每日阅读模块优化-引入ai/缓存/数据库

本次我们继续实现我们的阅读模块：

我们可以利用我们的已经设计好的ai优势，进行优化

1. 词义数据来源扩展： 可以通过我们之前设计的deepseek接口网络请求扩展词汇解释。
2. 增加缓存功能： 用户如果每次使用deepseek访问节点获取翻译，效率太低，可以加入缓存机制。
3. 文章单词接入数据库： 将每日文章单词查询到自己数据库查询
4. 支持词汇高亮：点击词汇后进行高亮显示

高亮显示已经上次实现了。我们重点实现前三个。

优化1：词义数据来源扩展（DeepSeek 网络接口）

我们之前已经抽象出deepseek的接口的api：DeepSeekService的streamResponse

说明：

目前已通过 DeepSeekService.streamResponse 实现网络请求词义解释，这提升了词义的智能性与实时性。

实现代码：

那么我们可以在我们每日文章模块的viewModel层进行调用这个

val prompt = "请翻译这个英语单词为中文：$word 要求：不要说其他的，就说他的中文翻译就行"
deepSeekService.streamResponse(emptyList(), prompt).collect { chunk ->
    responseBuilder.append(chunk)
}

优点：

• 使用大语言模型生成词义，解释更智能；
• prompt 设计控制输出风格，避免废话。

当然，我们可以再次优化，并不是所有都依赖这个ai翻译，毕竟ai翻译是个网络请求和响应的步骤。

我们可以：

点击单词时，先尝试本地缓存查找，若未命中才异步请求翻译，提升响应速度。

isTranslating 状态用于控制 UI 是否显示加载动画或等待提示，这样就提供了一个简单的锁，防止资源占用时候的抢占。

fun onWordClicked(word: String) {
        val found = allWords.find { it.word.equals(word, ignoreCase = true) }
    //先找本地单词库allWords
        if (found != null) {
            selectedWord = found
            isTranslating = false   //ai翻译动画
        } else {
            val prompt = "请翻译这个英语单词为中文：$word 要求：不要说其他的，就说他的中文翻译就行"
            selectedWord = Word(word, "")
            isTranslating = true

            viewModelScope.launch {
                val responseBuilder = StringBuilder()
                deepSeekService.streamResponse(emptyList(), prompt).collect { chunk ->
                    responseBuilder.append(chunk)
                }

                //......
            }
        }
    }

优化2：增加缓存机制（已实现）

实现代码：

val found = allWords.find { it.word.equals(word, ignoreCase = true) }

if (found != null) {
    selectedWord = found
} else {
    // 请求翻译并 add 到 allWords 缓存列表
    val newWord = Word(word, responseBuilder.toString())
    allWords.add(newWord)
    selectedWord = newWord
}

效果分析：

• 如果用户多次点击同一单词，不会重复发起 DeepSeek 请求；
• allWords 充当词义缓存池，提高响应速度，减少网络调用。

这样我们查询的步骤就是：

1. 缓存数据结构

val allWords = mutableStateListOf<Word>(
    Word("Blend", "混合或调和"),
    Word("Crave", "渴望某物"),
    ...
)

将所有已知的词汇（包括初始化的）存储在 allWords 中，这是一个可观察的 mutableStateListOf<Word>，作为缓存使用。

2. 点击单词时的查询逻辑

fun onWordClicked(word: String) {
    val found = allWords.find { it.word.equals(word, ignoreCase = true) }
    ...
}

首先在缓存中查找该单词是否存在（忽略大小写），如果存在就直接展示，不再调用外部翻译接口。

3. 缓存未命中时（未找到）：

如果缓存中没有该单词，执行以下逻辑：

• 构建一个 prompt 请求 DeepSeek 接口。

• 使用协程调用 deepSeekService.streamResponse(...) 获取翻译。

• 将结果构造成 Word 对象：

  val newWord = Word(word, responseBuilder.toString())
  

• 更新 selectedWord 并且加入缓存：

  allWords.add(newWord)
  

优点	描述
缓存策略清晰	查询优先查本地缓存，未命中才请求网络，节省资源、提升响应速度
状态管理自然	使用 Jetpack Compose 的状态管理（mutableStateListOf、mutableStateOf）与 UI 联动顺畅
自动扩展缓存	新翻译的单词直接加入缓存，无需额外逻辑维护
异步翻译流处理	使用协程 + streamResponse.collect 实现响应式加载，适合支持流式大模型 API

优化3：查询的单词接入数据库

我们的 WordReaderViewModel 最终代码设计已经非常nice了！但是我们不能止步于这里，我们需要接入单词到数据库，那么我们就抽象出了三层缓存机制，也就是这个模块最核心的设计：

fun onWordClicked(word: String) {
        // 先从缓存中找
        val cached = allWords.find { it.word.equals(word, ignoreCase = true) }
        if (cached != null) {
            Log.d("WordReaderViewModel", "缓存中有")
            selectedWord = cached
            isTranslating = false
            return
        }

        // 缓存没找到，进入异步流程查数据库或AI
        selectedWord = Word(word, "") // 暂时设置选中词（UI 可显示加载状态）
        isTranslating = true

        viewModelScope.launch {
            // 再查数据库
            val dbWord = wordRepository.searchWord(word)

            if (dbWord != null) {
                Log.d("WordReaderViewModel", "数据库中有：$dbWord")
                selectedWord = Word(dbWord.spelling,dbWord.cn.toString())
                allWords.add(Word(dbWord.spelling,dbWord.cn.toString())) // 加入缓存
                isTranslating = false
            } else {
                // 最后一步：AI 翻译
                val prompt = "请翻译这个英语单词为中文：$word 要求：不要说其他的，就说它的中文翻译就行"
                val responseBuilder = StringBuilder()

                deepSeekService.streamResponse(emptyList(), prompt).collect { chunk ->
                    responseBuilder.append(chunk)
                }

                val newWord = Word(word, responseBuilder.toString().trim())
                selectedWord = newWord
                allWords.add(newWord)

                Log.d("WordReaderViewModel", "AI 翻译结果已缓存并入库：$newWord")
                isTranslating = false
            }
        }
    }

1. 实现了三级缓存机制，效率高

依次从：

内存缓存（allWords）→ 本地数据库（wordRepository.searchWord）→ 最后才调用 AI 翻译（DeepSeekService）

这种设计大大减少了重复网络请求，提高响应速度，是现代移动应用中非常推荐的 性能优化模式。

2. 异步非阻塞操作，保证 UI 流畅

用 viewModelScope.launch 启动了协程，在进行数据库查询或 AI 网络请求时不会阻塞主线程，用户界面保持流畅。

3. 内存缓存持续更新，避免重复操作

每当新数据出现（无论来源于数据库还是 AI），都将其加入了 allWords，保持缓存始终是“热”的，有效避免未来重复查询。

4. 构建逻辑符合“数据即状态”的响应式编程思维

selectedWord 一旦变化，Compose UI 就能自动响应；

isTranslating 可以配合进度或文字提示，改善用户体验。

总结对照表（功能 → 代码）

优化项	状态	代码位置说明
DeepSeek 网络翻译	✅ 已完成	streamResponse(...).collect {...}
缓存机制	✅ 已完成	if (found != null) { ... }
接入数据库的单词库	✅ 已完成	使用 Room，封装好的仓库层接口

最终效果截图：