ylhan
2ef6fe215c
背景：方案文档写"Pipecat 作为唯一会话管线框架"，但核实后发现 代码里它只在 requirements.txt 里（零引用）。于是做实验验证架构问题： Pipecat 该用多深——只做传输（A），还是按框架 service 模型重构（B）。 新增 P0-Pipecat传输层实验报告.md - 传输层跑通：信令（47–280ms）、ICE 连通、data channel、双向媒体轨 - 帧路由未通：自定义处理器的 process_frame 调用次数为 0， 连自己注入的 StartFrame 都没进去；引擎从未运行 - 现象：连接全对、音轨协商成功、助手永远不说话，日志里一条错误都没有 - 记下 8 个集成坑，每个都表现为"什么都没发生" - 结论：实验未能支持 A 方案，反而间接给了 B 更多理由； 但根因未定位，两种可能必须区分（接线错误 vs 模型不兼容） 方案 §10 更新 - 第 1 步改为"服务端 WebRTC 入口 + 客户端骨架"，状态标注为 "传输层跑通、帧路由未通" - 新增 1b 步：查清帧路由根因 → 定 A/B 方案，标为当前卡点 - header 加注实验状态与 A/B 待定 - 架构图补传输层，标注"实验，帧路由未通" 顺带修正 - 局域网于当日重新编址（192.168.0.x → 172.16.1.x）， 架构图里的服务器地址更新 - 报告数量 4 → 5
137 lines
6.8 KiB
Markdown
137 lines
6.8 KiB
Markdown
# P0 实验报告 · Pipecat 传输层
|
||
|
||
日期：2026-09-15。状态：**传输层跑通，帧路由未跑通——实验目标部分达成。**
|
||
|
||
代码：`~/workspace/ai-companion/services/bot_server.py`（服务端）、
|
||
`client/test_client.py`（自写 aiortc 客户端）
|
||
|
||
## 一、为什么做这个实验
|
||
|
||
方案文档写"Pipecat 作为唯一会话管线框架"，但核实后发现**它一行都没被用上**
|
||
（只在 `requirements.txt` 里声明，代码里零引用）。助手引擎是独立 asyncio，
|
||
由测试脚本用文件音频驱动。
|
||
|
||
于是有个待定的架构问题：**Pipecat 该用多深？**
|
||
|
||
- **A 方案**：Pipecat 只做传输与帧模型，会话语义归自有引擎（一个 FrameProcessor 吞掉整条管线）
|
||
- **B 方案**：按 Pipecat 的 service 模型重构，STT/LLM/TTS/记忆都做成框架原生 service
|
||
|
||
实验目的：验证 A 方案的核心假设能否成立，并拿到真实传输下的延迟数字。
|
||
|
||
## 二、结论摘要
|
||
|
||
| 部分 | 结果 |
|
||
|---|---|
|
||
| WebRTC 信令（offer/answer） | ✅ 往返 47–280ms |
|
||
| ICE 连通 | ✅ 走 172.16.1.x 直连 |
|
||
| data channel + 心跳 | ✅ |
|
||
| 双向媒体轨 | ✅ 客户端音轨送达服务端，服务端音轨客户端收到 |
|
||
| 管线启动、处理器 setup() | ✅ |
|
||
| **帧路由到自定义处理器** | ❌ **`process_frame` 调用次数 = 0** |
|
||
| 端到端出声 | ❌ 因上一行，引擎从未运行 |
|
||
|
||
**即：传输层可用，但"把整条会话逻辑塞进一个 FrameProcessor"不是开箱即用的。**
|
||
|
||
## 三、没跑通的部分（关键）
|
||
|
||
自定义 `EngineProcessor` 被创建了、`setup()` 也被调用了，但**一帧都没进来**——
|
||
连自己用 `task.queue_frames([StartFrame()])` 注入的 StartFrame 都没有。
|
||
|
||
现象是：**连接全对、音轨协商成功、ICE connected，但助手永远不说话，
|
||
而且日志里连一条错误都没有。**
|
||
|
||
这与 A 方案的核心假设直接相关：如果帧送不进自定义处理器，
|
||
"Pipecat 只做传输、逻辑归引擎"这个切分方式就不成立。
|
||
|
||
**根因未定位。** 不能确定是这个版本 Pipecat 的管线用法与我们写的不符，
|
||
还是模型本身不接受这种用法。这两者的区别很重要——见 §五。
|
||
|
||
## 四、挖出的 8 个集成坑
|
||
|
||
每个都会表现为"什么都没发生"，极难排查。无论最终选 A 还是 B 都会踩。
|
||
|
||
| # | 坑 | 现象 | 怎么办 |
|
||
|---|---|---|---|
|
||
| 1 | Pipecat 客户端 SDK 不覆盖 N5095 形态 | 浏览器/移动端/C++/ESP32 都有，没有"Linux x86 盒子接 USB 阵列" | 自己写 aiortc 客户端（已有雏形） |
|
||
| 2 | 客户端必须建 data channel 并定期发 `"ping"` | 不建则服务端**一帧音频都不推**，日志只有一句 "Data channel not established within 10s" | 建 channel + 1s 心跳 |
|
||
| 3 | offer 里没有媒体时 aiortc **完全不收集 ICE 候选** | 信令成功、SDP 交换正常，但 ICE 永远停在 `new` | 即使只测连通也要加一条（静音）音轨 |
|
||
| 4 | ICE 收集完成前就发 offer | SDP 里 0 个候选地址 | 等 `iceGatheringState == "complete"` |
|
||
| 5 | `PipelineTask.run()` 要 `WorkerParams(task_manager=...)`，**不是** `PipelineParams` | 不传报 "missing 1 required positional argument"；传错报 "no attribute 'task_manager'" | 两个参数分别给构造函数和 run() |
|
||
| 6 | `TaskManager()` 内部调 `asyncio.get_running_loop()` | 模块级创建报 "no running event loop" | 必须在异步上下文里建 |
|
||
| 7 | **后台任务里的异常被静默吞掉** | 日志里查不到任何线索，表现为"连接正常但没反应" | 自己 try/except + log.exception |
|
||
| 8 | 信令回调里 `await task.run()` | 阻塞整个会话生命周期，管线初始化时序走歪 | `asyncio.create_task(task.run(...))` |
|
||
|
||
第 5、6、7 条各花了好几轮才发现——因为异常在后台任务里，日志什么都不显示。
|
||
|
||
## 五、对 A/B 决策的影响
|
||
|
||
实验前的判断是"Pipecat 的独特价值收敛到传输层"（因为方案 §5 的音频边界决定
|
||
把 AEC 和播放放在客户端，绕开了 Pipecat 的打断机制）。
|
||
|
||
**现在要修正**：
|
||
|
||
- 传输层确实能用——前半部分的结论成立
|
||
- 但**传输层与自定义会话逻辑之间的接缝，比预想的深**
|
||
- B 方案恰恰绕开这个接缝：它不把逻辑塞进一个处理器，
|
||
而是用框架原生的 STT/LLM/TTS service，由框架自己编排
|
||
|
||
所以这次实验**没有支持 A 方案**，反而间接给了 B 方案更多理由。
|
||
|
||
**但前提是根因要查清**：
|
||
|
||
- 如果是我接线错（管线用法和 Pipecat 1.10 的实际约定不符）→ 接缝是浅的，A 仍然可行
|
||
- 如果是模型不兼容（这个版本不接受"单一处理器吞整条管线"）→ 接缝是深的，应该转 B
|
||
|
||
## 六、下一步
|
||
|
||
**建议先查清帧路由的根因**，再决定 A 还是 B。候选方向：
|
||
|
||
1. 对照 Pipecat 官方 smallwebrtc 示例的管线接法（我们的接法可能有细节差异）
|
||
2. 检查 `Pipeline([...])` 在 1.10 里的连接语义（是否有自动 link）
|
||
3. 检查 `queue_frames` 的注入点与处理器位置的匹配关系
|
||
4. 在传输层的 input/output 处理器上加日志，看帧到底停在哪一环
|
||
|
||
若排查成本过高，**建议直接转 B**——因为 B 用的是框架原生 service，
|
||
不存在"帧送不进自定义处理器"这个问题。
|
||
|
||
## 七、当前代码状态
|
||
|
||
**服务端** `services/bot_server.py`：
|
||
|
||
- 已实现：SmallWebRTC 信令端点 `/api/offer`、prebuilt 网页客户端挂载 `/client/`、
|
||
`EngineProcessor`（自写能量 VAD + 引擎调用）
|
||
- **仍带着诊断日志**（`[诊断]` 前缀），用于下一轮排查。定位后应清理
|
||
- VAD 是**极简能量判定**，不是最终方案（方案 §5 的说完判定还没选型）
|
||
|
||
**客户端** `client/test_client.py`：
|
||
|
||
- 已实现：非 trickle ICE、data channel + 心跳、文件音频按实时速率发送、回复录音
|
||
- **不做 AEC、不做播放参考、不做打断**——那些要真实声卡和硬件
|
||
- 它是 N5095 客户端的雏形，不是产品代码
|
||
|
||
## 八、复现
|
||
|
||
```bash
|
||
# 服务端（服务器上）
|
||
cd ~/ai-companion
|
||
.venv/bin/python services/bot_server.py --host 0.0.0.0 --port 7860
|
||
|
||
# 客户端（N5095 上）
|
||
cd ~/workspace/ai-companion
|
||
python client/test_client.py \
|
||
--server http://cadadmin-server.taild0f91d.ts.net:7860 \
|
||
--wav p0/stt_tts_bench/wavs/stt_1.wav --out /tmp/reply.wav
|
||
```
|
||
|
||
预期（当前实际）：连接成功、收到 34 秒音频轨，**但全是静音**。
|
||
|
||
## 九、顺带发现的环境问题
|
||
|
||
**局域网被重新编址了**：两台机器从 `192.168.0.x` 变成 `172.16.1.x`
|
||
（N5095 现为 `172.16.1.99`，服务器 `172.16.1.101`）。
|
||
|
||
已处理：客户端默认地址改用 tailscale 域名
|
||
（`cadadmin-server.taild0f91d.ts.net`），抗重新编址。
|
||
|
||
**未处理**：方案文档与 N5095 配置里仍有 `192.168.0.20` 的残留引用。
|