136 lines
7.4 KiB
Markdown
136 lines
7.4 KiB
Markdown
# 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/ 5 个测试脚本，全部无需硬件
|
||
|
||
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
|
||
|
||
```bash
|
||
# 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 # 28 项
|
||
.venv/bin/python app/tests/test_identity.py # 17 项
|
||
.venv/bin/python app/tests/test_engine_e2e.py # 16 项，端到端
|
||
.venv/bin/python app/tests/test_transport.py # 3 项，媒体时钟/VAD/静音判定
|
||
```
|
||
|
||
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。
|
||
|
||
## 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。
|
||
|
||
**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。** 只有用户显式"记住"或工具调用
|
||
写入的才是"已确认"。对应方案 §8 的"模型推测不当作确认事实"。
|
||
|
||
**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）。
|
||
|
||
### 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
|