基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-16 10:21

Flutter 跑上手表模拟器,真机仍待验证

dev.to · AI#Flutter#跨平台#持续集成
Editor brief · 编辑速览

实验通过本地 WebSocket 将 Flutter 画面传入 SwiftUI Canvas,并回传点击事件,在模拟器与 CI 中验证渲染和交互。作者梳理了 watchOS 缺失的引擎依赖,但真机网络限制及硬件表现仍未解决。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

Flutter 能不能跑在 Apple Watch 上?作者借助 Gemini、Claude 和 GitHub Actions,把一个架构设想推进到了模拟器验证:画面能显示,点击能回传,部分底层障碍也有了可复现的检查结果。但真机运行、热重载通道和生产发布,仍然没有得到证明。

这篇值得程序员读的地方,是作者如何把 AI 给出的方案拆成实验,再用实验收紧结论。它也展示了一个容易忽略的问题:CI 全绿,只能证明测试覆盖的那一段链路成立。

两种运行模式,分别解决开发和发布的问题

作者想用 Dart 同时开发 watchOS 和 Wear OS 应用,减少分别维护 Swift、Kotlin 代码的负担。Wear OS 已有一些可用包,watchOS 则缺少面向 WatchKit 的 Flutter engine embedder,以及配套工具和插件生态。这里的 embedder,可以理解为连接 Flutter 引擎与宿主平台的适配层。

为此,作者提出两种模式。

开发时,Flutter 在 Mac 上运行,把渲染帧通过 WebSocket 发给手表,由 SwiftUI Canvas 显示;手表上的点击再传回 Mac。Dart 的执行和热重载发生在 Mac,手表承担显示与交互入口的角色。

生产时,Flutter 引擎直接在手表上运行,通过 embedder API 接入系统,仍然使用 SwiftUI Canvas 绘制。这条路线需要解决引擎编译、运行时、渲染和资源预算等问题,复杂度明显更高。

开发画面能传过去,不等于生产引擎已经能在手表上运行。

作者还提出一条显示列表研究路线:将绘制数据以原始字节写入共享原生内存,让 Swift 就地读取,减少跨外部函数接口(FFI)的复制、序列化和逐帧分配。思路有针对性,但原文明确说明尚未测试,性能收益仍是假设,不能当作既有优化成果。

模拟器实验究竟证明了哪几件事

作者没有本地 Mac,也没有 Apple Watch,所有验证都依赖 GitHub Actions 的 macOS runners。这让实验可以重复执行,也让结果的适用范围有了明确边界。

第一类证据是 SDK 兼容性检查。Metal.h、CAMetalLayer、UIView 和 fork() 无法针对 watchOS SDK 编译;SpriteKit、CoreGraphics、CoreText 和 Crown API 则能通过相应检查。桌面 embedder 导入的 673 个符号中,有 22 个缺失,其中 21 个与 Metal 有关。

这组结果把「平台不支持」拆成了具体阻碍。不过,能编译不等于能支撑完整 Flutter 渲染管线;统计缺失符号,也没有覆盖运行时行为和性能。

第二类证据是引擎接线实验。作者使用重新标记的 macOS debug engine,通过 embedder.h 接口,在 watchOS Simulator 进程内运行 Dart,渲染了字形和颜色,并处理一次点击与一次合成滚动。相关像素结果在 CI 中逐一检查。

这证明某些接口和数据链路可以接起来。作者同时强调,这是不会发布的接线实验。它没有证明 AOT(提前编译)方案成立,也没有证明从源码构建的 watchOS 引擎可以运行。

第三类证据是开发模式原型:Flutter 帧通过本地 WebSocket 进入 SwiftUI Canvas,点击沿反方向返回,CI 中首帧耗时为几百毫秒。原文列出了两组检查结果,分别为 34 项全部通过、14 项全部通过,但没有在正文展开每一项覆盖什么。

因此,理解这些数字时,要把「检查通过」和「整套架构可用」分开。首帧时间也只属于这次模拟器实验,不能据此推算真机交互延迟。

最大的悬念,恰好在真机上

开发模式依赖网络,但作者引用 Apple 的 TN3135,指出这类网络连接在真实手表上受限。于是,模拟器里已经跑通的本地 WebSocket 通道,到了真机可能就无法沿用。

这是架构前提的问题。一旦传输通道不成立,开发模式就需要重新设计;原文没有给出经过真机验证的替代路径。

作者准备了一个开放的 watchOS 探针应用和 Mac 服务端,用来输出一段可直接粘贴的结果,覆盖 JIT、网络、内存和解码速度。它的价值在于把下一步工作交给有硬件的人:不用先接受完整方案,先回答 CI 无法回答的问题。

内存限制也需要谨慎看待。作者在早期讨论中把 30 MB 列为障碍,但没有给出真机测量,也没有说明这个数值适用于什么设备和运行条件。它不能直接成为所有 watchOS 应用的统一预算。电池消耗、实际内存上限、AOT、源码构建引擎以及 App Review 接受度,都仍未验证。

原文还比较了 flutter-watchos 项目。据作者描述,该项目已有应用上架 App Store,但引擎源码不公开,二进制需要登录才能获取,所以作者无法检查底层实现。比较依据包括其公开文档、flutterwatch.dev 和 2026 年 8 月的 ITNEXT 文章,项目仍处于 beta。

对方宣称使用 Metal,作者因此提出合规疑问。不过,源码不可见只能限制外部验证,不能据此认定它违反 Apple 规则。作者自己的公开 API 设计,也不能替代最终的审核结果。

我的判断

我更认可这篇文章展示的验证方式,而不是它对 Flutter 可穿戴未来的乐观判断。

作者先让 Claude 整理规格,再交给 Gemini 提修改建议,回到 Claude 检查可行性,并持续维护版本与 changelog。之后又引入 CI,把部分讨论变成可执行检查。相比让模型不断解释「为什么能做」,这种流程更容易暴露方案缺口。

但这里没有多模型与单模型的对照实验。Claude 担任审阅者、Google AI Studio 负责修改是否更可靠,只能算作者的经验。两个模型同意一份规格,也可能只是共享了同一个错误前提。

工具切换同样来自个人使用条件:Claude 长对话触及额度后需要等待 5 小时,Antigravity 的免费额度耗尽后要等一周,Google AI Studio 又不便按作者原有方式下载修改后的 zip。最后,作者上传测试与规格压缩包,让它生成 Python CLI 命令修改本地文件,再把 CI 结果交给 Claude 审阅。这解释了工作流的形成,却不构成通用效率结论。文中提到的 Antigravity 2.0 多代理实施,也只是后续建议。

文章后半段以 Material、Cupertino 拆成独立包,以及 Pixel Watch 5、Galaxy Watch 9、Snapdragon Wear Elite、Apple Watch Series 12 支持乐观预期。这些表述没有在正文提供足够依据;即使硬件更强,也无法自动解决 SDK 和网络限制。

这项工作的交付物,是一组可复现证据和待验证问题,还不是可采用的 Flutter watchOS 方案。

对于准备上线的团队,现有原生 Swift 路线仍是比较时必须保留的选项。本文没有提供开发成本、运行性能或维护成本的对照数据,无法证明跨平台收益已经覆盖适配成本。

能拿来做什么

  • 做 AI 辅助架构设计时,可以沿用作者的规格迭代方法:记录版本、changelog、已验证结论和未验证假设,让后续讨论围绕明确材料展开,减少长对话里的前提漂移。
  • 遇到陌生平台兼容问题时,先拆出最小实验,分别检查头文件、链接符号、运行时启动、画面输出和输入回传。每项结果只支持对应结论,避免一个成功截图承担整套方案的证明责任。
  • 准备尝试 Flutter watchOS 时,应先运行作者提供的硬件探针,确认网络、JIT、内存和解码速度,再投入完整引擎适配;模拟器中的几百毫秒首帧不足以支持真机选型。
  • 让 AI 生成 Python CLI 文件修改命令时,应先检查命令内容和代码差异,再执行并运行相关检查。另一模型的审阅可以补充视角,实际结果仍要由编译、测试和目标设备验证。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
Agent 返回错误文本,工作流为何仍成功
下一篇
Qwen4-Max 主打长上下文与代理降本

资讯速览

dev.to · AI · 2026-11-16 10:21

AI 评分 8.0 / 10

相关标签

#Flutter#跨平台#持续集成

继续阅读

  • 让 Agent 重启后仍发送原样审批内容
  • Agent 返回错误文本,工作流为何仍成功
  • Qwen4-Max 主打长上下文与代理降本
  • Qwen4-Max 开放 API,强化长程开发任务
  • LoopForge 将编程智能体接入团队交付流程