פיתוח אפליקציות חכמות ל-Android: שילוב במערכת החכמה של Android באמצעות AppFunctions
משך הקריאה: 6 דקות
ברוכים השבים לסדרת הפוסטים בבלוג "פיתוח אפליקציות חכמות ל-Android", שבה אנחנו לוקחים אפליקציה בסיסית ל-Android והופכים אותה לחוויה מותאמת אישית, חכמה וסוכנית. בפוסט הקודם, הסברנו איך להשתמש ב-Firebase AI Logic כדי ליצור תכונות AI היברידיות שמתארחות בענן.
ממשקי משתמש מסורתיים לנייד מצוינים למשימות ממוקדות ופרקטיות, ומערכת Android Intelligence מציגה תכונות משלימות כדי להקל עוד יותר על פעולות מורכבות עם כמה שלבים. ה-AppFunctions משלימות את ממשקי המשתמש הרגילים ומספקות נקודת כניסה חדשה ומשמעותית: סוכן עם הרשאות במכשיר יכול לגשת לתכונות של האפליקציה ברקע. האפשרות הזו יכולה להיות שימושית במיוחד כשהמשתמשים נוהגים, הולכים או מבצעים כמה פעולות בו-זמנית.
במאמר הזה נסביר איך תכננו ושילבנו את היכולות האלה באפליקציה שלנו לתכנון נסיעות, JetPacker, באמצעות Android AppFunctions. נבחן את הסיבות לבחירת התכונות, נדון בכלים המיוחדים שבהם השתמשנו כדי להאיץ את הפיתוח, ונתעמק בקוד שמאפשר לכל זה לעבוד.
תכנון תכונות שמתאימות ל-AI: קבלת החלטות שחשובות למשתמשים
כדי לבחור אילו תכונות לספק למערכת החכמה, חיפשנו משימות שבהן פקודה קולית או פקודת טקסט מהירה יותר באופן אובייקטיבי מאשר לחיצה על המסכים. בהקלטת המסך הזו, שבה מוצגים שני מסכים זה לצד זה, אפשר לראות את ההבדל בצורה מושלמת: בצד ימין, משתמש לוחץ על כמה מסכים כדי לתעד הוצאה; בצד שמאל, אותה משימה מושלמת באופן מיידי ברקע באמצעות סוכן עם הרשאות.
האפשרות הראשונה שבחרנו הייתה מעקב אחר הוצאות. כדי לתעד הוצאה על קפה במהלך נסיעה, בדרך כלל צריך ללחוץ לא מעט פעמים: לפתוח את הנעילה של הטלפון, לפתוח את האפליקציה, למצוא את הנסיעה הפעילה, לעבור לכרטיסיית ההוצאות, ללחוץ על כפתור ההוספה, לצלם את הקבלה ולבדוק את התוצאה. כשמספקים את התכונות addExpense ו-getExpenses כ-AppFunctions, סוכן המערכת מטפל בעבודה הקשה. כשהמשתמש אומר "תוסיף הוצאה של 5 דולר על קפה לנסיעה שלי לפריז", הנציג מחפש באופן אוטומטי את מזהה הנסיעה הנכון ברקע ומוסיף את ההוצאה, בלי לעבור בכלל בתהליך הידני בממשק המשתמש.
בנוסף, נתנו עדיפות לניהול מסלול הנסיעה. כדי למצוא את הפעילות הבאה במסלול נסיעה עמוס, בדרך כלל צריך לגלול בתצוגת ציר זמן צפופה. אם המשתמש מספק למערכת את getItinerary ו-addItineraryEvent, הוא יכול פשוט לשאול "מה אני עושה בהמשך בפריז?" ולקבל תשובה מיידית.
לבסוף, התמקדנו ביצירת הערות ללא מגע. קשה ומסוכן להקליד תזכורות או הערות בזמן הליכה ברחוב סואן. אם חושפים יכולת של הערה קולית, המשתמש יכול להגיד "הטיסה הייתה מדהימה, ראיתי שקיעה יפה והצלחתי לישון טוב", והסוכן המורשה מתמלל את ההערה באופן אוטומטי ושומר אותה ישירות במסד הנתונים של הנסיעות באמצעות הפונקציה addVoiceNote באפליקציה.
Android MCP מבוסס AppFunctions
כל החוויה הזו מבוססת על Android MCP. במבנה הזה, האפליקציה פועלת כשרת MCP מקומי. במקום ממשקי API מרוחקים, אתם מספקים את תכונות האפליקציה ישירות למערכת ה-AI במכשיר.
Android AppFunctions הוא ה-API שמאפשר את זה. הוא קורא פונקציות Kotlin עם הערות ומקמפל אותן להגדרות של כלים עם הרשאות מוגבלות ומניעת שגיאות הקלדה, שהסוכן המורשה יכול לגלות ולהפעיל באופן מקומי במכשיר.
במודל ה-MCP של Android, האפליקציה פועלת כשרת MCP מקומי שחושף כלים מובְנים, ופלטפורמת Android משמשת כמרשם הכלים המרכזי. בצד הלקוח של ה-MCP, אפליקציות של סוכנים רשומות במערכת החכמה אחרי שניתנו להן הרשאות גישה ל-Registry ברמת המערכת.
כשמשתמש יוצר אינטראקציה עם סוכן רשום, ה-LLM שלו קובע אם אפשר לטפל בבקשה באמצעות AppFunction, שולח שאילתה למטא-נתונים של הפלטפורמה ומפעיל את הפונקציות הרשומות המתאימות ברקע. העיצוב המקומי הזה של שרת-לקוח MCP נותן לכם שליטה מלאה: אתם בוחרים בדיוק לאילו תכונות תהיה לסוכן גישה, ושאר הנתונים באפליקציה נשארים פרטיים.
איך האצנו את הפיתוח בעזרת מיומנויות Android
כדי לייעל את תהליך השילוב, השתמשנו במיומנות הפיתוח של AppFunctions. מיומנות הפיתוח של AppFunctions היא כלי פיתוח מלא. הוא הדריך אותנו לאורך כל מחזור החיים: מיפוי מחלקות נתונים של Kotlin לסריאליזציה של פרמטרים, יצירת נקודות הכניסה הנדרשות של Service, שיפור התיעוד של KDoc כדי לוודא שה-LLM מבין את גבולות הפרמטרים, והגדרת בדיקות אוטומטיות באמצעות ADB.
מתן תכונות של אפליקציות למערכת החכמה
מספיק עם התיאוריה, בואו נצלול להטמעה.
הגדרת תצורה ויחסי תלות
קודם כל, מוסיפים את יחסי התלות של AppFunctions. אחד ל-API ואחד לקומפיילר של Kotlin Symbol Processing.
implementation("androidx.appfunctions:appfunctions:1.0.0-alpha10")
ksp("androidx.appfunctions:appfunctions-compiler:1.0.0-alpha10")בניית מודלים של סוגי נתונים בהתאמה אישית
כל אובייקט בהתאמה אישית שמועבר לסוכן צריך להיות מסומן באמצעות @AppFunctionSerializable. בקובץ TripSerializable.kt, אנחנו מגדירים את מודל הנתונים של הנסיעה:
@AppFunctionSerializable(isDescribedByKDoc = true) data class TripSerializable( /** The trip's unique identifier. */ val id: String, /** The trip's title. */ val title: String, /** The trip's destination location. */ val location: String, /** The trip's start date in milliseconds. */ val startDate: Long, /** The trip's end date in milliseconds. */ val endDate: Long, /** A list of participants. */ val participants: List<String>, )
הוספת תכונות באמצעות ההערה @AppFunction
בשלב הבא, המיומנות כתבה את הפונקציות של Kotlin שמריצות את השאילתות במסד הנתונים ומוסיפות להן הערות באמצעות @AppFunction. אפשר לראות את זה ב-searchTrip:
/** * Looks for trips based on optional filters like id, title (name), location, and dates. * * @param id The unique identifier of the trip. * @param title The title or name of the trip. * @param location The destination location. * @param startDate The minimum start date in milliseconds. * @param endDate The maximum end date in milliseconds. * @return A list of trips matching the filters. */ @AppFunction(isDescribedByKDoc = true) suspend fun searchTrip( id: String? = null, title: String? = null, location: String? = null, startDate: Long? = null, endDate: Long? = null ): List<TripSerializable> { return withContext(Dispatchers.IO) { // implementation }
מכיוון ש-AppFunctions פועלות בשרשור ה-UI כברירת מחדל, אנחנו משתמשים ב-withContext(Dispatchers.IO) כדי לעבור למשלח ברקע. בנוסף, אנחנו משפרים את ה-KDoc שלנו כדי להשתמש בפעלים ברורים וציוויים ולציין מגבלות על פרמטרים. התיעוד הזה נאסף ישירות לסכימה של הכלי, שבה הסוכן המורשה משתמש כדי לפתור פרמטרים ולטפל בשגיאות זמן ריצה.
נקודת הכניסה לשירות והשילוב של Hilt
כדי לרשום את התכונות האלה במערכת הבינה המלאכותית, אנחנו יוצרים מחלקה בסיסית מופשטת שמרחיבה את AppFunctionService. אנחנו מוסיפים לו הערה עם @AppFunctionServiceEntryPoint:
@RequiresApi(36) @AndroidEntryPoint @AppFunctionServiceEntryPoint( serviceName = "JetPackerAppFunctionService", appFunctionXmlFileName = "jetpacker_app_function_service" ) abstract class BaseJetPackerAppFunctionService : AppFunctionService() { @Inject internal lateinit var tripDao: TripDao // DAOs and database references are injected here... }
במהלך הקומפילציה, KSP יוצר את מחלקת המשנה הסופית של השירות, JetPackerAppFunctionService, כפי שהוצהר באמצעות הפרמטר serviceName. אנחנו גם רושמים את app_metadata.xml במניפסט של האפליקציה. הקובץ הזה מספק כללים תפעוליים גלובליים לפונקציות AppFunctions המוצהרות של JetPacker.
בדיקה ואימות של AppFunctions
אחרי ההטמעה, צריך לוודא שהפונקציות של AppFunctions רשומות ופועלות בצורה תקינה.
אם אתם מפעילים מכשירים או אמולטורים עם Android בגרסה 17 ואילך, אתם יכולים להשתמש בפקודות ADB מהטרמינל כדי להציג רשימה של הפונקציות ולהפעיל אותן. מריצים את adb shell cmd app_function list-app-functions כדי להציג את כל הפונקציות הרשומות של החבילה. לאחר מכן, אפשר להריץ פונקציה ספציפית ולבדוק את השילוב שלה עם מסד הנתונים על ידי הרצת adb shell cmd app_function execute-app-function תוך העברת מחרוזת פרמטרים של JSON גולמי.
במקום פקודות ה-ADB האלה, אתם יכולים גם להשתמש ב-AppFunctions Testing Agent כדי לבדוק את ההגדרות האישיות, להציג רשימה של פונקציות AppFunctions ולהפעיל אותן, ואפילו לראות איך פונקציות AppFunctions פועלות בתהליך שיחה אמיתי.
התשובה כמעט מוכנה
כשחושבים על תכונות של אפליקציות שאפשר להוסיף למערכת החכמה באמצעות AppFunctions, צריך לשנות קצת את הגישה לקוד ולמסמכים. AppFunctions מאפשרת לכם להשתמש במודל האינטראקציה החדש הזה לאפליקציות, שמאפשר להשתמש בסוכן כדי לגשת לתכונות של האפליקציה.
מיומנות הפיתוח של AppFunctions היא כלי חיוני במחזור החיים של האפליקציה, שעוזר לכם לגלות תכונות, להטמיע ולשפר את AppFunctions באפליקציות שלכם. שנית, הערות KDoc הן נכס API מקומפל. תיאורי פרמטרים ברורים משפיעים ישירות על דיוק הביצוע של סוכן המערכת. בנוסף, Android MCP מספק הרצה מקומית, שמאפשרת לאפליקציות לשתף פעולה בצורה בטוחה עם סוכני AI.
כשמוסיפים תכונות של אפליקציה באמצעות AppFunctions, האפליקציה מוכנה לשימוש במערכת החכמה. נשמח לשמוע איך אתם מתאימים את האפליקציות שלכם לעידן סוכני ה-AI.
מידע נוסף
כדאי לקרוא את החלקים האחרים בסדרת הפוסטים הזו בבלוג:
חלק 1: מבוא לאפליקציה וסקירה כללית ברמה גבוהה.
חלק 2: בינה מלאכותית במכשיר. הסבר מעמיק על ממשקי ה-API של AI גנרטיבי ב-ML Kit ועל Gemini Nano, כדי ליצור תכונות מוכוונות פרטיות, כמו סיכום מסלול נסיעה, ניתוח קבלות ועיבוד אודיו מקומי.
חלק 3: הסקת מסקנות היברידית ובענן. איך משתמשים ב-Firebase AI Logic כדי לבסס תשובות של מודל שפה גדול (LLM) על נתונים מהעולם האמיתי, כמו מפות Google והקשר באינטרנט.
חלק 4 (הפוסט הזה): שילוב מערכות. שילוב עם מערכת Android Intelligence באמצעות AppFunctions.
חלק 5 (בקרוב): תהליכי עבודה מבוססי-סוכנים בתוך האפליקציה. להרחיב את האפליקציה באמצעות עוזר אישי להזמנות מקצה לקצה, שמופעל על ידי A2UI ו-ADK.
רוצים לדעת עוד על פיתוח ל-Android? כדאי לעקוב אחרי Android Developers ב-YouTube או ב-LinkedIn.
כל קטעי הקוד בפוסט הזה בבלוג כפופים להודעה הבאה על זכויות יוצרים:
Copyright 2026 Google LLC. SPDX-License-Identifier: Apache-2.0
-
מדריכיםברוכים השבים לסדרת הפוסטים בבלוג "פיתוח אפליקציות חכמות ל-Android", שבה אתם לוקחים אפליקציה בסיסית ל-Android והופכים אותה לחוויה מותאמת אישית, חכמה ופרואקטיבית. בפוסט הקודם שלנו למדתם איך להתחבר למערכת החכמה באמצעות AppFunctions.
Jolanda Verhoef • משך הקריאה: 9 דקות -
מדריכיםברוכים השבים לסדרת הפוסטים בבלוג "פיתוח אפליקציות חכמות ל-Android", שבה אנחנו לוקחים אפליקציה בסיסית ל-Android והופכים אותה לחוויה מותאמת אישית, חכמה וסוכנית.
Thomas Ezan, Jolanda Verhoef, Caren Chang • משך הקריאה: 8 דקות -
מדריכיםברוכים השבים לסדרת הפוסטים בבלוג "פיתוח אפליקציות חכמות ל-Android", שבה אנחנו לוקחים אפליקציה בסיסית ל-Android והופכים אותה לחוויה מותאמת אישית, חכמה וסוכנית. בפוסט הקודם שלנו הצגנו את Jetpacker, אפליקציית ההדגמה שנשתמש בה לאורך הסדרה הזו.
Caren Chang • משך הקריאה: 6 דקות
רוצים לקבל טיפים עדכניים לפיתוח Android ישירות לאימייל כל שבוע?