docs: 按功能模块重构文档结构

- 新建 01-架构设计.md：合并项目概述+系统架构+持久化设计，含 Mermaid 架构图、模块图、时序图、ER 图、部署图
- 新建 02-接口文档.md：合并接口文档+持久化 API+用户模块 API，统一格式去重
- 重编号 03~09，去掉状态标注，规划中功能标记为待实现
- 删除 PLAN_BACKEND.md、PLAN_USER_MODULE.md 及冗余文档

docs/06-视觉理解.md

@@ -0,0 +1,85 @@
+# 视觉理解
+
+## 概述
+
+从摄像头视频流到 AI 语义理解的技术链路：**帧采样** → **图像编码** → **多模态 LLM** → **语义结果**。
+
+摄像头每秒 30 帧，全部送入 LLM 不现实也不经济，帧采样是第一个需要解决的问题。
+
+## 帧采样策略
+
+| 策略 | 原理 | 适用场景 |
+|------|------|---------|
+| 固定间隔采样 | 每 N 秒取一帧 | 画面变化缓慢 |
+| 关键帧检测 | 对比相邻帧差异，变化超阈值时触发 | 画面动态变化较多 |
+| 事件驱动采样 | 用户主动触发（如拍照按钮） | 精确提问场景 |
+| **混合策略** | 低频定时 + 高频事件触发 | **通用推荐方案** |
+
+关键帧检测核心逻辑（TypeScript 实现，`EdgeProcessor/index.tsx`）：
+
+```typescript
+// 降低分辨率到 160x120 做检测，兼顾速度与精度
+const DETECT_WIDTH = 160;
+const DETECT_HEIGHT = 120;
+
+function calcSimilarity(prev: ImageData, curr: ImageData): number {
+  const pixelCount = prev.width * prev.height;
+  let diffSum = 0;
+  // 只比较 RGB 三通道，跳过 Alpha
+  for (let i = 0; i < prev.data.length; i += 4) {
+    diffSum += Math.abs(prev.data[i] - curr.data[i])
+             + Math.abs(prev.data[i+1] - curr.data[i+1])
+             + Math.abs(prev.data[i+2] - curr.data[i+2]);
+  }
+  const avgDiff = diffSum / (pixelCount * 3);
+  return 1 - avgDiff / 255; // 相似度：1 = 完全相同，0 = 完全不同
+}
+```
+
+阈值说明：
+- 对话模式：`similarity > 0.9` 时跳过（视为重复帧）
+- 观察模式：`similarity < 0.85` 时触发变化回调
+
+## 图像编码与多模态输入
+
+主流多模态 LLM（GPT-4o、Claude）接受图片的两种方式：
+
+| 方式 | 适用场景 |
+|------|---------|
+| Base64 内联 | 本地/实时场景 |
+| URL 引用 | 已有图床的场景 |
+
+OpenAI 兼容接口调用示例：
+
+```typescript
+const response = await openai.chat.completions.create({
+  model: "gpt-4o",
+  messages: [
+    {
+      role: "user",
+      content: [
+        { type: "text", text: "请描述画面中的内容" },
+        {
+          type: "image_url",
+          image_url: {
+            url: `data:image/jpeg;base64,${base64Image}`,
+            detail: "low" // "low" | "high" | "auto"
+          }
+        }
+      ]
+    }
+  ]
+});
+```
+
+**detail 参数影响**：
+- `low`：65x65 缩略图，约 85 tokens，适合快速识别
+- `high`：按 512px 方块切分，细节丰富但 token 数激增
+- 实时对话场景建议默认 `low`，仅在用户追问细节时切换 `high`
+
+## 视觉理解的局限性
+
+- **运动模糊**：快速移动物体在低帧率下容易模糊
+- **光线变化**：逆光、暗光环境下识别率显著下降
+- **细小文字**：低分辨率下 OCR 能力受限
+- **空间推理**：精确的距离、尺寸判断仍是短板