wild

当 AI 写客户端、人类修边界：拆解 niuhuan/wild 的跨平台轻小说阅读器

项目背景与痛点

文库8（wenku8）是中文轻小说圈子里一个奇特的存在：它靠大量录入者把台版轻小说搬运成网页，内容存量惊人，但前端体验停留在十几年前——PHP 模板拼出来的表格布局、没有响应式、没有官方 API、广告与跳转链接混杂。移动端浏览器打开它，本质是在用一个为 1024×768 设计的页面。

于是生态里长出了两类替代品：Python 脚本把书扒成 EPUB，油猴脚本给网页“打补丁”。前者是离线工具，没有书架、没有进度同步；后者依赖浏览器，桌面端和移动端体验割裂。

niuhuan/wild 走的是第三条路：一个 Flutter 单代码库覆盖 iOS / Android / Windows / macOS / Linux 的原生客户端。它的核心价值不在于“能看”，而在于把发现—书架—阅读—缓存这条链路做成了闭环工具，且五个平台的交互各自成立。README 里那句“代码由 AI 编写，人类调试修复”，则让这个项目多了一层工程学样本的意义。

核心技术揭秘

这个项目最硬的约束是：目标站点没有 API。所有数据都得从 HTML 里抠。这决定了它的架构底色——一个“网页适配层 + 单向数据流”的组合。

从作者既往的 Flutter 项目脉络看，wild 大概率复用了其自研的 framework 目录：Page 负责页面容器与生命周期，Skill 作为可注入的能力模块（登录态、下载、文件路径、平台差异），DataFlow 提供 Controller/State 的流式状态管理。数据流大致如下：

几个值得展开的设计点：

HTML 解析必须当成“协议”来写。 网站结构随时可能变，解析器不能散落在各个页面里，而要收敛成 Repository 层的纯函数：输入 HTML 字符串，输出强类型 Model，缺字段时给默认值而不是抛异常。理想做法是保存若干 HTML 快照做契约测试，站点改版时能立刻定位是哪条选择器失效。编码、相对链接补全、分页参数拼接，都是这一层要兜住的脏活。

会话与 Cookie 是隐形的第二套状态。 书架、收藏、评论都依赖登录态，而登录态是一串 Cookie。它必须被持久化、在 401 式跳转时被识别、在失效时引导重新登录，且不能污染阅读这类匿名可用的路径。

缓存分三层。 内存层管当前页面；Hive 管书架、阅读进度、搜索历史这类结构化数据；文件系统管章节正文与插图。阅读进度建议锚定到“章节 + 段内偏移”而非页码——字号、行距、屏幕宽度一变，页码立刻失效，这是阅读器最容易被低估的细节。

平台差异在 Skill 层收敛。 桌面端要 window_manager 管窗口、要键盘翻页；移动端要安全区、返回手势、分享。把这些做成能力注入而非 if (Platform.isAndroid) 满天飞，是这套架构最值钱的地方。

功能亮点与差异

对比同类，wild 的差异不在功能数量，而在形态完整度：它是唯一一个把“网页站点的全部可读内容”搬到五个原生壳里、还带完整书架与离线下载的方案。桌面端能当正经阅读器用——窗口自由缩放、键盘翻页、多窗口并行；移动端则收起了工具栏，把屏幕还给文字。

另一个隐性亮点是“无推荐流”。没有算法投喂、没有信息流、没有广告位，打开就是书。在一个什么都想做成内容平台的年代，这种克制的工具属性反而稀缺。

应用场景与落地建议

自用与轻量分发没问题，真要严肃使用，有几条得提前想清楚：

• 解析脆弱性是最大风险。 站点一次模板改版就可能全站白屏，所以解析层要可热修、要有快照回归测试。
• 抓取礼貌。 控制并发、加缓存、别把整站镜像下来；遵守 robots 与站点条款，内容版权归录入者与版权方。
• 分发合规。 App Store 对内容类应用审核严格，桌面端还要处理签名与自动更新。
• AI 代码的边界。 这类项目通病是模板高度一致、异常路径偏薄。接手时优先补三类测试：网络异常、登录失效、空数据渲染。

若把视角拉高，这套“HTML 适配层 + DataFlow + Skill 注入”的范式，其实适用于任何“有网页、没 API、想做多端客户端”的场景——企业内网系统、老旧论坛、只提供 Web 的 SaaS，都能照抄这套骨架。

综合评价

优点：架构自洽，Page / Skill / DataFlow 三层职责清晰；五端一套代码，平台差异被有效收敛；阅读器细节（进度锚点、离线缓存、桌面交互）打磨到位；作为“AI 生成 + 人工调试”的协作样本，代码风格一致性高得罕见。

缺点：与单一站点强耦合，解析层天然脆弱；测试与文档薄弱，社区治理基本空白；AI 产出的代码在异常分支和平台 API 细节上仍需人工反复填坑；不支持多站点源，扩展性受限。

一句话：这是一个工程品味明显高于代码规模的项目——它证明了一件事，AI 可以把“写代码”这件事的边际成本压到极低，但把边界条件修对，仍然得靠人。