Android 性能优化技术月报 | 2025 年 8 月
每个月都会有一些 Android 性能优化相关的优质内容发布，然而，碎片化阅读使得这些知识难以形成完整体系，且容易被遗忘。为解决这些问题，我决定尝试使用技术月报的形式，总结我在最近一个月内查阅的 Android 性能优化相关的优质内容。
月报的主要内容包括：整理展示我在最近一个月所查阅的 Android 性能优化领域的最新技术动态、精选博客，精选视频等内容。
精选博客
通过优化资源缩减来提升应用性能
Improve app performance with optimized resource shrinking
随着 Android Gradle 插件（AGP）8.12.0 版本发布，引入了优化资源缩减功能，进一步优化应用。其工作原理是将资源缩减与现有代码优化流程深度整合，同时优化代码和资源引用，精准识别并去除未使用资源。使用时需在 build.gradle.kts 文件开启 R8 优化与资源缩减，在 gradle.properties 文件开启新优化资源缩减流程。且从 从 AGP 9.0.0 开始，优化资源缩减将成为开启资源缩减项目的标准行为。
android {
buildTypes {
release {
isMinifyEnabled = true
isShrinkResources = true
…
}
}
}
android.r8.optimizedResourceShrinking=true
KIMI HarmonyOS NEXT 体验再提升 | 使用仓颉 markdown 解析引擎滑动帧率提升至 2.4 倍
Kimi 团队积极适配鸿蒙系统，已于今年三月推出了支持全量功能的鸿蒙版应用，并在后续持续更新优化，持续提升用户体验。
通过内置仓颉 Markdown 渲染引擎，显著提升了长对话的渲染性能，实现了流畅无卡顿的渲染效果，其丝滑的操作体验广受用户好评。
如何用AI Coding和Claude Code提升开发效率？看我的全流程复盘
一、AI Coding通用经验
- Prompt工程技巧：需清晰描述需求（避免一句话需求，中文有二义性可中英文混合）；用结构化方式（如COSTAR框架、Claude适配的伪xml）；可借助AI工具优化Prompt。
- 任务边界划分：能力内任务（如CRUD、需求明确的coding）让AI提效；略超能力任务（如跨语言SDK适配）可借助AI；远超能力任务（陌生技术领域）不建议依赖AI。
- 开发流程原则：小步快跑，代码生成后分步验证；必须Review AI生成内容，防幻觉与质量问题；让AI写单元测试但需人工审核；频繁提交git便于回滚。
- 上下文管理：提供精确信息（明确文件路径等）；压缩无效信息（如筛选异常日志关键行）；控制任务粒度，避免超上下文限制；用外部文档或工具（如mem0）辅助记忆；为项目建立知识库（如让AI先写README）。
二、Claude Code专项经验
- 基础认知与安装：由主模型+15个专用工具（任务管理、文件编辑等）组成；终端执行命令安装，需api key（心流网站申请），可修改配置换模型。
- 常用操作与扩展：启动参数（--dangerously-skip-permissions跳过权限询问、--continue续会话）；交互指令（/memory编辑记忆、/compact压缩上下文）；可装扩展（如ccusage查模型用量）。
- 项目配置与管理：用/init生成CLAUDE.md存项目记忆（核心信息、编码规范等），可分层存储；定期压缩上下文、更新文档，任务后用/clean清除上下文。
- 高效开发方法：复杂项目先plan再code（AI出计划，人纠偏）；用git worktree多实例协作（处理不同任务，避免冲突）；借助MCP扩展能力（如Context7提文档、Figma MCP还原交互稿）。
三、其他探索
Claude Code可拓展场景：生成HTML报告（如行程规划）、制作PPT（用reveal.js）、处理Excel并导出分析结果（如高考志愿填报）。
人工智能 75 年
你有没有想过一个问题：人类的大脑，这个重量不到 1.5 千克的“小肉球”，是怎么创造出诗歌、音乐、数学公式，还能写出 bug 满天飞的代码的？
我们能让机器也学会这些能力吗？
这个看似天马行空的想法，从 1950 年开始变成了严肃的科学探索。
70 多年过去了，我们终于快要找到答案了。
而正在读这本书的你和他，其实就站在这场人类智慧大冒险的最前沿。
但我们要知道，这不是一蹴而就的奇迹。
每一次技术突破，都源于对前一个难题的绝不妥协。
每一个新方法的诞生，都为下一个更大的挑战埋下伏笔。
这是一个环环相扣的技术链条，是一部关于人类不断逼近“机器智能”梦想的传奇故事。
本书将沿着这条问题驱动的技术演进路径，见证每一个关键时刻：
从图灵的机器智能判断标准，到符号主义的逻辑尝试，再到统计学习的数据觉醒，直至深度学习的感知突破，最终到达大模型的智能涌现。
我们会看到每个技术转折点如何自然而然地从前一个未解问题中诞生，理解人工智能这个宏大的技术图景。
本书大概11w字左右，会涉及到人工智能的整个发展过程。