Files

cfy666 3dc2015a91 docs: 更新技术文档，同步 Eino 重构和默认 provider 变更

- 架构设计：更新为 Eino Graph 声明式编排，增加三级存储架构说明
- 接口文档：AI 编排器章节重写为 Eino Graph，更新 LLM 服务接口
- 技术选型：新增 Eino 框架选型章节，修正 STT/LLM/TTS 默认方案
- 语音交互：Pipeline 描述改为 Eino Graph
- 成本控制：模型引用修正为 qwen3-vl-plus
- 技术名词解释：新增 Eino 框架相关术语
- README：增加 10/11/12 Eino 文档索引
- 10-Eino重构方案：状态更新为已实施
- CLAUDE.md：同步所有变更

2026-06-20 13:24:53 +08:00

3.2 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（sampling.ts）
const IDLE_INTERVAL = 5000;    // 空闲 5 秒一帧
const ACTIVE_INTERVAL = 1000;  // 用户说话时 1 秒一帧

// SamplingController 根据 VAD 状态切换采样间隔
// detail_level 通过 session config 静态配置，不随说话状态动态变化

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。通过配置 ai.llm.model 可手动切换模型。LLM 通过 Eino 框架的 eino-ext ChatModel 组件接入，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

3.2 KiB Raw Blame History Unescape Escape