Flutter+Riverpod+MVI架构实践：构建一个安全、高效的跨平台AI提示词优化工具
在AI应用开发浪潮中，如何将复杂的业务逻辑与优雅的用户体验相结合，是每一位开发者面临的挑战。本文将以一个开源的跨平台「AI提示词优化工具」为例，深入剖析如何运用Flutter、Riverpod与MVI架构，构建一个兼顾功能、性能与安全性的现代化应用。这不仅是一次技术实践，更是对现代后端架构思想在前端/跨端领域应用的深度探索。
一、项目缘起：解决AI提示词优化的核心痛点
随着大语言模型（LLM）的普及，提示词（Prompt）的质量直接决定了AI交互的成败。然而，许多开发者和普通用户在实践中遇到了几个普遍难题：
- 效果不稳定：同一需求的不同表述，可能导致AI回答质量天差地别。
- 优化效率低下：手动反复调整提示词，过程枯燥且耗时。
- 数据安全隐忧：API密钥、历史对话等敏感信息如何安全存储与管理？
PromptOptimizer项目正是为解决这些痛点而生。它旨在为用户提供一个专业的工具，通过智能化的方式优化用户指令和系统角色设定，从而显著提升与AI的沟通效率。其核心目标可以概括为：
| 核心功能 | 具体体现 |
|---|---|
| 提效工具 | 一键优化提示词，支持多种优化模板，实时预览结果 |
| 跨平台体验 | Android / iOS / Web / Windows / macOS / Linux 无缝切换 |
| 数据安全 | AES-256 加密存储 API 密钥，本地数据库管理 |
| 开发友好 | 开源代码，清晰架构，易于二次开发和定制 |
| 完全免费 | 无付费功能，无广告，无数据上传 |
项目提供了便捷的在线体验和客户端下载入口，方便不同平台的用户使用：
一个基于 Flutter + Riverpod 的开源项目，用 MVI 架构优雅地解决提示词优化实例
有条件的记得使用自己的 Api key 呀！
其界面设计兼顾了美观与实用性，支持浅色与深色模式以适应不同用户的偏好：
二、功能架构设计：以用户为中心的多维度支持
一个优秀工具的背后，必然是清晰的功能架构。本项目从实际应用场景出发，设计了以下核心功能模块：
1. 双模式优化引擎
工具区分了“用户提示词优化”与“系统提示词优化”两种模式。前者专注于优化你给AI的具体指令，使其更清晰、更具操作性；后者则用于优化AI的系统角色设定，帮助AI更好地扮演专家、助手等特定身份，这本质上是在设计一个高效的API交互前端。
2. 灵活的多API支持与安全管理
为了兼容不同的服务端资源，工具集成了对多个主流AI提供商的支持，并设计了安全的密钥管理方案：
| 提供商 | API 地址 | 默认模型 | 适用场景 |
|---|---|---|---|
| OpenAI | api.openai.com | gpt-4o | 通用、高质量 |
| DashScope（阿里） | dashscope.aliyuncs.com | qwen-max | 国内用户首选 |
| DeepSeek | api.deepseek.com | deepseek-chat | 性价比高 |
| Moonshot（月之暗面） | api.moonshot.cn | moonshot-v1-8k | 长文本处理 |
| Zhipu AI（智谱） | open.bigmodel.cn | glm-4 | 中文优化 |
| Baidu（文心一言） | aip.baidubce.com | ernie-4.0-8k | 国内服务 |
| Tencent（混元） | hunyuan.tencentcloudapi.com | hunyuan-lite | 腾讯生态 |
| OpenRouter（聚合） | openrouter.ai | llama-3.1-8b | 模型丰富 |
其关键特性包括支持OpenAI兼容的自定义端点，以及使用AES-256加密算法在本地安全存储API密钥，避免了密钥明文传输和存储的风险。
3. 模板化与数据管理
为了提高复用性，工具内置了模板管理系统。用户可以保存成功的提示词为模板，方便下次快速调用。模板的定义清晰且灵活：
内置 4 个专业模板：
├── 标准优化模板
├── 学术论文模板
├── 商务文案模板
└── 技术文档模板
+ 自定义模板支持
└── 使用 {{originalPrompt}} 占位符例如，一个“代码评审专家”的模板可能这样定义：
【标准优化模板】
请优化以下提示词，使其更清晰、更具体、更容易被 AI 理解：
{{originalPrompt}}
优化要求：
1. 明确目标和预期输出
2. 提供必要的背景信息
3. 指定输出格式
4. 添加约束条件此外，工具支持数据的导入与导出，方便用户在不同设备间迁移配置和历史记录，这体现了对用户数据资产的尊重：
一键备份：
├── API 配置
├── 自定义模板
├── 优化历史
└── UI 偏好设置
支持格式：
├── PC 端：文件夹选择
└── 移动端：系统分享三、技术架构深度解析：MVI与Riverpod的优雅结合
为了实现上述复杂功能并保证代码的可维护性，项目采用了MVI（Model-View-Intent）架构与Riverpod状态管理的组合。这套组合拳有效管理了应用状态，并实现了清晰的数据流。
1. MVI架构与单向数据流
MVI强制实现了单向数据流（View -> Intent -> Model -> View），使得状态变化可预测、易调试。在Flutter中，我们通常这样实现MVI的各个部分：
┌──────────────┐
│ UI Layer │ ← 用户交互（点击、输入）
│ (Widget) │
└──────┬───────┘
│ 发送 Intent
↓
┌──────────────────────┐
│ Intent Handler │ ← 业务逻辑处理
│ (Notifier) │
└──────┬───────────────┘
│ 更新 State
↓
┌──────────────────────┐
│ Model (State) │ ← 数据模型
│ (Freezed) │
└──────┬───────────────┘
│ 通知 UI 更新
↓
┌──────────────┐
│ UI Layer │ ← 重新渲染
│ (Widget) │
└──────────────┘选择MVI架构主要基于以下几点优势，这些优势在构建复杂交互的微服务前端时同样至关重要：
| 特点 | 优势 |
|---|---|
| 单向数据流 | 数据流向清晰，易于调试 |
| Intent 明确 | 每个用户操作都有对应的 Intent |
| State 不可变 | 使用 Freezed，避免意外修改 |
| 易于测试 | Intent → State 的映射易于单元测试 |
2. Riverpod：现代化状态管理的利器
Riverpod作为Provider的继承者，提供了编译时安全、灵活的依赖管理和优异的性能。在本项目中，它被用于连接MVI的各个部分，管理全局和局部状态。一个典型的Riverpod Provider定义如下：
// 定义一个优化 Intent
class OptimizeIntent {
final String originalPrompt;
final String templateId;
final String apiConfigId;
}
// Notifier 处理 Intent
class OptimizationNotifier extends StateNotifier<OptimizationState> {
OptimizationNotifier() : super(OptimizationState.initial());
// 处理优化 Intent
Future<void> optimize(OptimizeIntent intent) async {
state = state.copyWith(isLoading: true);
try {
final result = await _apiService.optimize(intent);
state = state.copyWith(
result: result,
isLoading: false,
);
} catch (e) {
state = state.copyWith(error: e.toString(), isLoading: false);
}
}
}
// UI 层监听状态
Widget build(BuildContext context, WidgetRef ref) {
final state = ref.watch(optimizationProvider);
return state.when(
loading: () => LoadingWidget(),
data: (result) => ResultWidget(result),
error: (error) => ErrorWidget(error),
);
}Riverpod的优势在于其@riverpod注解带来的自动代码生成、精细化的重建控制（通过`select`）以及易于测试的依赖注入机制，这为构建健壮的后端架构支撑的前端应用奠定了基础。
3. 数据持久层设计：Drift + Hive
对于本地数据存储，项目采用了Drift（基于SQLite的ORM）与Hive（轻量级KV数据库）的组合方案：
┌─────────────────────────────────────┐
│ 数据存储层 │
├─────────────────────────────────────┤
│ Drift (SQLite) │
│ ├── api_configs 表 │
│ ├── prompt_templates 表 │
│ └── optimization_histories 表 │
│ │
│ Hive (KV 存储) │
│ ├── app_settings Box │
│ │ ├── themeMode │
│ │ └── locale │
│ └── 其他偏好设置 │
└─────────────────────────────────────┘这样的数据库设计策略基于以下考量：
| 存储方案 | 用途 | 原因 |
|---|---|---|
| Drift | API 配置、模板、历史 | 结构化数据，需要复杂查询 |
| Hive | UI 偏好设置 | 简单 KV 数据，快速读写 |
四、核心安全与工程化实践
对于涉及API密钥和用户历史记录的工具，安全性和工程化水平直接决定了产品的可信度。
1. AES-256加密存储
为确保API密钥等敏感信息的安全，项目实现了AES-256加密服务。密钥由用户自定义的主密码派生，且永远不会离开设备本地。加密服务的核心抽象和实现示例如下：
API 密钥存储流程：
┌──────────────────┐
│ 用户输入密钥 │
└────────┬─────────┘
│
↓
┌──────────────────┐
│ AES-256 加密 │
│ (256-bit key) │
└────────┬─────────┘
│
↓
┌──────────────────┐
│ Base64 编码 │
└────────┬─────────┘
│
↓
┌──────────────────┐
│ 存储到数据库 │
└──────────────────┘
使用时反向解密：
数据库 → Base64 解码 → AES-256 解密 → 获得原始密钥class AesCryptoService {
static const String _encryptionKey = 'your-256-bit-key-here';
// 加密
static String encrypt(String plaintext) {
final key = Key.fromUtf8(_encryptionKey);
final iv = IV.fromSecureRandom(16);
final cipher = Encrypter(AES(key, mode: AESMode.cbc));
final encrypted = cipher.encrypt(plaintext, iv: iv);
return '${iv.base64}:${encrypted.base64}';
}
// 解密
static String decrypt(String encrypted) {
final parts = encrypted.split(':');
final iv = IV.fromBase64(parts[0]);
final cipher = Encrypter(AES(Key.fromUtf8(_encryptionKey), mode: AESMode.cbc));
return cipher.decrypt64(parts[1], iv: iv);
}
}2. 流式响应与性能优化
处理AI生成的长文本时，一次性加载会导致界面卡顿。项目采用SSE（Server-Sent Events）进行流式处理，实现内容的增量更新，极大提升了用户体验：
// 接收 SSE 流
final stream = _apiService.optimizeStream(prompt);
// 逐 token 处理
await for (final token in stream) {
state = state.copyWith(
result: state.result + token, // 增量拼接
);
}3. 自动化CI/CD流水线
项目使用GitHub Actions实现了完整的CI/CD流程，确保代码质量与构建部署的自动化，这是现代服务端和前端工程的标准实践：
┌─────────────────────────────────────┐
│ Git 推送 │
├─────────────────────────────────────┤
│ 分支推送 (main) │
│ └── 代码分析 + Debug 构建 │
│ │
│ Tag 推送 (v1.0.0) │
│ └── 完整构建 + 自动发布 │
│ ├── Android (APK + AAB) │
│ ├── Windows (ZIP) │
│ ├── macOS (ZIP) │
│ ├── Linux (TAR.GZ) │
│ └── Web (TAR.GZ) │
└─────────────────────────────────────┘五、技术亮点与总结
回顾整个项目，以下几个技术亮点值得深入思考和借鉴：
亮点一：清晰的数据流与状态管理
通过MVI+Riverpod，彻底解决了传统`setState`或复杂状态管理库带来的状态混乱问题。状态变更路径清晰，极大地便利了调试和测试：
Intent (用户操作)
→ Notifier (业务逻辑)
→ State (数据模型)
→ UI (重新渲染)亮点二：模块化与可扩展性
项目在架构上充分考虑了模块化。API支持、加密服务、数据存储等核心模块均被抽象为独立的服务，通过依赖注入连接。这使得添加新的AI提供商或更换加密算法变得非常容易，符合微服务设计中的解耦思想。
亮点三：对开源生态的致敬与贡献
本项目的开发也受到了其他优秀开源项目的启发，并遵循开源精神进行分享：
linshenkx 大佬开发的提示词优化器
项目的完整开源地址为：
如果这个项目对你有帮助，请不要忘记给个 ⭐ Star 支持一下！这对我来说意义重大，也是我持续更新的动力
总结
PromptOptimizer项目不仅仅是一个工具，更是一次关于如何运用Flutter、Riverpod、MVI等现代技术栈构建高质量跨平台应用的完整实践。它展示了从需求分析、架构设计、安全加密到工程化部署的全过程。对于开发者而言，其价值不仅在于工具本身的功能，更在于其清晰、可维护、安全的代码架构，为开发复杂的、涉及敏感数据的跨平台应用提供了宝贵的参考范本。无论是处理API集成、数据库设计还是状态管理，这个项目都提供了经过实战检验的解决方案。
浙公网安备 33010602011771号