在设备上体验 Agent 持续学习
上一篇教程在 Mac 终端里证明了学习机制。这一篇让你在 iPhone 上亲手体验：模型在设备上加载、学习、恢复，全程离线，数据不离端。
完成构建你的第一个设备 Agent 中的 CLI 学习 demo。你需要已安装 Edge Studio 和本地模型。
为什么需要这一步
CLI demo 证明的是机制——RPP 自学习能生成 NI 产物，restore 后行为改变。但那是在 Mac 上跑的。
Edge 的真正价值是：同样的学习循环在用户的手机上运行。 不依赖 Mac，不依赖云端，不需要重新导出。设备自己就是 Agent。
这一步你会亲手验证：
| 验证项 | 你会看到什么 |
|---|---|
| 模型在 iPhone 上加载 | 本地推理，无需联网 |
| 选择一个生活场景 domain | 8 个内置 domain 可选 |
| 用合成数据触发学习 | 设备端 EdgeHalo profile job |
| NI 产物生成并恢复 | 行为改变，和 CLI 一致 |
| 飞行模式验证 | 关掉网络，一切照常 |
| 可移除 | 删除 NI，模型恢复原样 |
1. 从 Edge Studio 导出
打开 Edge Studio：
edge studio
在 Web UI (http://127.0.0.1:18842) 中：
- 加载你在 CLI demo 中使用的模型（
qwen3.5-9b-4bit） - 点击 Export → Edge Scaffold
- 输入 App 名称，例如
FinanceAgent - 下载 ZIP
Edge Studio Web UI 导出界面
2. 在 Xcode 中打开并部署到真机
解压并打开导出生成的工程：
unzip FinanceAgent.zip
cd FinanceAgent # 工程根目录 — project.yml + FinanceAgent.xcodeproj 在这
open FinanceAgent.xcodeproj
.xcodeproj 已由导出生成；App 源码在嵌套的 FinanceAgent/ 子目录。（通常你无需跑 xcodegen generate；在 rc15+ 上跑也是安全的 —— 模型的按需资源 (ODR) 接线在 project.yml 里，重新生成会保留。）在 Xcode 中：
- 选择你的 Development Team（Signing & Capabilities）
- 选择真机（iPhone 或 iPad）— 不要选 Simulator
- Build & Run —— 用 Release 配置（Debug 下端侧推理慢 2–10×；改：Product → Scheme → Edit Scheme → Run → Build Configuration → Release）
Simulator 无法验证 Metal 推理、内存行为和 NI restore。Edge 的端侧体验只有在真机上才是真实的。
Xcode 选择真机设备
3. 首次启动：Onboarding
App 首次启动会进入 Onboarding 流程：
- 设备评估 — 检测设备硬件（芯片、内存、存储），计算 AI IQ 分数
- 模型选择 — 根据设备能力推荐模型 tier
- 模型下载 — 下载模型到本地（首次需要网络，之后不需要）
Onboarding 设备评估 — AI IQ 分数
模型下载进度
4. 验证基础对话
模型加载完成后，进入 Chat 页面。先问一个普通问题：
这个月账单付完还剩 800 块，我该怎么用？
你应该看到一个通用的回答——储蓄、投资、还债等建议。这是 base model 的状态：模型可以聊天，但不了解你。
Base model 通用回答
5. 选择 Domain 并加载合成数据
进入 Settings → Personalization。
你会看到一个 Domain 选择器，包含 8 个内置生活场景：
| Domain | 场景 | 合成数据内容 |
|---|---|---|
| finance | 个人理财 | 消费记录、订阅、现金流 |
| health | 健身健康 | 运动记录、饮食、睡眠 |
| cooking | 厨房烹饪 | 食材、口味、过敏信息 |
| reading | 阅读学习 | 书单、笔记、学习进度 |
| journal | 日记反思 | 日常记录、情绪、反思 |
| travel | 旅行探索 | 行程、偏好、预算 |
| music | 音乐娱乐 | 播放记录、口味、场景 |
| work | 工作效率 | 任务、日程、工作习惯 |
选择 finance（和 CLI demo 同一个场景）。
Domain 选择器界面
进入 Sample Data 页面，点击加载合成数据。这些是预置的合成消费记录——Spotify 订阅、7-Eleven 采购、外卖订单等。全部标记为 synthetic: true。
加载后的合成消费记录
6. 查看数据管线状态
在 Personalization 页面，你能看到完整的数据管线：
| 指标 | 含义 |
|---|---|
| Classified Facts | 被分类引擎处理过的结构化事实数 |
| Raw Unclassified | 等待分类的原始记录数 |
| Chat Feedback | 用户给过的对话反馈（👍👎） |
| Chat Corrections | 用户做过的纠错 |
| Training Events | 已产生的学习事件数 |
Data Pipeline 状态面板
7. 触发设备端学习
当足够的本地信号积累后，App 可以触发 Edge Halo profile job。
学习过程在设备上本地完成：
- Edge Halo 读取 App 认可的本地信号（classified facts、corrections、tool schema）
- 使用
Resources/RPP/中的 A-library 基准资源运行 RPP profile analysis - 在设备上生成 Neural Imprint capsule
- 兼容性校验（模型 / tokenizer / runtime / tool schema / cache backend）
- 校验通过 → restore；校验失败 → fail closed，保留 base model
Neural Imprint 状态变为 Active
在 Personalization 页面的 Persona Runtime 区域，你应该看到：
- Neural Imprint: Active ✅
- Artifact SHA256（前 12 位哈希）
- Cache Backend
8. 再次对话：看到差异
回到 Chat 页面，问同一个问题：
这个月账单付完还剩 800 块，我该怎么用？
| 时刻 | 回答风格 |
|---|---|
| Step 4（学习前） | 通用建议：储蓄、投资、还债… |
| Step 8（学习后） | 保守建议：先保流动性、补充应急储备、避免高风险 |
这就是端侧学习的 aha moment。 同一个模型，同一个问题，设备本地学习后回答变了。
学习后回答（保守、现金流导向）
9. 飞行模式验证
打开 飞行模式，再问一次：
我想买一支基金，你有什么建议？
回答应该仍然正常——保守风格、不编造收益。
模型推理 + 学习状态恢复，全程不需要网络。
飞行模式下的正常对话
10. 可移除验证
进入 Settings → Personalization → Data Management：
- 点击 Clear Feedback and Corrections
- 观察 Neural Imprint 状态从 "Active" 变回 "Not active"
回到 Chat，再问同一个问题。回答应该恢复为通用风格。
学习状态是可移除的。 用户随时可以清除，模型回到出厂状态。
清除后 NI 状态恢复为 Not active
11. 尝试其他 Domain
你刚刚用 finance domain 体验了完整的设备端学习循环。回到 Settings → Personalization，切换到其他 domain：
- health — 加载健身记录，看看助手是否学会了你的运动偏好
- cooking — 加载口味数据，看看助手推荐菜谱是否变了
- journal — 加载日记数据，看看助手的写作风格是否变了
每个 domain 有独立的合成数据集，学习循环相同。
完整的 Edge 故事
| 路径 | 你证明了什么 |
|---|---|
| CLI demo | 学习机制有效 |
| 本页 | 设备端体验真实：iPhone 上加载、学习、恢复、离线、可移除 |
设备是 Agent，App 是载体。 模型在设备上学习用户偏好、学习使用本地工具。学习状态本地生成、本地恢复、可随时移除。数据从不离开设备。
下一步
| 目标 | 去哪里 |
|---|---|
| 了解 NI 和 LoRA/SFT 的区别 | Neural Imprint vs LoRA |
| 了解产品架构 | Architecture |
| 定制你的 Agent 载体 | Edge Scaffold |
| API 参考 | Edge Inference API |