hhs
10f676f3b4
- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter） - 目录结构从 3 层嵌套扁平化为编号文件（01~09） - 新增 docs/README.md 文档索引与推荐阅读顺序 - 精简冗余解释，保留所有代码块和实现参考 - CLAUDE.md 全面中文化
2.2 KiB
2.2 KiB
用户故事
概述
用户故事按优先级分层，标注哪些属于 MVP 范围、哪些可后续迭代。
核心用户故事列表
P0 - MVP 必做
| 编号 | 用户故事 | 验收标准 |
|---|---|---|
| US-01 | 对着摄像头提问"这是什么"，AI 能识别画面中的物体并回答 | 准确识别常见物体，响应 < 3s |
| US-02 | 用语音与 AI 对话，无需打字 | VAD 准确检测语音，STT 准确率 > 95% |
| US-03 | AI 能"看到"摄像头拍到的画面 | 每次提问时自动捕获当前帧 |
| US-04 | AI 用语音回答，而不仅是文字 | TTS 自然流畅，延迟 < 1s |
P1 - 增强体验
| 编号 | 用户故事 | 验收标准 |
|---|---|---|
| US-05 | AI 能持续"看着"画面，主动提示重要变化 | 关键帧检测 + 主动推送 |
| US-06 | AI 能读出画面中的文字（OCR） | 中英文混合识别准确率 > 90% |
| US-07 | 连续对话时 AI 能记住上下文 | 支持多轮对话，上下文窗口 > 10 轮 |
P2 - 进阶探索
| 编号 | 用户故事 | 验收标准 |
|---|---|---|
| US-08 | 视障用户：AI 描述周围环境并提示障碍物 | 实时环境描述 + 安全警告 |
| US-09 | AI 翻译画面中的外语内容 | 支持主流语言实时翻译 |
| US-10 | 切换 AI 的"观察模式"和"对话模式" | 一键切换，模式状态清晰可见 |
用户旅程示例（US-01）
用户打开应用, 授权摄像头
→ 启动摄像头预览
→ 对着花朵说 "这是什么花"
→ VAD 检测语音结束
→ 捕获当前帧 + STT 识别
→ 发送图像 + "这是什么花" 到 LLM
→ LLM 返回 "这是一朵红色的玫瑰..."
→ TTS 合成语音
→ 播放语音回答
"响应 < 3s"这个验收标准约束了整条链路——帧采样、网络传输、LLM 推理、TTS 合成都必须在这个预算内完成。用户故事的价值：用体验目标倒推技术方案。
优先级决策依据
用两个维度交叉评估：
- 用户价值：这个功能对用户有多大帮助？
- 实现成本：需要多少开发工作量和 API 调用成本？
P0 = 高价值 + 合理成本（MVP 必须有） P1 = 高价值 + 较高成本（第二版加入） P2 = 探索性（验证后再投入）