hhs
032de796c8
## 主要变更 ### 文档重构（减少 1199 行，-23%） - 01-架构设计.md: 503→369 行 (-27%)，删除 DDL/配置示例，精简鉴权/存储描述 - 02-接口文档.md: 1313→570 行 (-57%)，删除 Go 接口/Orchestrator 实现/配置管理 - 07-成本控制.md: 65→59 行 (-9%)，代码块替换为文件引用 ### 文档编号规范化 - 08-功能创意.md → 删除（内容整合到 README.md "功能扩展方向"） - 10-Eino框架与编排设计.md → 08-Eino框架与编排设计.md - 情景切换.md → 09-情景切换.md - 12-鉴权体系.md → 10-鉴权体系.md - 13-令牌桶限流.md → 11-令牌桶限流.md ### 交叉引用更新 - 01-架构设计.md: 更新对鉴权体系/令牌桶限流的引用为新编号 - README.md: 更新文档索引表、推荐阅读顺序、新增功能扩展方向 ### 删除过时文档 - 09-技术名词解释.md（内容已整合到 03-技术选型.md） - 10-Eino重构方案.md（历史记录，已完成） - 11-Eino框架技术文档.md（已合并到 08） - 情景切换功能完整文档.md（已规范化为 09） ## 重构原则 - 架构文档聚焦系统结构，移除实现细节 - 接口文档保留纯契约，删除内部实现 - 编号连续（01-11），语义清晰 - 通过交叉引用连接相关文档，避免重复
58 lines
2.9 KiB
Markdown
58 lines
2.9 KiB
Markdown
# 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" |
|
||
|
||
**实现细节**：参见 `frontend/src/lib/sampling.ts` 中的 SamplingController，根据 VAD 状态在空闲模式（5s/帧）和活跃模式（1s/帧）之间切换。
|
||
|
||
## 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**（待实现）：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。当前 MVP 使用 Canvas 像素比较做关键帧检测
|
||
- **重复画面过滤**：计算帧间相似度，对话模式 similarity > 0.9 跳过，观察模式 similarity < 0.85 触发
|
||
- **敏感内容过滤**（待实现）：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（待实现）
|
||
|
||
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 → 轻量模型（如 qwen-turbo）
|
||
├── 深度分析 → qwen3-vl-plus（默认，按量计费）
|
||
└── 代码/推理 → 更强模型（如 o1）
|
||
```
|
||
|
||
> 当前 MVP 阶段使用单一模型（默认 DashScope qwen3-vl-plus），模型分级路由为未来优化方向。LLM 通过 Eino ChatModel 接入，支持任何 OpenAI 兼容接口。
|
||
|
||
## 策略四：缓存与复用（待实现）
|
||
|
||
- **语义缓存**（待实现）：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（已通过重复画面过滤实现）
|
||
- **对话历史裁剪**：前端按 `MAX_HISTORY_ROUNDS = 10` 裁剪，后端按 `defaultHistorySize = 20` 裁剪，限制每轮的固定 token 开销
|