CamTalk

多模态实时 AI 视觉对话助手

用户通过摄像头和麦克风与 AI 交互，AI 理解视觉场景和语音输入后，以文字和语音形式给出自然回应

路演视频 • 在线体验 • 文档

---

⚠️ 在线体验提示：由于演示环境使用 HTTP 协议，需配置 Chrome 允许非 HTTPS 下访问摄像头/麦克风：

1. 访问 chrome://flags/#unsafely-treat-insecure-origin-as-secure
2. 启用该选项，并在输入框填入 http://8.161.227.145:9000
3. 点击 Relaunch 重启浏览器

✨ 核心特性

• 🎥 多模态理解：摄像头视觉 + 麦克风语音双输入，AI 理解完整场景
• 🗣️ 自然对话：基于 VAD 的端到端语音交互，低延迟流式响应
• 🚀 实时推送：LLM 文本流 + TTS 音频流并行推送，感知延迟 < 0.5 秒
• 🎭 情景模式：自由对话、面试官、英语老师等多场景支持
• 💾 对话历史：自动保存会话，支持搜索、重命名、删除、时间分组
• 🔐 安全认证：JWT 双 token 轮转 + Refresh Token Rotation 防重放
• 📊 三级存储：Memory → Redis → PostgreSQL 自动降级，保障可靠性
• 🌐 国际化：支持中文、英文、日文界面

🏗️ 系统架构

CamTalk 采用三层架构：前端轻量预处理 → Go 网关智能编排 → 云端 AI 按需调用

graph TB
    subgraph Browser["🌐 浏览器客户端"]
        UI["React UI 渲染"]
        VAD["VAD 语音检测"]
        Media["媒体采集"]
    end

    subgraph Gateway["⚙️ Go 网关 (Eino Graph)"]
        WS["WebSocket Handler"]
        Auth["JWT 认证"]
        Session["会话管理 (三级存储)"]
        Orch["AI 编排器 (7节点DAG)"]
    end

    subgraph AI["☁️ 云端 AI 服务"]
        STT["STT (MiMo/Deepgram)"]
        LLM["LLM (qwen3-vl-plus)"]
        TTS["TTS (MiMo/OpenAI)"]
    end

    Browser <-->|"WebSocket<br/>(JWT + query/config)"| Gateway
    Orch --> STT
    Orch --> LLM
    Orch --> TTS

AI 编排流水线（Eino Graph）

基于 CloudWeGo Eino 框架的声明式 7 节点 DAG：

START → STT → History → ChatModel → Msg2Str → Splitter → TTS → Done → END

核心优势：

• 流式处理：ChatModel 逐 token 推送，Callback AOP 机制实时转发客户端
• 句子级 TTS：Splitter 实时切分句子，TTS 逐句并行合成，无需等待完整回复
• 类型安全：Go 泛型 + 编译期检查，Graph 拓扑错误在编译时发现

🛠️ 技术栈

层级	技术选型	说明
前端	React 18 + TypeScript + Vite	组件化开发，类型安全，快速热更新
VAD	@ricky0123/vad-web (ONNX Runtime)	浏览器端语音活动检测，零延迟
后端	Go 1.25+ + Gin + gorilla/websocket	高并发 goroutine，长连接管理
AI 编排	CloudWeGo Eino Graph	声明式 DAG，Stream 模式，Callback AOP
STT	MiMo ASR（默认）/ Deepgram	实时语音识别，多语言支持
LLM	DashScope qwen3-vl-plus	多模态推理（通过 eino-ext OpenAI 接入）
TTS	MiMo TTS（默认）/ OpenAI TTS	自然语音合成
存储	PostgreSQL 15 + Redis 7	三级存储架构：Memory → Redis → PG
认证	JWT (HS256) + bcrypt	双 token 轮转 + Refresh Token Rotation
配置	Viper + godotenv	YAML + .env + 环境变量覆盖
日志	Zap	高性能结构化日志 + Trace ID 追踪

📁 项目结构

CamTalk/
├── frontend/                   # 🌐 浏览器客户端
│   └── src/
│       ├── components/         # UI 组件
│       │   ├── LandingPage/    # 登录着陆页 + LoginModal
│       │   ├── CameraManager/  # 摄像头流采集
│       │   ├── MicManager/     # 麦克风音频采集 + VAD
│       │   ├── WebSocketManager/ # WS 连接生命周期
│       │   ├── ChatPanel/      # 消息展示 + 流式回复
│       │   ├── SessionSidebar/ # 对话历史侧边栏
│       │   └── ConfigPanel/    # 配置面板（主题/TTS/语言/场景）
│       ├── hooks/              # 自定义 Hooks
│       │   ├── useVisionSession.ts  # 核心会话 Hook (~500 行)
│       │   ├── useSessionList.ts    # 对话列表管理
│       │   └── useObservationMode.ts # 观察模式
│       ├── lib/                # 工具库
│       │   ├── websocket.ts    # WebSocket 单例（心跳/重连/订阅）
│       │   ├── api.ts          # REST 客户端（401拦截+刷新）
│       │   ├── auth.tsx        # AuthProvider（JWT 自动刷新）
│       │   ├── ttsPlayer.ts    # TTS 流式播放队列
│       │   └── i18n/           # 国际化（zh-CN/en-US/ja-JP）
│       └── types/              # TypeScript 类型定义
├── backend/                    # ⚙️ Go 网关
│   ├── cmd/server/             # 服务入口（main.go）
│   └── internal/
│       ├── eino/               # 🔥 Eino Graph 编排层（7节点DAG）
│       │   ├── graph.go        # Graph 构建与编译
│       │   ├── adapter.go      # EinoOrchestrator 适配器
│       │   ├── callback.go     # LLM token 推送回调
│       │   ├── state.go        # 跨节点状态管理
│       │   └── nodes_*.go      # STT/History/Splitter/TTS/Done 节点
│       ├── session/            # 会话管理（TieredManager 三级存储）
│       ├── store/              # 持久化层（Repository 接口 + PG/内存实现）
│       │   ├── user_pg.go      # PostgreSQL 实现
│       │   └── cached_user.go  # Redis 缓存装饰器
│       ├── auth/               # 认证（JWT/bcrypt/中间件）
│       ├── ai/                 # AI 服务抽象层
│       │   ├── llm/            # LLM 提示词与场景
│       │   ├── stt/            # STT 服务（MiMo/Deepgram）
│       │   └── tts/            # TTS 服务（MiMo/OpenAI）
│       ├── ws/                 # WebSocket Handler
│       ├── api/                # REST API（Auth/Conversation）
│       ├── config/             # 配置管理（Viper）
│       └── logger/             # 日志（Zap + Trace ID）
├── migrations/                 # 📊 数据库迁移（嵌入式 SQL）
├── docs/                       # 📚 设计文档
│   ├── 01-架构设计.md
│   ├── 02-接口文档.md
│   ├── 08-Eino框架与编排设计.md
│   ├── 10-鉴权体系.md
│   └── 13-日志追踪.md
├── deploy.sh                   # 🐳 部署脚本（Docker Compose）
├── docker-compose.yml          # 容器编排配置
└── CLAUDE.md                   # 🤖 Claude Code 开发指引

🚀 快速开始

前置条件

• Node.js >= 18
• Go >= 1.25
• PostgreSQL >= 15（可选 Docker）
• Redis >= 7（可选，用于缓存加速）

本地开发

1. 克隆项目

git clone https://github.com/yourusername/CamTalk.git
cd CamTalk

2. 配置环境变量

# 复制环境变量模板
cp backend/.env.example backend/.env

# 编辑 .env 文件，填入以下必需配置：
# - CAMTALK_AUTH_JWT_SECRET（使用 openssl rand -hex 32 生成）
# - CAMTALK_STORAGE_DSN（PostgreSQL 连接字符串）
# - CAMTALK_AI_LLM_API_KEY（DashScope API Key）
# - CAMTALK_AI_STT_API_KEY（MiMo/Deepgram API Key）
# - CAMTALK_AI_TTS_API_KEY（MiMo/OpenAI API Key）

3. 启动后端

cd backend

# 安装依赖
go mod download

# 运行数据库迁移（自动创建表）
go run ./cmd/server migrate

# 启动服务（监听 :8080）
go run ./cmd/server

4. 启动前端

cd frontend

# 安装依赖
npm install

# 启动开发服务器（http://localhost:5173）
npm run dev

5. 访问应用

打开浏览器访问 http://localhost:5173，注册账号后即可开始使用。

6. 代码检查与测试

# 安装 Go 代码检查工具
go install github.com/golangci/golangci-lint/cmd/golangci-lint@latest

# 运行后端代码检查
cd backend
golangci-lint run

# 后端单元测试
go test ./...

# 后端集成测试（需要 PostgreSQL）
go test -tags=integration ./...

# 前端代码检查
cd frontend
npm run lint

# 前端测试
npm test

远程部署

方式一：Docker Compose（推荐）

# 1. 克隆代码到服务器
git clone https://github.com/yourusername/CamTalk.git
cd CamTalk

# 2. 配置环境变量
cp backend/.env.example backend/.env
# 编辑 .env 文件，填入生产环境配置

# 3. 一键部署（frontend + backend + postgres + redis）
./deploy.sh up

# 4. 查看日志
./deploy.sh logs

# 5. 停止服务
./deploy.sh down

部署完成后访问 http://localhost:9000

方式二：手动部署

# 1. 构建前端
cd frontend
npm install
npm run build  # 输出到 dist/

# 2. 构建后端
cd backend
go build -o camtalk ./cmd/server

# 3. 配置 Nginx
# 参考 nginx.conf.example 配置反向代理

# 4. 启动服务
APP_ENV=prod ./camtalk

# 5. 使用 systemd 管理（可选）
sudo systemctl enable camtalk
sudo systemctl start camtalk

环境变量检查清单

部署前确保已配置以下环境变量：

• ✅ CAMTALK_AUTH_JWT_SECRET（使用 openssl rand -hex 32 生成）
• ✅ CAMTALK_STORAGE_DSN（PostgreSQL 连接字符串）
• ✅ CAMTALK_AI_LLM_API_KEY（DashScope API Key）
• ✅ CAMTALK_AI_STT_API_KEY（STT 服务 API Key）
• ✅ CAMTALK_AI_TTS_API_KEY（TTS 服务 API Key）
• ✅ APP_ENV=prod（启用生产环境配置）

配置优先级

环境变量 > config.{APP_ENV}.yaml > config.yaml > .env

通过 APP_ENV=prod 切换生产环境配置（启用限流 + 严格 CORS）

📡 WebSocket 协议

连接地址：ws://localhost:8080/ws?token=<jwt>&conversation_id=<uuid>

所有消息为 JSON 文本帧，统一信封格式：

interface BaseMessage {
  type: string;
  request_id?: string;
  timestamp?: number;
}

客户端 → 服务端

消息类型	说明	示例
query	发送视觉+语音查询	{type: "query", image: "base64...", audio: "base64..."}
config	更新会话配置	{type: "config", scenario: "interviewer", language: "en"}
interrupt	中断当前响应	{type: "interrupt", request_id: "xxx"}
ping	心跳保活	{type: "ping"}

服务端 → 客户端

消息类型	说明	触发时机
connected	连接成功	WebSocket 握手后
stt_result	STT 识别结果	STT 节点完成
llm_chunk	LLM 文本增量	ChatModel 逐 token（Callback）
llm_done	LLM 推理完成	Done 节点执行
tts_audio	TTS 音频片段	TTS 节点逐句合成
error	错误通知	任意节点失败
pong	心跳响应	响应 ping

心跳机制：

• 客户端每 30 秒发送 ping
• 服务端 60 秒无消息自动断连
• 断连后自动重连（指数退避 1s → 30s）

完整协议定义见 docs/02-接口文档.md

🔐 认证体系

CamTalk 采用 JWT 双 token 轮转 + Refresh Token Rotation 安全机制：

双 Token 设计

Token	有效期	存储位置	用途
access_token	120 分钟	前端内存（推荐）/ localStorage	访问受保护资源
refresh_token	7 天	httpOnly Cookie（推荐）/ localStorage	刷新 access_token

Refresh Token Rotation

每次刷新 token 时：

1. 验证 refresh_token 签名和有效期
2. 查询数据库中的 SHA256 哈希
3. 如果哈希不存在 → 检测到 token 复用 → 吊销该用户所有 token
4. 删除旧 refresh_token，生成新 token pair
5. 返回新 access_token + refresh_token

防重放攻击：旧 refresh_token 立即失效，复用时触发全局吊销，强制所有设备重新登录。

REST API 端点

• POST /api/auth/register — 用户注册
• POST /api/auth/login — 用户登录
• POST /api/auth/refresh — 刷新 token
• POST /api/auth/logout — 登出（需认证）
• GET /api/conversations — 获取对话列表（需认证）
• POST /api/conversations — 创建对话（需认证）
• GET /api/health — 健康检查

详细设计见 docs/10-鉴权体系.md

💾 三级存储架构

TieredManager 实现会话状态的三级存储，平衡性能与可靠性：

┌─────────────┐
│  L1 Memory  │ ← 微秒级读写，进程内缓存
├─────────────┤
│  L2 Redis   │ ← 毫秒级访问，跨实例共享
├─────────────┤
│ L3 PostgreSQL│ ← 持久化存储，数据可靠性
└─────────────┘

特性：

• ✅ 自动降级：Redis 故障时自动切换到 Memory + PostgreSQL 模式
• ✅ 灵活配置：支持单级（Memory）、双级（Memory + PG）、完整三级
• ✅ TTL 管理：会话默认 30 分钟过期，自动清理
• ✅ 写穿透：数据先写 L1，异步同步到 L2/L3

📊 数据库设计

系统使用 PostgreSQL 存储持久化数据：

核心表

表名	说明	关键字段
users	用户账户	id (UUID), username (UNIQUE), password_hash (bcrypt)
sessions	对话会话	id (UUID), user_id (FK), title, config (JSONB)
messages	消息记录	id (BIGSERIAL), session_id (FK), role, content, tokens_used
refresh_tokens	刷新令牌	token_hash (PK, SHA256), user_id (FK), expires_at

关系：users 1:N sessions 1:N messages，users 1:N refresh_tokens

迁移管理：使用嵌入式 SQL 文件（backend/migrations/），应用启动时自动执行。

🛡️ 安全特性

• 🔒 密码安全：bcrypt (cost=10) 哈希，自动生成盐值
• 🔑 Token 安全：JWT HS256 签名，refresh_token SHA256 哈希存储
• 🚫 防重放攻击：Refresh Token Rotation + 复用检测自动吊销
• 🌐 传输安全：生产环境强制 HTTPS，开发环境 Vite proxy 同源代理
• 🚦 限流保护：令牌桶算法（生产环境启用），防暴力破解
• 🔍 日志追踪：全链路 Trace ID，请求/响应/错误统一记录

🌍 部署架构

┌─────────────┐
│   Nginx     │ ← 反向代理（静态资源 + API + WebSocket）
└──────┬──────┘
       │
┌──────┴───────────────────┐
│  Go Gateway 集群          │
│  ├─ Gateway-1            │
│  ├─ Gateway-2            │
│  └─ Gateway-N            │
└───┬────────────┬─────────┘
    │            │
┌───┴────┐  ┌───┴────────┐
│ Redis  │  │ PostgreSQL │
└────────┘  └────────────┘
    │
┌───┴────────────────────┐
│  外部 AI 服务           │
│  ├─ DashScope (LLM)   │
│  ├─ MiMo (STT/TTS)    │
│  └─ Deepgram (可选)    │
└───────────────────────┘

跨域策略：Nginx 统一反代前后端到同一域名，无跨域问题。

水平扩展：Gateway 无状态设计，会话状态存储在 Redis/PostgreSQL，支持多实例部署。

📖 文档

核心设计文档

文档	内容
01-架构设计	三层架构、技术栈、数据库设计、部署方案
02-接口文档	WebSocket 协议、REST API、AI 服务层、编排器、配置管理
08-Eino框架与编排设计	Eino Graph 7 节点 DAG、节点实现、流式处理、Callback AOP
10-鉴权体系	JWT 双 token 轮转、Refresh Token Rotation、密码安全、中间件
11-令牌桶限流	限流算法、配置策略、生产环境保护
13-日志追踪	Zap 日志、Trace ID 全链路追踪、日志级别

功能文档

文档	内容
03-技术选型	AI 服务栈、持久化层、前端边缘处理选型
04-用户故事	用户场景与优先级
05-语音交互	VAD → STT → LLM → TTS 全链路
06-视觉理解	帧采样、关键帧检测、多模态输入
07-成本控制	采样策略、端云协同、模型分级
09-情景切换	情景模式设计与实现
12-自定义情景	用户自定义情景功能（规划中）

🐛 问题反馈

遇到问题？请提交 Issue，并提供以下信息：

• 操作系统版本
• Go / Node.js 版本
• 错误日志（后端日志 + 浏览器控制台）
• 复现步骤

📝 版权声明

MIT License © 2024 XEngineers

---

Built with ❤️ using Go, React, and AI

⬆️ 回到顶部