跳转至

第 6 次会议纪要:DiPECS 方案定义与分工

摘要

确定 DiPECS 方案细节,完成分组和分工。DiPECS 是一个运行在 Android 上的意图驱动系统原型,通过"本地采集—本地预测—本地优化—离线学习"的闭环降低用户操作延迟。

会议信息

  • 日期:2026-04-15
  • 参会人:lsy, srh, ljs, wxz, sdd
  • 议题:确定 DiPECS 方案细节,完成分组
  • 阶段:方案设计
  • 参考:https://github.com/OSH-2025/MEMO

决议:DiPECS 方案定义

DiPECS 是一个运行在 Android 设备上的意图驱动系统原型,其核心是从用户真实操作中学习并预测下一步行为,从而提前进行系统优化:

  1. 行为采集层:本地通过 Android 官方能力构建,利用应用使用统计(前后台切换)、通知监听、媒体与文件变化监听,并在用户授权下通过无障碍服务补充界面交互信息,将原始信号统一转化为结构化的行为事件流。
  2. 预测与优化:基于短时间窗口内的事件序列,使用本地轻量模型预测用户下一步最可能触发的 skill,并在置信度满足条件时,仅执行低风险的预加载优化(如应用进程预热、关键数据缓存等),以降低操作延迟。
  3. 离线学习:大模型主要用于离线对历史行为进行模式归纳与 skill 抽象,辅助优化预测策略而不参与在线执行。

系统闭环:"本地采集—本地预测—本地优化—离线学习",可观测、可回放且具备扩展能力。

环境与语言

  • 使用环境:统一使用 Linux
  • 工具:AOSP Emulator、Genymotion、Android Studio
  • 语言:Rust + C++/C + Kotlin

分工

详见 团队分工与组织架构

模块 负责人
Android 调研和用户行为采集 lsy
优化操作实现 / 定义动作 srh
通信 LLM ljs
测试 / Benchmark(格式化) wxz
接口层 sdd

设计注意点

本次会议仍然把云端 Skills 和离线学习作为重要组成部分,但也明确了几个安全前提:

  • 原始采集数据必须先在本地整理和脱敏。
  • 模型输出只能作为建议,不能直接执行系统动作。
  • 本地优化先限制在低风险预加载、缓存和资源准备。
  • 所有链路都需要 trace,方便后续复盘和回放。

这些原则后来被进一步收紧为 Privacy Air-Gap、DecisionRouter、PolicyEngine 和 AuthorizedAction。

后续动作

  • 完成需求分析和可行性报告。
  • 按模块拆分 Rust crate 与 Android 采集侧工作。
  • 先实现最小闭环,再逐步替换 mock 和接入真实 Android 数据。