AI-автодополнение текста при наборе: реализация на iOS и Android

Внедрение AI-автодополнения: от концепции до готового UX

Представьте: пользователь набирает ответ в мессенджере, и приложение предлагает закончить предложение фразой «Спасибо за письмо, я рассмотрю ваше предложение». Если подсказка появляется с задержкой 2 секунды или мигает при каждом символе — UX разрушен. Мы решали эту проблему для финтех-приложения с аудиторией 500k+ пользователей. Результат: 30% пользователей используют автодополнение ежедневно, время набора сообщений сократилось на 40%. Разрыв между концептом и рабочей реализацией — в деталях UX и производительности.

Когда предлагать подсказку

Самая недооценённая часть — триггер. Подсказка не должна появляться при каждом символе. Рабочая эвристика: предлагаем автодополнение, если пользователь набрал от 3 слов в текущей строке и сделал паузу > 600 мс, или нажал пробел в конце предложения-незавершёнки. Ниже — сравнение распространённых стратегий триггера.

// iOS - триггер автодополнения
private var autocompleteTask: Task<Void, Never>?

func textDidChange(_ textView: UITextView) {
    autocompleteTask?.cancel()
    let text = textView.text ?? ""
    let cursorPosition = textView.selectedRange.location
    let textBeforeCursor = String(text.prefix(cursorPosition))
    
    // Не предлагаем в середине слова
    guard textBeforeCursor.last == " " || textBeforeCursor.last == "\n" else {
        hideAutocomplete()
        return
    }
    
    // Минимум 15 символов контекста
    guard textBeforeCursor.trimmingCharacters(in: .whitespaces).count > 15 else {
        return
    }
    
    autocompleteTask = Task {
        try? await Task.sleep(nanoseconds: 600_000_000) // 600ms debounce
        guard !Task.isCancelled else { return }
        await fetchAutocomplete(context: textBeforeCursor)
    }
}

Запрос к модели и парсинг ответа

Для автодополнения используем режим completion, не chat. gpt-4o-mini с max_tokens: 30 и temperature: 0.3 — быстро и предсказуемо.

struct AutocompleteRequest: Encodable {
    let model = "gpt-4o-mini"
    let messages: [ChatMessage]
    let maxTokens = 30
    let temperature = 0.3
    let stop = ["\n", "."] // останавливаемся на конце предложения
}

func buildPrompt(context: String) -> [ChatMessage] {
    [
        ChatMessage(role: "system", content: "Complete the text naturally. Continue from where it ends. Output only the continuation, no commentary."),
        ChatMessage(role: "user", content: context)
    ]
}

Стоп-токены \n и . — важны. Без них модель сгенерирует несколько предложений, а нам нужно одно продолжение.

Почему on-device модели не всегда подходят?

Альтернатива для on-device — CreateML Text Classifier не подходит, нужен generative model. На iOS 18+ есть Foundation Models framework с on-device LLM (Apple Intelligence). На Android — Gemini Nano через Google AI Edge SDK. Однако Gemini Nano доступен на Pixel 8+ и некоторых Samsung — не универсальное решение. Согласно Apple Foundation Models, on-device LLM требует A17 Pro или M1+. Для широкой аудитории нужен серверный fallback.

// Android - Gemini Nano on-device (требует поддержки устройства)
val generativeModel = GenerativeModel(
    modelName = "gemini-nano",
    generationConfig = generationConfig {
        maxOutputTokens = 30
        temperature = 0.3f
        stopSequences = listOf(".", "\n")
    }
)
val response = generativeModel.generateContent(
    content {
        text("Complete naturally: $contextText")
    }
)
val completion = response.text?.trim() ?: ""

В таблице ниже сравним подходы:

Гибридный подход — on-device с серверным fallback — даёт лучшее из двух миров.

Как избежать мигания подсказки?

Suggestion мигает. Происходит если новый запрос возвращается быстрее 200 мс и сразу сменяет предыдущий. Решение — показывать только если новый suggestion отличается от предыдущего более чем на 3 символа.

Модель продолжает удалённый текст. Если пользователь удалил часть текста — в контексте для промпта должна быть актуальная версия, не предыдущая. Следите за синхронизацией textBeforeCursor с реальным состоянием TextStorage.

Tab перехватывается системой. На Android Tab на мягкой клавиатуре недоступен. Используем кастомную inline-клавишу или жест свайп-вправо через GestureDetector.

Отображение подсказки

Стандартный паттерн: серый inline-текст после курсора. Пользователь нажимает Tab или свайп вправо — подсказка принимается. Любой другой ввод — скрывается.

// Android Compose - inline suggestion
@Composable
fun TextFieldWithSuggestion(
    value: String,
    suggestion: String,
    onValueChange: (String) -> Unit,
    onAcceptSuggestion: () -> Unit
) {
    val annotatedText = buildAnnotatedString {
        append(value)
        withStyle(SpanStyle(color = Color.Gray.copy(alpha = 0.6f))) {
            append(suggestion)
        }
    }
    BasicTextField(
        value = TextFieldValue(
            annotatedString = annotatedText,
            selection = TextRange(value.length) // курсор — после реального текста
        ),
        onValueChange = { tfv ->
            val newText = tfv.text.take(value.length + suggestion.length)
            if (newText.startsWith(value + suggestion)) {
                onAcceptSuggestion()
            } else {
                onValueChange(tfv.text.take(value.length))
            }
        },
        keyboardActions = KeyboardActions(
            onDone = { onAcceptSuggestion() }
        )
    )
}

На iOS inline suggestion через UITextInput + drawText(in:) или проще через overlay label, позиционированный через caretRect(for:).

Что входит в работу

При заказе реализации AI-автодополнения вы получаете:

• Архитектурную документацию: выбор подхода (сервер / on-device / гибрид), схему интеграции.
• Реализацию триггера и debounce с учётом UX.
• Интеграцию с выбранным API или on-device SDK.
• UI-компоненты inline-подсказки под iOS и Android.
• Тестирование на реальных устройствах: достоверность подсказок, отсутствие мерцания, корректное поведение при удалении.
• Инструкцию по эксплуатации и рекомендации по дообучению модели.

Опираясь на опыт реализации более 10 проектов в области NLP, мы гарантируем стабильную работу подсказок. Свяжитесь с нами, чтобы оценить ваш проект — мы подберём оптимальное решение за 1-2 дня.

Ориентиры по срокам

Базовое автодополнение с серверным API + inline UI — 5–8 дней. On-device через Apple Intelligence / Gemini Nano с серверным fallback — 2–3 недели. Точные сроки зависят от количества платформ, требований к дизайну и необходимости поддержки офлайн-режима. Получите консультацию — мы рассчитаем срок под ваш проект.

Частые проблемы и их решения