# AI 桌面陪伴助手 · 方案

> 状态: 🧭 方案已定稿（2026-09-12），尚未动手实现
> 一句话: N5095(16G) 当"AI 大脑"，ESP32 头部 MCU 接管"屏+电机"实时外设，走 UART 分层。

## 1. 最终形态

一个桌面设备，能：

- **听** — 实时语音输入（唤醒、STT、打断）
- **说** — 文转语音回复
- **看** — 摄像头视觉理解
- **记住** — 跨会话长期记忆
- **控** — 控制智能家居（米家）
- **动** — 小屏幕 + 电机云台，"转身面向使用者"

## 2. 核心架构分叉（已定）

| 决策点 | 结论 | 理由 |
|---|---|---|
| 模型运行 | **云端 API**（Claude 系列） | 前期倾向云端，能力强、上手快；本地无 GPU 需求 |
| 智能家居 | **倾向 Home Assistant + `Xiaomi Miot Auto`** | 统一接口控米家、可扩展；备选 `python-miio` 跑 demo |
| 记忆 | 需**自建**向量库 + 长期摘要 | pipecat 不内置记忆 |
| 屏幕连接 | **不用 HDMI，屏接 ESP32(SPI)** | 屏和电机同属"头部 MCU"，一体走 UART，线缆少、延迟低 |
| 摄像头 | **单目 USB 1080p，不需要双目** | 只要方向不要距离，双目深度能力用不上 |

## 3. 硬件分工

```
N5095 (16G)  "AI 大脑"
  pipecat + vision-agents
  听(DoA+STT) / 说(TTS) / 看(vision)
  朝向融合(人脸 + 声源DoA)
  ──► 云端 LLM (Claude)
        │ UART 串口
        ▼
ESP32       "头部 MCU"
  ├─ SPI → 圆屏 GC9A01（表情/内容）
  └─ PWM → 电机云台（PID 跟随）
  收指令, 本地渲染表情
```

### 硬件 BOM

| 模块 | 选型 | 接法 | 备注 |
|---|---|---|---|
| 算力 | 闲置 N5095 / 16G | — | 云端 API，本地无 GPU 需求，15W 低功耗适合常开 |
| 麦克风 | **硬件 DoA 阵列**（XMOS XVF3510/3610 类） | USB | 输出"角度 + 干净波束音频"，对 CPU 负担小；比裸麦阵 + 软件算法省事 |
| 屏幕 | SPI 圆屏 GC9A01（或方屏 ST7789） | 接 ESP32 | 本地渲表情，不走 HDMI |
| 电机云台 | 舵机 MG996R/DS3218 或步进(NEMA14+TMC2209) | 接 ESP32 | PID 跟随；避开南 SG90 小舵机（屏有重量会抖/发热） |
| 头部 MCU | ESP32（板载 USB 转串口，如 DevKit） | — | 屏 + 电机 + UART 收指令 |
| 摄像头 | **USB 1080p 单目**（十余~数十元） | USB → N5095 | AI 视觉主路，直连低延迟 |

## 4. N5095 ↔ ESP32 通信（选型）

- **介质**: USB 转 TTL / ESP32 板载串口 → N5095 呈现为 `/dev/ttyUSB0`，波特率 115200
- **主通道**: 串口 UART（低延迟、可靠、共地不出错）
- **数据方向**:
  - N5095 → ESP32: 表情 / 转向 / 文字 `{"t":"face","face":"happy","dir":30,"text":"..."}`
  - ESP32 → N5095: 完成确认 / 告警 `{"t":"ack","done":true}`
- **帧协议**: 帧式文本（`[SOF][长度][JSON][校验][EOF]`），处理粘包/断包
- **备选**: WiFi/MQTT 做旁路（多设备调度时），HC-05 蓝牙做无线调试

> 关键原则: 串口是字节流不是消息流，两侧都要实现按帧切包。

## 5. 摄像头决策

- **主力**: 单目 USB 1080p 直连 N5095，vision-agents 直接吞流
- **不要双目**: 只需"人在画面哪个方向"（人脸框偏移换算角度），不需要深度/距离
- 何时才上双目/深度相机: 设备要自己移动避障、精确保持跟随距离、理解三维结构时才需要；桌面固定伴侣不做
- **ESP32-CAM（可选副路）**: 能接但只当配角（如俯视监控/趣味镜）；主力视觉别用它——它走 WiFi 传 JPEG，多一跳压缩+WiFi，延迟和 CPU 开销都大，且会跟屏/电机抢 ESP32 资源

## 6. 朝向融合（核心算法，让它"追着你"）

两个信号源都可以给朝向：

| 信号源 | 何时为准 |
|---|---|
| 摄像头人脸检测（vision-agents） | 看见人脸 → 以人脸为准 |
| 麦克风 DoA | 看不见人脸但听到声音 → 以 DoA 为准 |

- 融合 + 卡尔曼/低通滤波平滑云台转向，避免抽搐
- 这就是 vision-agents 不只是"能看"的原因

## 7. 记忆方案（自建向量库，选型已定）

**核心原理**：向量库不是把记忆直接塞给 LLM，而是"检索最相关片段、只注入少量"：

```
对话时:
  当前输入 ──► 转向量 ──► 检索最相关 3~5 段 ──► 仅这几段(数百~2k token)拼进 prompt
```

> 做对就省 token（按需挑），不是把历史全塞进去。每次注入 500~2000 token 级别。

### 选型

| 层 | 方案 | 说明 |
|---|---|---|
| 记忆管理层 | **Mem0** | 专门做 AI 长期记忆的开源库，自带提取/检索/存储一条龙，推荐 |
| 向量存储 | **Chroma**（嵌入式，零运维）| 起步最省事；量大再上 Qdrant/Milvus |
| embedding | 云端 embedding API | 便宜；起步够用 |
| 兜底（更轻） | 纯文本 MEMORY.md / SQLite | 记忆量小时连向量库都不必上 |

推荐：**Mem0（自带 Chroma 支持）+ 云端 embedding**，pip 安装配 API key 即可跑。

### token 消耗

- ✅ 只读相关片段 → 省，不会因记忆多而线性暴涨
- ❌ 把整个记忆库/全部历史塞进上下文 → 必炸，别这么用
- 检索端 embedding 模型很便宜

### 存储空间

- 向量式存储，个人千条级记忆：**几十 MB**，N5095 磁盘随意放，完全不用担心

## 8. 技术栈分工（pipecat 管什么）

- **pipecat**: 听(STT) / 说(TTS) / 视觉输入 → 云端 LLM 的实时管线 + 打断处理
- **vision-agents**: 视觉 agent 能力（人脸检测、看摄像头/屏幕）—— pipecat 团队出品，向下兼容
- **需自己在 pipecat 之外实现的模块**:
  1. 表情渲染 App（发指令给 ESP32，或 ESP32 端帮渲）
  2. 云台控制 App（朝向融合 → 角度命令走 UART）
  3. 记忆库（**Mem0 + Chroma**，见方案 7 节）
  4. 米家控制（HA REST API 或 python-miio）

> pipecat/vision-agents 不碰屏幕和电机，这两块是外部模块，通过 Pipecat 会话/回调接入。

## 9. 下一步（待推进）

1. 先在 N5095 跑通 pipecat"听↔云↔说"闭环（普通麦克风，不接硬件）
2. 调研并落地: pipecat / vision-agents 项目部署方式, Home Assistant + Xiaomi Miot Auto 接米家
3. 再逐步接视觉 → 记忆 → 朝向 → 硬件

---

*第 1~7 节为架构决策，第 8 节为推进顺序。硬件选型可在采购前复核。*