1. 引言：为什么 KMP 正在成为全栈开发的新选择

Kotlin Multiplatform（KMP）正在从移动端跨平台方案，逐步演变为覆盖 Android、iOS、服务端乃至 AI Agent 的全栈开发技术栈。本文将从 KMP 的核心原理出发，梳理从 Android 客户端到 AI Agent 场景的完整技术路径。

2. KMP 核心概念与工程基础

在进入全栈实践之前，先厘清 KMP 的关键概念与工程组织方式。

• KMP 与 Compose Multiplatform 的关系：KMP 解决共享逻辑，Compose Multiplatform 解决共享 UI。
• expect / actual 机制：如何用平台声明与平台实现隔离差异。
• 共享模块的工程划分：commonMain、androidMain、iosMain 等源集的组织方式。
• 依赖注入与架构分层：在共享代码中落地 MVVM 或 MVI 的实践。

3. 从 Android 到多平台：共享业务逻辑的迁移路径

以一个真实 Android 项目为例，拆解逐步迁移到 KMP 的落地步骤。

• 第一步：识别可共享的纯逻辑层：数据模型、网络层、数据校验、时间与格式化工具。
• 第二步：抽取网络与本地存储：Ktor Client 与 SQLDelight 的多平台适配。
• 第三步：状态管理与 ViewModel 共享：在 commonMain 中编写平台无关的 ViewModel。
• 第四步：UI 层策略：先共享逻辑、后按需引入 Compose Multiplatform。

4. KMP 服务端开发：共享代码延伸到后端

KMP 的价值不止于移动端，通过 Kotlin 服务端框架可以进一步扩大共享范围。

• Ktor 服务端与客户端共享：同一套 DTO 与序列化逻辑在前后端复用。
• 共享业务规则：将校验、计算、权限判断下沉到共享模块。
• 多平台数据库访问：SQLDelight 在 Android 与服务端的使用差异。
• 部署与运维：Ktor 服务的打包、容器化与监控。

5. 迈向 AI Agent：KMP 在智能体场景中的角色

当业务进入 AI Agent 阶段，KMP 的共享能力依然可以发挥关键作用。

• Agent 客户端的多平台化：用 KMP 构建统一的 Agent 交互入口。
• 共享 Prompt 与工具调用协议：在 commonMain 中定义 Agent 的输入输出模型。
• 流式响应处理：Ktor 与 Kotlin Flow 在流式场景的配合。
• 本地模型与云端模型的路由：通过 expect / actual 屏蔽平台差异。

6. 实战案例：一个 KMP 全栈 AI Agent 的架构设计

结合前文内容，给出一个从移动端到 Agent 的完整架构示例。

// commonMain 中定义共享的 Agent 请求模型
data class AgentRequest(
    val sessionId: String,
    val userMessage: String,
    val tools: List<String>
)

// commonMain 中定义共享的 Agent 响应模型
data class AgentResponse(
    val reply: String,
    val toolCalls: List<ToolCall> = emptyList()
)

架构分层建议：

• 客户端层：Compose Multiplatform 构建 UI，共享 ViewModel 管理状态。
• 共享逻辑层：Agent 协议、会话管理、工具调用编排。
• 服务端层：Ktor 提供 Agent 网关，统一接入模型服务。
• 模型层：通过标准接口对接云端大模型或本地模型。

7. 挑战与最佳实践

KMP 全栈开发并非银弹，以下问题值得重点关注。

• 生态成熟度差异：部分第三方库的多平台支持仍不完善。
• 构建与调试成本：多平台构建链路的复杂度和排障成本。
• 团队技能转型：从单一平台开发到多平台思维的转变。
• 性能与包体积：共享代码对应用包体积和启动性能的影响。

8. 总结与展望

KMP 正在从移动端跨平台方案走向真正的全栈开发底座。从 Android 客户端到服务端，再到 AI Agent 场景，Kotlin 的共享能力让一套业务逻辑贯穿多个技术栈成为可能。未来随着生态进一步完善，KMP 有望成为 Kotlin 开发者构建全栈应用的重要选择。