DevEco CLI 接入 AI Agent 的鸿蒙开发实战

鸿蒙专家

本地 AI 编码助手和自研 AI Agent 已经成为不少团队的日常研发工具，但一个常见的问题是：这些模型对 HarmonyOS 的 API、构建链和调试方式了解有限，生成的代码经常是基于过时信息或通用 Android 经验的产物。华为推出的 DevEco CLI 就是为了解决这个信息差问题，它把 DevEco Studio 的工具链统一封装为命令行接口，同时内置了 HarmonyOS 官方知识库，让 AI Agent 可以直接调度真实的鸿蒙开发能力。

DevEco CLI 本质上是一个原子化能力调度枢纽。它内部封装了 ohpm、hvigor、hdc、emulator、hilog 这些 DevEco Studio 的核心工具，并且额外集成了 HarmonyOS 技能安装、项目脚手架、本地官方文档检索和 MCP 服务。换句话说，AI Agent 不再需要自己猜测 ArkTS 语法或 HAP 打包流程，而是可以通过 DevEco CLI 调用真实的构建和调试工具链。

在开始使用之前，需要先确认本机环境满足以下要求：操作系统为 macOS 或 Windows；Node.js 版本不低于 18，推荐使用 22 及以上；DevEco Studio 版本不低于 6.1.0。有一点需要特别注意：在 macOS 上，DevEco Studio 必须安装在 ~/Applications 或 /Applications 目录下，否则 DevEco CLI 可能无法正确找到工具链。

环境就绪后，通过 npm 全局安装即可。稳定版使用下面的命令：

2. npm install -g @deveco/deveco-cli@stable

复制代码

如果需要体验最新的尝鲜功能，可以安装不带 stable 标签的版本：

2. npm install -g @deveco/deveco-cli

复制代码

安装完成后，最关键的一步是把 DevEco CLI 接入到你正在使用的 AI Agent 工作流中。以 OpenCode 为例，在终端中直接运行：

2. devecocli init

复制代码

运行完这条初始化指令，深度集成就完成了。DevEco CLI 会为 AI Agent 提供结构化的数据流输出，例如 JSON 格式，这正好符合 Agent 驱动开发的调用范式。也就是说，AI Agent 可以自主指挥 DevEco CLI 去执行任务，甚至自己安装更多面向 HarmonyOS 应用开发的 Skills。

接入完成后，AI Agent 就能通过 DevEco CLI 调度端到端的研发原子能力。工程初始化环节，AI Agent 可以调用 create 命令，基于官方模板快速生成项目工程结构；编译构建环节，调用 build 命令驱动 hvigor 构建系统，自动处理 HAP 打包、多目标产物构建和代码签名；设备运行环节，通过 device、emulator 和 run 命令统一管理设备生命周期，自动完成安装、权限配置并启动应用。

在代码质量保障方面，DevEco CLI 提供了 Check MCP，这个工具能为模型提供实时语法检查和编译修复的能力。它同时支持 ArkTS 和 C++ 语法检查，不需要耗时编译就能提前发现错误，显著缩短了从代码生成到发现问题之间的反馈链路。按照官方给出的数据，这个机制能让 Agent 的修复效率提升 5 倍以上。

另一个值得关注的内置能力是官方知识检索。DevEco CLI 内置了最新的 HarmonyOS 官方文档和极速检索机制，让裸模型也能拿到官网最新 API 而不是过时信息。在实际使用中，可以在生成代码前先让 AI Agent 执行类似下面的查询命令：

2. harmonyos knowledge "ArkUI 组件生命周期"

复制代码

这样生成的代码会严格遵循官方规范和最佳实践，减少因 API 版本差异导致的返工。

除了工具和知识，DevEco CLI 还内置了 70 多个精品 Skills，覆盖多设备场景适配、知识检索、ArkTS 语法、应用质量等关键开发场景。以多设备适配为例，AI Agent 可以结合对应的 Skills 生成更符合设备特性的布局与交互方案，避免简单拉伸、布局错乱这类经典问题，从而大幅降低多设备适配的人力成本。

目前 DevEco CLI 已迭代到 1.2.0 版本，项目已在 GitCode 上开源。对于已经有成熟研发流程的团队来说，DevEco CLI 是打通现有 AI 体系与 HarmonyOS 开发能力的有效桥梁。其价值不仅在于让 AI Agent 学会调用构建和调试命令，更在于把官方知识库和最佳实践直接注入到 AI 辅助开发的循环中，让生成的代码从一开始就更接近可交付状态。

热心网友4

感谢分享！这个思路确实解决了一个很实际的痛点——之前让 AI 写鸿蒙代码，经常感觉它在“猜” API，尤其是一些新版本的能力，生成出来一编译就报错。DevEco CLI 把官方工具链和知识库直接暴露给 Agent，相当于让模型“边查边写”，反馈链路短了很多，可信度也高不少。 特别是那个 Check MCP 和内置知识检索，对我来说很有吸引力，毕竟不用每次都去翻文档确认 ArkTS 的写法，Agent 自己就能先查一遍再生成。而且它还能跳过编译直接做语法级检查，这对日常迭代的效率帮助应该会很明显。 我正准备这两天在自己项目里试试，打算先跑一下 `devecocli init` 接到现用的 Agent 流程里，看看它调度 `build` 和 `device` 的能力是不是真的像说的这么顺手。也希望后续能在实际多设备适配场景里验证一下那 70 多个 Skills 的实用度。总之先收藏了，期待楼主继续分享更多实战细节！

热心网友4

这个思路确实很实用。之前用 AI 写鸿蒙代码最头疼的就是它总拿 Android 那套逻辑硬套，ArkTS 和 HAP 打包细节也经常出错。DevEco CLI 把官方工具链和知识库直接暴露给 Agent，至少解决了“信息差”这个最大的坑。 特别是内置知识检索和 Check MCP 这两个功能，一个是让模型拿准官方 API，另一个是免编译快速查错，等于把开发中最耗时的反馈循环缩短了。对团队来说，接入成本也不高，一条 npm 命令加上 init 就完事，能直接复用现有的 AI Agent 工作流。 想追问一下楼主：目前这套 CLI 在 Windows 和 macOS 下的稳定性差别大吗？我们团队正好两套系统混用，如果 macOS 上对安装路径有硬性要求，Windows 下有没有类似的限制？另外，那 70 多个 Skills 是可以自己扩展编写，还是只能用来开箱即用？

热心网友6

感谢分享！这个 CLI 确实切中了痛点——之前让 AI 写鸿蒙代码，经常拿 Android 那套逻辑硬套，ArkTS 语法和 HAP 打包流程错得离谱。DevEco CLI 把官方工具链和知识库直接暴露给 Agent，等于给模型装上了“正经的鸿蒙开发大脑”。 几个点想深入了解一下： 1. `devecocli init` 之后，OpenCode 这类工具接入时，技能（Skills）的安装和管理是自动化的吗？还是需要手动挑选？ 2. Check MCP 的实时语法检查，对 C++ 的支持深度如何？比如引入了 NAPI 的跨语言调用，它能准确识别吗？ 3. 70 多个精品 Skills 是随 CLI 预装，还是按需拉取？如果团队想定制内部规范，有没有机制扩展自定义技能？ 另外，知识检索功能如果能支持模糊语义匹配就更好了，比如问“我怎么让页面自适应折叠屏”能直接关联到多设备适配的最佳实践，而不仅仅是匹配关键词。期待后续版本继续完善！