爱吃超人的怪兽最近在折腾一件事：用 Flutter 给 OpenHarmony 设备做一个软件开发助手 App，核心功能是算法练习平台。说人话就是，让鸿蒙生态里的开发板、开源手机装上一个能刷题、能写代码、能跑测试用例的 App。这个项目做完以后，我对 Flutter 在 OpenHarmony 上的适配情况有了非常具体的认识，也踩了不少文档里根本没写的坑。如果你正准备入坑 Flutter for OpenHarmony，或者想在非标准 Android 设备上做一款工具类应用，这篇文章应该能帮你省下不少时间。
我会按照这个实战项目的完整脉络来写，从技术选型、架构设计、核心模块实现，到环境搭建、真机调试、问题排查，最后聊到打包发布和后续扩展方向。整个过程会带上具体的命令、配置和踩坑实录，尽量让你照着就能走通一条路。
1. 项目整体设计与技术选型
1.1 为什么是 Flutter 而不是 ArkUI 或原生
做 OpenHarmony 应用，官方主推的是 ArkUI + ArkTS，但我在这个项目里还是选了 Flutter，而且是 Flutter for OpenHarmony 的社区分支。原因有三。
第一，算法练习平台的核心是代码编辑、判题执行、题目管理这类逻辑密集的功能，完全不依赖系统私有的 UI 组件。这类业务天然适合跨平台框架来承载。ArkUI 虽然学习曲线不算陡，但如果你之前积累的 Flutter 组件和页面代码没法复用，等于从零开始搭一套 UI 体系，成本会明显高出一截。
第二，Flutter for OpenHarmony 已经在 OpenHarmony SIG 里持续迭代，主仓库是 gitee 上的 flutter_flutter，它保留了 Flutter 的上层 API，对绝大多数第三方 Flutter 包都有比较高的兼容性。也就是说，你在 Android/iOS 上写的那套 UI 和业务逻辑，大概率能通过这个分支编译成 OpenHarmony 的 HAP 包。
第三，算法题库和判题逻辑本来就适合用 Dart 来实现。Dart 的集合操作、异步模型、类型系统，在写算法题相关代码时非常顺手。我可以把题库解析、测试用例匹配、代码模板生成这些东西全部用 Dart 写完，然后同一套代码直接跑在 Flutter 的 UI 层下面，不需要像 React Native 那样再去搭一层桥。
当然，这个选择也要付出代价。最直接的代价是插件生态的适配。OpenHarmony 不是 Android，那些依赖 Android SDK 的 Flutter 插件，比如 location、camera、share 等，基本不能直接用。好在我们这个项目里，核心插件是自己控制的，网络请求、文件存储、JSON 解析这些都是纯 Dart 实现，可以绕开大量系统 API 差异。
如果你也打算做类似工具型 App，我的建议是：优先考虑“纯 Dart 能力能覆盖 80% 功能”的项目形态。这样 Flutter for OpenHarmony 的兼容性优势才能最大化，而不是被插件适配拖垮。
1.2 整体架构与工程结构
整个 App 我采用了两层架构加一个本地执行引擎。
上层是 UI 层，负责首页题库列表、题目详情页、代码编辑器、运行结果页、学习统计页。状态管理用了 Provider，理由很简单：项目规模没有大到需要 Bloc 之类的重型方案，Provider 配合 ChangeNotifier 足够覆盖题目筛选和刷题状态的联动。
中层是数据层，处理题库 JSON 的加载、解析、搜索和分类筛选，以及刷题记录、收藏列表的本地持久化。这里我刻意把数据层和 UI 解耦，所有数据访问统一走 repository。这样后续想接在线题库，只需要替换 repository 的实现，不用动 UI。
底层是执行引擎，负责接收用户提交的代码，在受限环境下编译运行，然后把测试用例的通过情况逐条返回给 UI。这个模块是整个算法练习平台的关键，也是最容易出问题的地方，后面会单独展开。
工程结构上，我按 feature 分包：
text复制lib/
main.dart
app/
app.dart
routes.dart
theme.dart
features/
home/
question/
editor/
runner/
profile/
core/
models/
repositories/
services/
utils/
data/
questions.json
这里有个值得强调的点：题目数据我放在了 assets 里，而不是启动时从网络拉取。原因是在 OpenHarmony 开发板上，网络环境不一定稳定，而且很多时候你是在没有外网的局域网里调试。把题库内置，既能让首屏秒开，也能保证离线可用。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 算法练习平台的核心模块设计与实现
2.1 题库数据模型与题目组织
算法练习平台的题库是内容的根基。我设计的数据模型很简单，但经过了几个版本的调整。
核心字段包括：题目 id、标题、难度、标签、题目描述、输入格式、输出格式、示例输入输出、初始代码模板、测试用例列表。测试用例我用 JSON 数组存储，每个用例包含输入和期望输出。输入统一按照字符串处理，这样在执行引擎里做解析时比较统一。
json复制{
"id": "two-sum",
"title": "两数之和",
"difficulty": "easy",
"tags": ["数组", "哈希表"],
"description": "给定一个整数数组 nums 和一个整数目标值 target，请在数组中找出和为目标值的两个整数，并返回它们的数组下标。",
"template": "List<int> twoSum(List<int> nums, int target) {\n \n}",
"testCases": [
{"input": "[2,7,11,15]\