需求分析¶

1. 背景与动机¶

传统手机 OS 的核心对象是 App、Window、Process、File、Notification。模型原生 OS 的核心对象应转变为 Intent、Action、Policy、Context、Agent、Memory、Trust。

DiPECS 的目标不是在现有 OS 上叠加一个 AI 助手，而是在 Android 能力边界内，构建一个可观测、可回放、可扩展的意图预测与系统优化原型。

2. 功能需求¶

2.1 行为采集¶

• 应用使用情况采集（UsageStatsManager）
• 通知事件监听（NotificationListenerService）
• 辅助功能级交互信息（AccessibilityService，明确授权下）
• 时间、地点（授权下粗粒度）、网络状态、电量、设备运动状态采集

2.2 本地脱敏¶

• 原始事件转化为统一结构化 Schema
• 通知正文、界面文本、文件名等敏感内容默认不上传
• 精确经纬度转化为粗粒度地点类别
• 连续事件窗口聚合，减少网络消耗

2.3 云端判断¶

• 云端大模型根据结构化上下文选择并调用 Skills
• Skills 输出候选动作、置信度、建议预加载对象、风险等级
• 本地只接受结构化输出，不执行自然语言指令

2.4 本地优化¶

• 只执行低风险优化：应用预热、关键数据缓存、轻量资源准备
• 所有优化需通过 Rust 策略模块校验
• 支持超时自动回滚（rollback）

2.5 可观测性¶

• 全链路 Trace 记录（从原始意图到执行结果）
• Golden Trace 回归验证
• 确定性状态机流转

3. 非功能需求¶

• 隐私红线：原始数据不出设备，脱敏数据不出 Core
• 性能：采集与脱敏延迟 < 100ms，云端请求超时降级
• 可扩展：Skills 支持热更新，新采集源可插拔
• 可审计：全链路日志可追溯，动作可回滚

4. 约束条件¶

• 仅使用 Android 官方公开 API（API ≥ 33）
• 权限缺失时降级运行，不强制授权
• 云端大模型仅通过结构化数据接口交互，不直接控制设备