅提升了开发的效率。

后续，我将持续研究 AI 在前端开发中的落地场景，充分发挥 AI 辅助开发的强大能力。通过深入探索和应用 AI 技术，进一步释放其在业务创新与效率提升方面的巨大潜力。