Files

hhs 10f676f3b4 docs: 扁平化目录结构，优化文档为 Coding Agent 可读格式

- 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

2026-06-12 17:08:20 +08:00

3.0 KiB

Raw Blame History

成本控制

概述

实时视频流 + 多模态 LLM 推理的成本极易失控。从视觉链路、语音链路、推理链路三个维度梳理成本控制策略，核心思想是端云协同——将适合的计算前置到客户端，降低对云端 API 的依赖。

成本对比：优化前（1fps 全量发送）vs 优化后（0.2fps + 端侧筛选 + 模型分级）→ 月成本从 $5000 降至 $300~500，降幅约 90%。

成本构成

总成本
├── 视觉链路：图像编码与传输、视觉 token 消耗
├── 语音链路：STT 按分钟计费、TTS 按字符计费
└── 推理链路：LLM 输入 tokens、LLM 输出 tokens

假设：10 分钟/天/用户，1fps，每次 1000 tokens → 一天 60 万 tokens。1000 用户时成本不可控。

策略一：智能采样——少发图，发好图

策略	降本幅度	实现复杂度	说明
提高采样间隔	高	低	从 1fps 降到 0.2fps
关键帧过滤	中	中	画面不变时不发送
用户触发	高	低	只在用户提问时拍照
本地预筛选	中	高	用轻量模型判断"是否值得问 LLM"

// 混合策略：定时低频 + 事件高频
const NORMAL_INTERVAL = 5000;  // 正常 5 秒一帧
const ACTIVE_INTERVAL = 1000;  // 用户说话时 1 秒一帧

let isUserSpeaking = false;

setInterval(() => {
  captureAndSend(isUserSpeaking ? "low" : "high");
}, isUserSpeaking ? ACTIVE_INTERVAL : NORMAL_INTERVAL);

策略二：端云协同——把计算推到边缘

不是所有计算都需要上云。可前置到客户端的计算：

VAD 语音检测：浏览器端完成，减少无效音频上传（节省 ~70% 带宽）
人脸/物体检测：用 ONNX Runtime 跑轻量模型（如 YOLOv8-nano ~6MB，推理 ~30ms），只在检测到新物体时触发 LLM
重复画面过滤：计算帧间相似度，相似度 > 90% 直接跳过
敏感内容过滤：NSFW 检测前置，避免无效 API 调用

策略三：模型分级——用对模型做对事

不是每个问题都需要最贵的模型：

用户提问 → 问题复杂度判断
  ├── 简单识别 → GPT-4o-mini ($0.15/1M tokens)
  ├── 深度分析 → GPT-4o ($2.5/1M tokens)
  └── 代码/推理 → o1 ($15/1M tokens)

async function routeQuery(image: string, question: string) {
  const complexity = await classifyComplexity(question);
  const modelMap = {
    simple: "gpt-4o-mini",    // "这是什么？"
    moderate: "gpt-4o",       // "分析这张图"
    complex: "o1"             // "推理/规划"
  };
  return callLLM(modelMap[complexity], image, question);
}

策略四：缓存与复用

语义缓存：相似问题直接返回缓存结果（如反复问"这是什么"）
上下文复用：连续对话中，未变化的图像不必重复发送
Prompt 压缩：精简 system prompt，减少每轮的固定 token 开销

3.0 KiB Raw Blame History Unescape Escape