断网也能写 Python：一个 2.2 万人用的编程平台，把运行时塞进了低端安卓浏览器

先讲一个不太好听的数字：一位创办编程培训机构的作者，招了 80 个学生，最后只有 6 个人毕业。原因不是课程太难，也不是学生不努力——他们会在直播课上到一半突然掉线，然后就再也没回来。网络撑不到一节课结束，这是很多教育产品默认不存在的问题。

一分钟速览

• Efiwe 是一个面向弱网、低端设备的编程学习平台，目前覆盖 160 个国家、2.2 万多名学习者。
• 选择 PWA 而非原生应用：避开几十 MB 的安装包流量，靠 Service Worker 静默更新。
• SQL 用 sql.js（SQLite 编译成 WebAssembly），Python 用 Pyodide（CPython 编译成 WebAssembly）。
• 硬规则：运行时不在主线程初始化，也不在真正需要之前初始化，首屏渲染绝不等待运行时。
• 每条执行链路都把“学生代码报错”当作正常数据，而不是系统异常。
• SQL 判题比较结果结构与内容，允许别名、列顺序不同，只要求查询正确。
• 真正的工程难点不是模型质量，而是存储配额、冷启动和失败路径的容错设计。

四个被默认成立的前提

大多数编程教育平台都建立在一组假设上：学习者有笔记本电脑、有宽带、能顺畅读英文、付得起订阅费，或者所在机构替他们付了。这四条在发达市场几乎不证自明，但在很多地方同时不成立。Efiwe 的出发点，就是把这四个前提逐条拆掉：直接跑在手机浏览器里，只需一次初始设置，之后可以离线使用；学生提交的代码也在本地执行，首次加载完成后不再消耗移动数据。

目前它已经被 160 个国家的 2.2 万多名学习者使用，并在尼日利亚拉各斯州、奥贡州以及印度北阿坎德邦的学校开展了有组织的试点。这些地方的共同点是：设备内存小、处理器弱、网络时断时续、流量按兆计算。

为什么不做原生 App

开发一个原生安卓应用看起来是最自然的选择，团队否掉它有三个理由。第一是安装门槛：即使还没下载任何课程内容，装一个 APK 往往也要几十 MB 流量，而学生正在精打细算地用流量套餐；PWA 点开就能学，缓存可以后台逐步完成，流量被分摊到学习过程中。第二是更新频率：产品持续迭代，Service Worker 让新版本在下次访问时生效，而应用商店的更新在惜流量的市场里经常被无限推迟，用户可能还在跑几个月前就修过的旧代码。第三是运行时：WebAssembly 让 Python、SQL、JavaScript、HTML 的代码执行可以一次实现、处处运行，不依赖服务器。

他们也考虑过用原生外壳包一层 WebView，但那样仍然要先下载 APK 才能开始学习，这对一个以降低门槛为使命的产品来说已经足够致命。选择 Web 的代价也很明确——必须接受浏览器的存储配额机制，而生产环境里的大部分麻烦恰恰来自这里。

把运行时关进 Worker

通常，判一道编程题要把代码发到服务器，在沙箱里跑，再返回结果。这意味着每次尝试都有一次网络往返。而在网络不稳的教室里，学生往往要试十到十二次才能解出一道题，这种模式根本行不通。

所以代码改成在设备本地执行。SQL 用 sql.js，Python 用 Pyodide，两者体积都不小，初始化也慢，处理不当会直接阻塞主线程，让页面卡死。团队最后定了一条规则：任何运行时都不能在主线程初始化，也不能在真正需要之前初始化。学生选课之后，才按需启动 Worker；挑战页面的首次渲染绝不能等待运行时就绪。

实现上还有几个容易被忽略的细节：初始化要有 45 秒超时，避免弱设备上无限等待；Worker 内部要防止重复初始化；模块文件优先从缓存加载，这样设备离线一周后再次打开，运行时仍然能启动。最关键的一条是错误处理——学生写的代码抛异常，是学习过程中预期会发生的事，绝不能因此终止 Worker，而应当把它当作一条正常结果返回。

判题不是字符串比较

SQL 题的判定方式也值得一说。直接比较输出字符串太脆弱：学生用了不同的列别名、换了列顺序、加了格式化，明明查询是对的，也会被判错。Efiwe 的做法是比较结果的结构和内容——列名统一转小写、按需排序、行数据规范化之后再比对，只有在题目明确要求顺序时才检查顺序。这个改动看起来琐碎，却直接决定了初学者会不会因为格式问题被劝退。

真正的瓶颈不是模型

文章里有一句话值得所有做端侧 AI 产品的人抄下来：在这个领域，真正棘手的问题不在模型质量，而在存储、配额、冷启动和失败路径的设计。这些问题也不只存在于教育产品——只要你的用户设备性能有限、网络时断时续，就会撞上同一堵墙。

浏览器给的存储配额不是无限的，缓存策略一旦设计得激进，用户可能在某次更新后突然发现课程打不开；设计得保守，离线体验又会打折。冷启动同理：运行时初始化慢，用户会在白屏前离开；提前初始化，首屏又会被拖垮。这些都是在真实设备、真实网络里一遍遍称出来的重量，没有漂亮的基准分数可以替代。

趋势洞察

端侧 AI 的讨论常常集中在“能不能在手机上跑一个模型”，但真正的产品化难点在别处：一次初始化的几十秒、一个几十 MB 的安装包、一次没有兜底的异常，都足以让用户流失。Efiwe 给出的启示是，把 WebAssembly 运行时、PWA 缓存和离线优先架构组合起来，可以在很低端的设备上做出可用的交互式学习体验。这条路不只属于教育，也属于所有想服务“下十亿用户”的产品。