1. 引言

Kotlin Multiplatform（KMP）正在重塑移动开发者的技术版图。它不再只是「一套业务逻辑，两端复用」的跨平台方案，而是正在成为一条从 Android 客户端一路延伸到服务端、再到 AI Agent 的完整全栈路径。本文将带你梳理这条技术路线：KMP 如何从 Android 出发，逐步覆盖后端、再到 AI Agent 的落地场景，并给出学习路线与实战建议。

2. 什么是 KMP：从共享逻辑到全栈

2.1 KMP 的核心价值

KMP 允许你用 Kotlin 编写一次业务逻辑，编译到 Android、iOS、桌面、Web 乃至服务端等多个平台。它的核心优势在于：

• 共享业务逻辑：数据模型、网络层、存储层、校验逻辑等一次编写，多端复用。
• 保留原生体验：UI 层仍使用各平台原生方案（Jetpack Compose / SwiftUI），不牺牲交互与性能。
• 渐进式接入：不必全量重写，可以在现有 Android 工程中逐步引入共享模块。

2.2 为什么说 KMP 是「全栈」的

Kotlin 生态的覆盖面决定了 KMP 的上限：

• 客户端：Android（Compose Multiplatform）、iOS（Compose Multiplatform / SwiftUI 互操作）。
• 服务端：Ktor 服务端框架，Kotlin 原生支持。
• 共享代码：Kotlin 协程、序列化（kotlinx.serialization）、依赖注入（Koin）等跨端库。

这意味着，一名 Android 开发者掌握 KMP 后，可以沿着 Kotlin 这条主线，把能力半径扩展到服务端与 AI 应用层。

3. 第一站：Android 与 iOS 的跨平台共享

3.1 工程结构

一个典型的 KMP 工程包含：

• shared 模块：存放跨平台共享代码（数据层、领域层）。
• androidApp 模块：Android 入口与 UI。
• iosApp 模块：iOS 入口与 UI。

3.2 共享什么、不共享什么

层	是否共享	说明
数据模型	✅ 共享	使用 kotlinx.serialization 定义 DTO
网络层	✅ 共享	Ktor Client 多平台支持
本地存储	✅ 共享	SQLDelight / Multiplatform Settings
状态管理	✅ 共享	ViewModel + 协程 Flow
UI 层	❌ 不共享	Android 用 Compose，iOS 用 SwiftUI 或 Compose Multiplatform

3.3 平台差异处理

通过 expect / actual 机制处理平台特有能力，例如获取设备信息、调用系统 API 等。

4. 第二站：Ktor 服务端——用 Kotlin 写后端

4.1 为什么选择 Ktor

• 与 KMP 共享语言与协程模型，心智负担低。
• 轻量、模块化，适合构建 REST API 与 WebSocket 服务。
• 与 kotlinx.serialization 无缝配合。

4.2 一个最小 Ktor 服务

fun main() {
    embeddedServer(Netty, port = 8080) {
        routing {
            get("/") {
                call.respondText("Hello from Ktor!")
            }
            get("/api/health") {
                call.respond(mapOf("status" to "ok"))
            }
        }
    }.start(wait = true)
}

4.3 共享代码的复用

客户端与服务端可以共享同一套数据模型与校验逻辑，避免「前后端各维护一份 DTO」的重复劳动。

5. 第三站：AI Agent——Kotlin 如何接入大模型

5.1 AI Agent 是什么

AI Agent 是基于大语言模型（LLM）的智能体，能够理解用户意图、调用工具（Function Calling）、执行多步任务并返回结果。常见的形态包括聊天机器人、自动化助手、RAG 问答系统等。

5.2 Kotlin 生态中的 AI 能力

• OpenAI 客户端：社区有成熟的 Kotlin 封装库，可调用 Chat Completions、Embeddings 等接口。
• Ktor Client：作为 HTTP 层，直接对接任意 LLM 的 REST API。
• 协程与 Flow：天然适合流式输出（SSE）场景，逐 token 推送回复。

5.3 一个简单的 LLM 调用示例

suspend fun chat(prompt: String): String {
    val client = HttpClient(CIO) {
        install(ContentNegotiation) { json() }
    }
    val response = client.post("https://api.openai.com/v1/chat/completions") {
        contentType(ContentType.Application.Json)
        header("Authorization", "Bearer $API_KEY")
        setBody(ChatRequest(messages = listOf(Message("user", prompt))))
    }
    return response.body<ChatResponse>().choices.first().message.content
}

5.4 从客户端到 Agent 的架构演进

Android/iOS (KMP) → Ktor 服务端 → LLM API / Agent 编排层

客户端负责交互与展示，服务端负责鉴权、会话管理与工具调用编排，LLM 负责理解与生成。KMP 让这条链路的每一环都可以用 Kotlin 编写。

6. 实战案例：一个 KMP 全栈 AI 助手

6.1 需求描述

构建一个跨平台 AI 助手 App：用户在 Android/iOS 上提问，服务端调用 LLM 并流式返回回答。

6.2 架构分层

• shared 模块：定义请求/响应模型、API 客户端。
• Ktor 服务端：接收请求、调用 LLM、处理流式响应。
• 客户端 UI：Compose Multiplatform 实现聊天界面。

6.3 关键流程

1. 用户在客户端输入问题。
2. 客户端通过 Ktor Client 调用服务端 /api/chat 接口。
3. 服务端转发请求到 LLM，并通过 SSE 流式返回。
4. 客户端用 Flow 接收流式数据，逐段渲染回复。

7. 学习路线与资源

7.1 推荐学习路径

1. 掌握 Kotlin 语言基础与协程。
2. 学习 KMP 共享模块与 expect/actual 机制。
3. 用 Compose Multiplatform 搭建一个跨平台 UI。
4. 学习 Ktor 服务端开发，打通前后端。
5. 接入 LLM API，实现一个简单的 AI 对话功能。
6. 进阶：Function Calling、RAG、Agent 编排。

7.2 官方与社区资源

• Kotlin 官方文档：Kotlin Multiplatform 指南
• Ktor 官方文档
• Compose Multiplatform 官方仓库
• 社区：Kotlin Slack、JetBrains 博客

8. 总结与展望

KMP 的价值不止于「跨平台复用」，它正在成为一条贯穿客户端、服务端与 AI 应用层的全栈技术主线。对于 Android 开发者而言，掌握 KMP 意味着用一门语言触达更广阔的技术领域。随着 Kotlin 生态在 AI 方向的持续完善，KMP 全栈开发者的想象空间会越来越大。

如果你正准备从 Android 出发走向全栈，KMP 是一条值得投入的路径。