新闻详情

新闻详情

首页 / 资讯中心 / 详情

《HarmonyOS 7 跨设备数据协同专题》05:startAbilityByCall 与跨设备协作工作台收口【鸿蒙心迹】

发布时间:2026/10/29 20:38:32来源:尧图网络
《HarmonyOS 7 跨设备数据协同专题》05:startAbilityByCall 与跨设备协作工作台收口【鸿蒙心迹】
点击在平板继续编辑到底发生了什么前四篇分别讲了实时同步、复杂对象、附件、持久化。这篇把它们串起来从点击在平板继续编辑开始一直到完整跨设备协作整个链路是什么样的。一、拉起远端应用是第一步第一步手机上点在平板继续编辑先把平板上的应用拉起来。这个用 startAbilityByCall。注意这个要求两边是同一个应用还要有 DISTRIBUTED_DATASYNC 权限。这段代码解决什么问题拉起对端应用。文件distributed/CollabManager.ets用途跨设备协作入口接入位置点击继续编辑按钮import{UIAbility}fromkit.AbilityKit;// 拉起对端 Abilityletwant{deviceId:targetDeviceId,bundleName:com.example.notes,abilityName:NoteAbility};this.context.startAbilityByCall(want).then((caller){// 拿到 caller建立连接this.callercaller;}).catch((err){console.error(拉起失败);});二、拉起成功不代表数据链路建立很多人以为Ability 拉起来了就可以同步数据了。不对。拉起来只是把对端应用启动了。数据同步是另一条链路还要建 Session、建分布式对象。链路作用startAbilityByCall拉起对端应用setSessionId建立数据同步链路三、完整协作链路完整的协作链路是这样的选目标设备startAbilityByCall 拉起对端应用生成 SessionId建分布式数据对象同步KV 持久化Asset 附件同步设备离线后清理 Session。四、几个容易踩的坑第一个坑把 networkId 当永久设备标识。设备变了networkId 也会变。第二个坑Ability 启动成功就认为数据链路建立成功。不对还要建 Session。第三个坑SessionId 写死。每次协作用新的 SessionId。第四个坑退出协同时监听和 Caller 未释放。资源泄漏。五、实时和持久化要分层实时状态正在编辑的笔记用 DistributedDataObject持久化数据历史笔记用 DistributedKVStore。不要混在一起。实时的要快持久化的要可靠。这次做完整协作最大的体会是跨设备协作不是一个 API 就搞定的。是拉起应用、建 Session、实时同步、持久化、附件一整套链路串起来的。每一步都有它的作用也都有它的坑。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/29 13:36:24

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉