# 项目概述

## 概述

开发一款**多模态实时对话应用**——通过摄像头与麦克风捕获用户的视觉场景与语音输入，由 AI 理解并给出自然、流畅的回应。

核心挑战在于三个维度之间的张力：

| 维度 | 关键问题 | 详见 |
|------|---------|------|
| 视觉理解 | 如何准确理解摄像头画面中的人物、物体、场景？ | `07-视觉理解.md` |
| 语音交互 | 如何让对话像真人交流一样自然、低延迟？ | `06-语音交互.md` |
| 成本控制 | 实时视频流 + LLM 推理，如何避免账单爆炸？ | `08-成本控制.md` |

> 提升视觉精度意味着更高分辨率和更频繁的采样，但这会直接推高带宽和推理成本。架构设计需要在三者之间做好取舍。

## 项目目标

1. **用户故事规划**：明确"AI 能看、能听、能说"需要覆盖哪些场景 → `05-用户故事.md`
2. **成本控制策略**：从架构设计层面融入运营成本意识 → `08-成本控制.md`

## 交付物

- 可运行的应用程序（摄像头 + 麦克风 → AI 回应）
- 设计文档，覆盖：
  - 计划实现 vs 最终实现的用户故事
  - 成本控制技巧的构思 vs 实际采用的方案
  - 项目架构设计与技术选型