文章目录一、 前言为什么“建文件夹”也值得写一篇博客二、 工程架构设计融合 AI 工具链的“大平层”2.1 目录设计三、 核心依赖选型pubspec.yaml 解析3.1 状态管理与路由3.2 底层通信与存储基建四、 避坑指南大文件隔离与 .gitignore 规约五、 本周总结与后续展望项目名称智能影记 - Memoria时间2026.03.20 - 2026.03.23核心任务Flutter 客户端目录规范制定、核心依赖引入、Git 协作基建一、 前言为什么“建文件夹”也值得写一篇博客在结束了高强度的产品脑暴和 Figma 原型设计后我们的 Memoria 项目终于迎来了代码落地的时刻。很多初学者在写跨平台 App 时习惯于把所有的 UI 逻辑、网络请求甚至本地数据库调用全塞进lib/main.dart或是几个零散的页面文件里。对于普通的课设这或许行得通但 Memoria 是一个集成了端侧 C NCNN 推理、本地高维向量数据库检索以及云端大模型通信的复杂异构系统。如果在第一周不把模块的边界划清楚随着后续几位队友的代码不断合入整个工程必将陷入“牵一发而动全身”的“屎山”危机。因此本周我个人的核心工作就是为团队搭建一个具有高度可扩展性的 Flutter 客户端骨架。二、 工程架构设计融合 AI 工具链的“大平层”针对我们的业务需求我和负责 AI 与后端的队友们进行了多轮对齐最终在 Gitee 上初始化了如下的工程目录树intelligent_imaging_memory/ ├── ai_tools/ # 端侧 AI 脚本、模型量化导出工具Python ├── checkpoints/ # 模型权重与检查点受 .gitignore 保护 ├── android/ # Android 原生工程含 NCNN C FFI 桥接层 ├── ios/ # iOS 原生工程 ├── lib/ # Flutter 核心 Dart 源码 │ ├── core/ # 全局核心层主题、常量、路由中心 │ ├── models/ # 数据模型层端云通信的标准数据结构 │ ├── services/ # 接口服务层AI 推理调度、本地 DB 调用 │ └── views/ # 表现层UI 页面与组件 ├── .gitignore # 严格的团队协作忽略规范 ├── launch.sh # 自动化编译/运行脚本 └── pubspec.yaml # Flutter 依赖配置2.1 目录设计多端与 AI 的物理融合我们将ai_tools和checkpoints直接放在了 Flutter 根目录下。这并非杂乱而是为了让负责端侧模型部署的队友能在这个统一的仓库里管理所有的导出脚本真正实现“代码即基础设施”。逻辑与视图的严格解耦在lib目录下所有的 AI 模型调用接口被抽象在services/ai_service.dart中。未来UI 层的同学我只需要调用AIService.extractFeatures(image)而不需要关心底层究竟是走了 FFI 桥接还是 HTTP 请求。三、 核心依赖选型pubspec.yaml解析在初始化的pubspec.yaml中并没有引入过多花哨的 UI 库而是重点夯实了项目的“地基”。以下是我们在会议上共同确定的几个核心依赖包3.1 状态管理与路由provider: 经过团队评估虽然GetX更容易上手但Provider的状态流转更加透明可控非常适合我们这种有着复杂数据流如从相册读取 - 传递给端侧模型提取向量 - 返回 UI 展示的应用。go_router: 官方推荐的声明式路由能够很好地处理深层链接为以后可能的外部应用唤醒比如从系统相册直接分享到 Memoria打下基础。3.2 底层通信与存储基建ffi: 这是本项目最重要的依赖之一。Memoria 的核心创新点在于端侧 AI。我们将利用 Dart FFIForeign Function Interface直接调用用 C 编写的 NCNN/ONNX 推理引擎实现 Flutter UI 与底层算力的高效通信。sqflite: 用于本地结构化数据的存储。在接下来的预研中我们将探索结合 SQLite-VSS 扩展直接在本地完成高维图像向量的余弦相似度检索。四、 避坑指南大文件隔离与.gitignore规约跨模态项目最容易踩的坑就是版本控制仓库的急剧膨胀。在第一次 Push 代码时如果不加限制Flutter 的build产物、iOS 的Pods依赖甚至上百兆的.onnx模型文件会瞬间撑爆 Gitee 的缓冲区。为此我们在初始化仓库时拉出了一条严格的.gitignore防线# 核心阻断防止编译产物污染 build/ .dart_tool/ ios/Pods/ # 核心阻断防止模型文件撑爆仓库 checkpoints/ *.onnx *.bin *.param团队规约所有的模型权重文件和大型测试数据集均通过团队群文件或网盘流转。开发者拉取代码后需根据文档手动将模型放入checkpoints目录下。这一举措保证了我们的代码仓库永远保持“轻便敏捷”。五、 本周总结与后续展望搭建框架的过程其实也是团队技术思维不断“碰撞与对齐”的过程。从明确services层的接口契约到制定严格的代码提交规约这些看似枯燥的基建工作实际上为未来 14 周的高效并行开发扫清了障碍。目前整个项目的骨架已立粮草先行。接下来的攻坚计划完善lib/core/theme将 Figma 中的“毛玻璃”与“沉浸式”设计规范转化为 Dart 代码。配合负责 AI 的队友走通第一个 C FFI 的“Hello World”调用验证端侧通道的可行性。大平层已建好下周开始“内部精装修”
创新项目实训博客（二）：Flutter 跨平台架构初始化与基建落地
文章目录一、 前言为什么“建文件夹”也值得写一篇博客二、 工程架构设计融合 AI 工具链的“大平层”2.1 目录设计三、 核心依赖选型pubspec.yaml 解析3.1 状态管理与路由3.2 底层通信与存储基建四、 避坑指南大文件隔离与 .gitignore 规约五、 本周总结与后续展望项目名称智能影记 - Memoria时间2026.03.20 - 2026.03.23核心任务Flutter 客户端目录规范制定、核心依赖引入、Git 协作基建一、 前言为什么“建文件夹”也值得写一篇博客在结束了高强度的产品脑暴和 Figma 原型设计后我们的 Memoria 项目终于迎来了代码落地的时刻。很多初学者在写跨平台 App 时习惯于把所有的 UI 逻辑、网络请求甚至本地数据库调用全塞进lib/main.dart或是几个零散的页面文件里。对于普通的课设这或许行得通但 Memoria 是一个集成了端侧 C NCNN 推理、本地高维向量数据库检索以及云端大模型通信的复杂异构系统。如果在第一周不把模块的边界划清楚随着后续几位队友的代码不断合入整个工程必将陷入“牵一发而动全身”的“屎山”危机。因此本周我个人的核心工作就是为团队搭建一个具有高度可扩展性的 Flutter 客户端骨架。二、 工程架构设计融合 AI 工具链的“大平层”针对我们的业务需求我和负责 AI 与后端的队友们进行了多轮对齐最终在 Gitee 上初始化了如下的工程目录树intelligent_imaging_memory/ ├── ai_tools/ # 端侧 AI 脚本、模型量化导出工具Python ├── checkpoints/ # 模型权重与检查点受 .gitignore 保护 ├── android/ # Android 原生工程含 NCNN C FFI 桥接层 ├── ios/ # iOS 原生工程 ├── lib/ # Flutter 核心 Dart 源码 │ ├── core/ # 全局核心层主题、常量、路由中心 │ ├── models/ # 数据模型层端云通信的标准数据结构 │ ├── services/ # 接口服务层AI 推理调度、本地 DB 调用 │ └── views/ # 表现层UI 页面与组件 ├── .gitignore # 严格的团队协作忽略规范 ├── launch.sh # 自动化编译/运行脚本 └── pubspec.yaml # Flutter 依赖配置2.1 目录设计多端与 AI 的物理融合我们将ai_tools和checkpoints直接放在了 Flutter 根目录下。这并非杂乱而是为了让负责端侧模型部署的队友能在这个统一的仓库里管理所有的导出脚本真正实现“代码即基础设施”。逻辑与视图的严格解耦在lib目录下所有的 AI 模型调用接口被抽象在services/ai_service.dart中。未来UI 层的同学我只需要调用AIService.extractFeatures(image)而不需要关心底层究竟是走了 FFI 桥接还是 HTTP 请求。三、 核心依赖选型pubspec.yaml解析在初始化的pubspec.yaml中并没有引入过多花哨的 UI 库而是重点夯实了项目的“地基”。以下是我们在会议上共同确定的几个核心依赖包3.1 状态管理与路由provider: 经过团队评估虽然GetX更容易上手但Provider的状态流转更加透明可控非常适合我们这种有着复杂数据流如从相册读取 - 传递给端侧模型提取向量 - 返回 UI 展示的应用。go_router: 官方推荐的声明式路由能够很好地处理深层链接为以后可能的外部应用唤醒比如从系统相册直接分享到 Memoria打下基础。3.2 底层通信与存储基建ffi: 这是本项目最重要的依赖之一。Memoria 的核心创新点在于端侧 AI。我们将利用 Dart FFIForeign Function Interface直接调用用 C 编写的 NCNN/ONNX 推理引擎实现 Flutter UI 与底层算力的高效通信。sqflite: 用于本地结构化数据的存储。在接下来的预研中我们将探索结合 SQLite-VSS 扩展直接在本地完成高维图像向量的余弦相似度检索。四、 避坑指南大文件隔离与.gitignore规约跨模态项目最容易踩的坑就是版本控制仓库的急剧膨胀。在第一次 Push 代码时如果不加限制Flutter 的build产物、iOS 的Pods依赖甚至上百兆的.onnx模型文件会瞬间撑爆 Gitee 的缓冲区。为此我们在初始化仓库时拉出了一条严格的.gitignore防线# 核心阻断防止编译产物污染 build/ .dart_tool/ ios/Pods/ # 核心阻断防止模型文件撑爆仓库 checkpoints/ *.onnx *.bin *.param团队规约所有的模型权重文件和大型测试数据集均通过团队群文件或网盘流转。开发者拉取代码后需根据文档手动将模型放入checkpoints目录下。这一举措保证了我们的代码仓库永远保持“轻便敏捷”。五、 本周总结与后续展望搭建框架的过程其实也是团队技术思维不断“碰撞与对齐”的过程。从明确services层的接口契约到制定严格的代码提交规约这些看似枯燥的基建工作实际上为未来 14 周的高效并行开发扫清了障碍。目前整个项目的骨架已立粮草先行。接下来的攻坚计划完善lib/core/theme将 Figma 中的“毛玻璃”与“沉浸式”设计规范转化为 Dart 代码。配合负责 AI 的队友走通第一个 C FFI 的“Hello World”调用验证端侧通道的可行性。大平层已建好下周开始“内部精装修”
