AI 桌面陪伴助手 · 代码说明

架构一句话：服务器是助手，本地是客户端。 助手本体（会话引擎、记忆、身份、STT/TTS 调度）跑在 cadadmin-server； N5095 只做 USB 外设接入和网络桥接。理由与实测见 P0-语音基准报告.md。

运行方式与配置见 部署说明.md；总体方案见 AI桌面陪伴助手方案.md。

目录结构

app/                    助手本体（部署到服务器）
├── config.py           配置。全部可用环境变量覆盖——部署时不改代码
├── prompts.py          提示词构造。单条 system 每轮重建
├── engine.py           会话引擎：身份 → 记忆 → LLM → TTS 的核心回路
├── llm/                LLM 抽象与后端
│   ├── base.py         接口 + SSE 解析 + 消息归一化
│   ├── local_vllm.py   本机 vLLM（Qwen3.8-27B，已停用）
│   ├── deepseek.py     DeepSeek 云 API（当前主用）
│   └── __init__.py     工厂 + 降级路由
├── memory/             记忆
│   ├── base.py         接口。**按"可能远程"设计**——全 async、可超时、可失败
│   └── sqlite_store.py SQLite 实现
├── identity/           身份
│   ├── base.py         接口。人脸只提供候选，**不自动切身份**
│   └── manual.py       首版实现：显式切换 + 访客兜底
├── voice/              语音
│   ├── stt.py          sherpa-onnx 流式 Zipformer（CPU）
│   ├── tts.py          本地 vits-zh-ll（sherpa-onnx）
│   └── remote_tts.py   Qwen3-TTS 远端服务适配（当前主用）
└── tests/              回归与真实服务验收脚本

deploy/searxng/          私有联网搜索服务（仅监听服务器回环地址）

services/
├── tts_server.py       Qwen3-TTS 服务（跑在 ~/tts-qwen，独立 venv）
└── bot_server.py       Pipecat SmallWebRTC 服务端（实验，见下）

client/
└── test_client.py      自写 aiortc 客户端（实验用，也是 N5095 客户端的雏形）

p0/                     P0 阶段的验证与基准脚本（保留用于复现）
├── verify_deepseek.py  DeepSeek 四条路径
├── verify_local_llm.py 本机 Qwen3.8-27B
└── stt_tts_bench/      STT/TTS 基准、模型下载脚本、线程扫描

测试

# 服务器上（完整）
cd ~/ai-companion
.venv/bin/python app/tests/test_llm.py          # 27 项
.venv/bin/python app/tests/test_memory.py       # 30 项
.venv/bin/python app/tests/test_identity.py     # 19 项
.venv/bin/python app/tests/test_engine_e2e.py   # 16 项，端到端
.venv/bin/python app/tests/test_transport.py    # 4 项，媒体时钟/VAD/静音/RTVI文本
.venv/bin/python app/tests/test_search.py       # 12 项，搜索 API/工具回灌/TTS 链路过滤
.venv/bin/python app/tests/test_profile_memory.py # 22 项，自报姓名/断开重连/疑问句防误写

端到端测试不需要麦克风、音箱、摄像头、ESP32—— 这是"服务器即助手"架构的直接好处：链路可以在任何有 CPU 的地方验证， 硬件到货后再接最后一段。跑完会把合成音频写到 out/，可以人工试听。

联网搜索

DeepSeek 负责判断何时需要实时资料，app/search.py 提供 web_search 工具并调用 服务器本机的 SearXNG。工具结果回灌模型后再生成最终回答；网页保留来源 URL，TTS 只朗读正文。SearXNG 仅绑定 127.0.0.1:18080，配置见 deploy/searxng/。

服务器实测 DuckDuckGo、Brave、Wikipedia 超时，当前启用 360 搜索和搜狗；Bing 保留但暂时返回空结果。真实服务验收：

.venv/bin/python app/tests/test_search_live.py

设计上几个刻意的选择

接口按最坏情况设计。 MemoryStore 全是 async、可超时、可失败， 虽然现在背后是本地 SQLite（微秒级）。因为将来多设备共享记忆时要搬到服务器， 如果现在写成同步直连本地文件，那时要重写所有调用方。

身份、会话、视觉追踪三者分开。 user_id（永久身份）、session_id（一次会话）、 track_id（画面里的一个目标）互不冒充。人脸认出来不等于确认对方在说话—— 所以人脸只产生"建议"，不自动切换身份。做错的后果是路人经过就把你的私人记忆念出来。

内部 ID 与用户称呼分开。 u_ylhan 只用于数据库隔离，绝不是姓名。用户明确说 “我叫林”时，会同步写入 users.display_name 和一条 confirmed 姓名记忆；新连接创建 引擎时从档案恢复称呼。自报姓名只用于个性化，不提升身份信任等级。

记忆查询强制带 owner_user_id。 没有"按 memory_id 单独取"的口子： 猜到 id 就能读别人的记忆，是这类系统最容易犯的错。删除同理，必须同时匹配 owner。

自动抽取的记忆是"候选"，默认不参与检索。 当前只有自报姓名走同步 confirmed 档案路径；“记住/我喜欢/我习惯”等通用规则仍统一写成 candidate，而且尚无候选确认/ 晋升入口。因此除姓名外，内容可能已经落库却不会参与后续回答。这是下一阶段必须补齐 的功能，不应把“数据库里有记录”误报为“助手已经会使用这条记忆”。

异步任务绑定创建时的身份。 回复后写记忆的任务在创建时捕获 user_id， 不读"当前用户"——否则用户在这几百毫秒内切了身份，这条记忆会写到别人名下。

引擎与传输解耦。 不依赖 Pipecat、不依赖任何传输方式，只依赖四个接口。 好处：可以用文件音频端到端测试；接 WebRTC 时只需写薄适配层。

Pipecat 实时链路：已闭环

2026-09-15 复查并修复传输层实验：

• ✅ 信令、ICE、data channel、双向媒体轨
• ✅ PipelineWorker 自动 StartFrame，自定义 EngineProcessor 正常收帧
• ✅ 文件音频 → STT → DeepSeek → Qwen3-TTS → WebRTC 非静音回复
• ✅ 保留 RTVI 和 /client/ prebuilt 网页客户端，并提供其需要的 /start 入口

原来的“process_frame 调用次数为 0”并非管线接线或模型不兼容。真实根因是 Pipecat 启动预热 NLTK punkt_tab 时发生运行时下载，20 秒 setup 超时，worker 尚未发送 StartFrame 就退出。数据预装后帧路由正常，因此确定采用 A 方案： Pipecat 管传输、帧与 RTVI，自有 ConversationEngine 管会话语义。

自写客户端另有两处测试缺陷也已修复：文件结束后的静音帧没有推进 PTS，导致 VAD 收不到 700ms 尾静音；接收端又把 WebRTC 自动静音误判为回复。现在成功条件是收到 非静音语音，并按实际 WebRTC 采样率保存 WAV。

2026-09-16 又通过 SSH 隧道用 /client/ 做了真人浏览器测试：补齐 Playground 要求的 /start 后，麦克风 → STT → LLM → TTS → 浏览器播放正常，单轮服务端指标 约 3.0 秒。这个页面是调试工具而非产品 UI；当前连接期间由 VAD 检出每段话后都会 响应，尚无唤醒门控。正式唤醒仍按方案放在 P2 的 N5095 本地端，待机时不上传音频。

完整记录见代码仓库外的 P0-Pipecat传输层实验报告.md（在 Obsidian 笔记库里）。

当前打断边界（2026-09-16）

当前 SimpleVAD 是实验性的 RMS 能量判定：阈值 350、最短语音 300ms、尾静音 700ms。它能切分话段和触发下一轮，但不是完整的 barge-in。助手推送音频时检测到 用户声音目前只记日志；只有等话段结束，或收到外部 InterruptionFrame，才会取消 当前异步轮次。浏览器播放器虽有清空能力，服务端尚未把“用户开始说话”可靠地转换为 取消生成、清空服务端输出和清空客户端缓冲三个动作。现有测试只证明任务可取消， 未证明声学打断端到端闭环。

下一阶段 Agent 方向：Pipecat Flows

已决定不整体迁移 OpenClaw、Agno、LangGraph 或 LiveKit Agents，而是在现有 Pipecat 实时链路上渐进引入 pipecat-ai-flows。目标是把 web_search、remember、 search_memory、forget 等能力变成受策略约束的工具，同时保留现有 MemoryStore、身份隔离和低延迟语音链路。Flows 与当前自有 ConversationEngine 的接口并不直接兼容，必须先做独立兼容性实验，再通过 feature flag 灰度迁移；不得 直接重写已部署链路。实施交接见笔记库 P1-Pipecat Flows Agent化与记忆改造交接.md。

实验挖出的 10 个坑

每个都表现为"什么都没发生"，极难排查：

1. Pipecat 客户端 SDK 不覆盖"Linux x86 盒子接 USB 阵列"这种形态 → 客户端得自己写
2. 客户端必须建 data channel 并定期发 "ping"，否则服务端一帧音频都不推
3. offer 里没有媒体时 aiortc 完全不收集 ICE 候选（连连通性测试都要加静音轨）
4. ICE 收集完成前发 offer → SDP 里 0 个候选地址
5. PipelineWorker.run() 要 WorkerParams(task_manager=...)，不是 PipelineParams
6. TaskManager() 必须在事件循环内创建
7. 后台任务里的异常被静默吞掉，日志里查不到
8. 信令回调里必须 create_task，不能 await task.run()
9. Pipecat 会预热 NLTK punkt_tab；生产部署必须预装，不能在首个会话临时下载
10. PipelineWorker 自动发送 StartFrame，手工再发会造成重复启动帧

踩过的坑

全部写在对应文件的注释里，这里只列索引，详见 部署说明.md §已知的坑：

• 本机 vLLM 只接受一条 system 消息（多条 400）
• 思考字段名 vLLM 用 reasoning、DeepSeek 用 reasoning_content
• DeepSeek 默认开思考，多轮/工具回灌会 400；且思考会吃掉 max_tokens
• max_num_sentences=1 静默截断多句输入
• VITS 非自回归，首音 = 整句合成耗时
• Qwen3-TTS 短句 RTF 反而最差（固定开销约 1 秒）
• qwen-tts 与 vllm-omni 依赖互斥，必须分 venv
• STT 与 TTS 的线程扩展方向相反