今天实测:鸿蒙数独案例的确定性题库与 AI DevSpace 质数小程序
今天早上我先在成长中心签到,随后按计划做了两件实事:一是认真读了鸿蒙开发实践中心里的数独小游戏案例,二是在 AI DevSpace 里让 AI 写并跑了一个质数小程序。两件事都不大,但合起来正好回答了一个问题:一个小应用怎样做到行为可预期、结果可验证。
数独案例:小游戏,先把规则做确定
这个案例是一个纯端侧的数独小游戏,用 ArkTS 加 ArkUI 写成,九宫格界面,支持简单、普通、困难三个难度。让我印象最深的不是界面,而是它对确定性的执着。
案例内置了 54 道题,每个难度 18 道。题库不是每次随机现造的,而是用确定性伪随机算法生成:同样的种子,生成的题目就一样。这个设计很实用,调试时可以复现同一道题,测试时也可以对照同一批题目,出了问题不至于每次都不一样。
判题逻辑也分得很清楚。程序会实时检查行、列和九宫格里的冲突,把填错的格子标出来;只有当所有格子都填满、并且没有任何冲突时,才判定为完成。这种实时反馈比最后一次性判对错要友好得多,玩家在填的过程中就能发现问题,而不是做到最后才发现前面错了一步。
进度保存同样值得留意。案例直接用文件系统接口读写进度文件,绕开了容易出现缓存的偏好设置存储。案例说明里提到,之前用偏好设置保存时,出现过数据没有及时落盘、导致进度丢失的情况。改成直接读写文件后,保存就变得可预期:写了就是写了,读到的就是上次写下的内容。对需要长期保存状态的小应用来说,这种取舍很实在,少一点花哨,多一点可靠。
页面结构也很克制,只有三个页面:首页、游戏页和题库列表页。首页负责选难度和进游戏,游戏页负责下棋和判题,题库列表页负责浏览全部题目。每个页面只干一件事,代码读起来不绕,改起来也不容易牵一发而动全身。
AI DevSpace:让 AI 写一个能跑的质数程序
读完案例,我打开 AI DevSpace 的 AI Shell,请 AI 在工作区里新建一个质数程序:输出 1 到 50 之间的所有质数,然后直接运行,把结果展示出来。我特意说明,只做本地文件和本地运行,不创建云资源,也不配置任何密钥。整个过程没有弹出过密钥配置窗口,也没有产生任何云资源,体验版的容器在后台安静地跑着。
AI 先加载了写代码的统一入口,然后写出程序并运行。程序的核心是一个判断质数的函数:小于 2 的数不是质数;大于等于 2 的数,只要检查到它的平方根为止,如果能被其中某个整数整除,就不是质数。这个只检查到平方根的优化很经典,省掉了大量无用计算。主逻辑用列表推导式遍历 1 到 50,把符合条件的数筛出来。
运行结果一次就对了:1 到 50 之间共有 15 个质数,分别是 2、3、5、7、11、13、17、19、23、29、31、37、41、43、47。程序文件只有 19 行,不到五百字节。结果和人工验算一致:1 不是质数,因为质数的定义是大于 1 的自然数,除了 1 和自身没有其他因数;47 是 50 以内最后一个质数。
这件事给我的体会是,AI 编程最有价值的地方不是写出多复杂的代码,而是把一个小需求完整地走通:写文件、运行、看输出、核对结果。需求越具体,AI 的回答就越可靠;验证越及时,AI 的错误就越藏不住。
两件事的共同点
数独案例和质数程序看起来毫不相干,但它们共享同一种工程习惯:先让行为确定,再让结果可验证。数独用确定性算法生成题目,用直接写文件保存进度;质数程序用明确的数学定义判断质数,用真实运行结果而不是推测来证明程序正确。
对日常练习来说,我的建议是:先挑一个真实存在的小案例读透,再动手让 AI 跑通一个更小的程序。读案例学的是别人的取舍,跑程序练的是自己的验证习惯。两者结合,比单纯看文档记得更牢。
今天这两步我都走完了,明天可以继续换一个鸿蒙案例来读,再换一个小程序来跑,保持这个节奏。
- 点赞
- 收藏
- 关注作者
评论(0)