требованию наиболее ценные логи — например, об утечках памяти RSS, аномалиях GPU и проблемах ArkTS — с настраиваемыми политиками через AppGallery Connect. Кластерный анализ APMS группирует похожие исключения по ключевым строкам трассировки стека, указывая первопричину, подозрительные участки кода и рекомендации по исправлению, а также предлагает ИИ-анализ для выявления ключевых точек утечек. Кроме того, ИИ-навык (AI Skill), доступный в DevEco Code или в виде открытого исходного кода на GitCode, автоматизирует разбор стека, извлечение фрагментов и семантическую привязку к коду для таких сценариев, как утечки объектов ArkTS, утечки нативной памяти, утечки DMA (ION) и зависания (Freeze). Приведённый пример показывает, как благодаря серому сбору данных, APMS и ИИ-навыку сокращается время закрытия проблемы — от получения жалобы пользователя на зависание приложения до проверки исправления.