note/课题一/AI 视觉对话助手/项目实现/技术选型.md

---
tags: [技术选型, 数据库, PostgreSQL, 持久化, 前端, 边缘推理, 架构设计]
create time: 2026-06-12 15:33
---

# 技术选型

## 概述

本文档是 [[项目架构与技术栈]] 的补充阅读——记录项目中各项技术的**选型过程、替代方案对比和决策理由**。技术选型没有"绝对正确"，只有"更适合"，所以每个选型都会列出候选方案和取舍逻辑，方便后续回顾和复盘。

```mermaid
graph TD
    A["技术选型"] --> B["持久化层"]
    A --> C["前端边缘处理层"]
    B --> B1["数据库选型: PostgreSQL"]
    C --> C1["边缘推理: ONNX Runtime Web"]
    C --> C2["语音检测: @ricky0123/vad-web"]
    C --> C3["媒体采集: MediaDevices API"]
```

> [!info] 定位
> 持久化部分是**拓展选型文档**，不阻塞 MVP 开发。MVP 阶段用 Redis 做会话存储即可；当产品需要"历史可查、成本可算"时，再引入持久化方案。前端边缘处理部分则是 MVP 阶段就需要确定的技术栈。

## 正文

### 项目的数据特征

选数据库之前，先搞清楚我们的数据长什么样：

| 数据 | 结构特征 | 读写模式 | 数据量级 |
|------|---------|---------|---------|
| 对话消息 | 强结构化（角色/内容/时间/关联图像） | 写多读少，按会话聚合读取 | 中（每用户日均 ~100 条） |
| 会话元信息 | 强结构化（用户/时间/状态） | 写少读少 | 低 |
| 对话上下文 | 半结构化（JSON 数组，含图像引用） | 高频读写，TTL 过期 | 低（仅当前窗口） |
| 用量统计 | 强结构化（数字/日期/聚合） | 写多，定期聚合读 | 低（日粒度汇总后很小） |
| 用户偏好 | 强结构化（KV 配置） | 写极少读少 | 极低 |
| 关键帧图像 | 非结构化二进制 | 写少，按需读 | 大（单张 100KB~1MB） |

> [!question] 思考
> 从上表可以看出，核心数据（对话、会话、统计）都是**强结构化**的，有明确的字段和关联关系。这意味着关系型数据库天然适配。但"对话上下文"是半结构化 JSON，这就需要数据库对 JSON 有良好支持。

### 候选方案全景对比

```mermaid
graph TD
    A["持久化技术选型"] --> B["关系型数据库"]
    A --> C["文档型数据库"]
    A --> D["嵌入式数据库"]
    B --> B1["PostgreSQL"]
    B --> B2["MySQL"]
    B --> B3["TiDB"]
    C --> C1["MongoDB"]
    D --> D1["SQLite"]
```

| 维度 | PostgreSQL | MySQL | SQLite | MongoDB | TiDB |
|------|-----------|-------|--------|---------|------|
| **数据模型** | 关系型 + JSONB | 关系型 | 关系型（嵌入式） | 文档型（BSON） | 关系型（分布式） |
| **JSON 支持** | JSONB 原生索引 | JSON 类型，索引弱 | 无原生支持 | 天生擅长 | 兼容 MySQL JSON |
| **关联查询** | 强 | 强 | 强 | 弱（需嵌套/lookup） | 强 |
| **聚合统计** | 窗口函数/CTE 完善 | 基础聚合 | 基础聚合 | 聚合管道 | 强 |
| **并发能力** | 高（MVCC） | 中 | 低（单写锁） | 高 | 极高（分布式） |
| **运维复杂度** | 中 | 低 | 极低 | 中 | 高 |
| **Go 生态** | pgx / GORM | go-sql-driver | go-sqlite3 | mongo-go-driver | 兼容 MySQL 驱动 |
| **部署方式** | Docker / 云服务 | Docker / 云服务 | 单文件嵌入 | Docker / Atlas | 集群部署 |
| **成本** | 开源免费 | 开源免费 | 开源免费 | 社区版免费 | 开源免费 |

### 逐个分析：为什么不选它们？

#### SQLite —— 太轻了

```mermaid
graph LR
    A["SQLite"] --> B["单文件数据库"]
    B --> C{"适合本项目?"}
    C -->|"否"| D["写并发受限"]
    C -->|"否"| E["无法多实例共享"]
```

- **优点**：零配置，一个 `.db` 文件搞定，开发阶段极方便
- **致命问题**：**写锁是全局的**——同一时刻只能有一个写操作。当 WebSocket 并发写入对话消息时，会频繁锁等待
- **另一个问题**：多个 Go Gateway 实例无法共享同一个 SQLite 文件（除非用 NFS，但性能极差）

> [!tip] 什么时候选 SQLite？
> 如果是**单机部署的桌面应用或 CLI 工具**，SQLite 是最佳选择。但我们的项目是 Web 服务、多实例部署，不合适。

#### MySQL —— 能用，但 JSON 处理弱

```mermaid
graph LR
    A["MySQL"] --> B["JSON 支持"]
    B --> C{"够用吗?"}
    C -->|"勉强"| D["JSON 索引弱"]
    C -->|"否"| E["无 JSONB 二进制存储"]
```

- **优点**：运维简单，社区庞大，很多团队更熟悉
- **本项目的痛点**：对话上下文是 JSON 数组（含图像引用、角色标记），MySQL 的 JSON 类型支持**索引能力弱**，无法对 JSON 内部字段高效查询
- **另一个痛点**：缺少 `gen_random_uuid()` 等原生函数，需要应用层生成 UUID

> [!question] 思考
> 如果团队只熟悉 MySQL，能不能用？**完全可以**。JSON 上的差异在 MVP 阶段几乎无感，只是后续做复杂查询（如"找出所有包含某关键词的对话"）时会比 PostgreSQL 麻烦一些。

#### MongoDB —— 文档型，关联查询弱

```mermaid
graph LR
    A["MongoDB"] --> B["天然 JSON 存储"]
    B --> C{"适合本项目?"}
    C -->|"否"| D["关联查询弱"]
    C -->|"否"| E["聚合统计不如 SQL 直观"]
```

- **优点**：Schema-less，存 JSON 天然舒适，水平扩展能力强
- **本项目的痛点**：
  - `messages` 需要按 `session_id` 关联 `sessions`，再按 `user_id` 聚合——这在 MongoDB 中要用 `$lookup`，写法复杂且性能不如 SQL JOIN
  - 用量统计的"按天聚合"用 SQL 的 `GROUP BY + SUM` 一句话搞定，MongoDB 的聚合管道代码量多 3-5 倍

> [!info] 什么时候选 MongoDB？
> 如果数据模型是**高度嵌套的文档**（如博客系统、CMS），且很少跨文档关联查询，MongoDB 是好选择。我们的数据关联性强，不太适合。

#### TiDB —— 杀鸡用牛刀

- **优点**：兼容 MySQL 协议，分布式架构，水平扩展无上限
- **本项目的痛点**：部署复杂（至少 3 个 PD + 3 个 TiKV + 2 个 TiDB），运维成本高
- **结论**：单机 PostgreSQL 完全够用，引入 TiDB 纯属过度设计

> [!tip] 什么时候选 TiDB？
> 数据量过亿、需要跨地域部署、单机 PostgreSQL 已经扛不住时。对于本项目，短期内不会遇到这个瓶颈。

### 为什么选 PostgreSQL？

综合以上分析，PostgreSQL 在本项目的核心需求上**全面契合**：

```mermaid
graph TD
    A["项目需求"] --> B["强结构化数据"]
    A --> C["JSON 半结构化"]
    A --> D["关联查询"]
    A --> E["聚合统计"]
    A --> F["Go 生态"]

    B --> PG["PostgreSQL"]
    C --> PG
    D --> PG
    E --> PG
    F --> PG
```

逐条对应：

| 项目需求 | PostgreSQL 的匹配点 |
|---------|-------------------|
| 对话历史是强结构化数据 | 原生关系型，SQL 标准完备 |
| 对话上下文含 JSON（图像引用/角色标记） | **JSONB** 类型支持索引、路径查询、部分更新 |
| messages ↔ sessions 外键关联 | 完整的 FK 约束 + JOIN 支持 |
| 用量按天/周/月聚合 | 窗口函数、CTE、`DATE_TRUNC` 等分析能力 |
| Go 后端对接 | `pgx` 驱动性能优秀，GORM/Ent ORM 支持成熟 |
| 后续可能存图像元信息 | 可结合对象存储，PG 只存引用路径 |
| 未来可能加全文搜索 | 内置 `tsvector` 全文检索，无需额外引入 Elasticsearch |

### Go 后端集成示例

使用 `pgx` 驱动连接 PostgreSQL：

```go
import "github.com/jackc/pgx/v5/pgxpool"

// 初始化连接池
pool, _ := pgxpool.New(ctx, "postgres://user:pass@localhost:5432/vision_ai")

// 保存一条对话消息
func SaveMessage(ctx context.Context, pool *pgxpool.Pool, msg *Message) error {
    _, err := pool.Exec(ctx,
        `INSERT INTO messages (session_id, role, content, image_url, tokens_used)
         VALUES ($1, $2, $3, $4, $5)`,
        msg.SessionID, msg.Role, msg.Content, msg.ImageURL, msg.TokensUsed,
    )
    return err
}

// 查询用户近 7 天用量汇总
func GetWeeklyUsage(ctx context.Context, pool *pgxpool.Pool, userID string) ([]UsageRow, error) {
    rows, _ := pool.Query(ctx,
        `SELECT date, llm_tokens, estimated_cost
         FROM usage_daily
         WHERE user_id = $1 AND date >= CURRENT_DATE - INTERVAL '7 days'
         ORDER BY date`, userID)
    defer rows.Close()
    // ... scan rows
}
```

JSONB 包容查询示例——精确匹配 JSONB 子结构：

```sql
-- @> 是包容操作符，检查 content 是否包含 {"text": "花"} 这个子结构
-- 适合"字段精确匹配"场景；若需模糊关键词搜索，应使用 tsvector 全文检索
SELECT id, content, created_at
FROM messages
WHERE role = 'user'
  AND content @> '{"text": "花"}'
ORDER BY created_at DESC
LIMIT 20;
```

### 选型决策流程图

遇到新项目时，可以按这个流程快速决策：

```mermaid
flowchart TD
    START["需要持久化?"] -->|"否"| REDIS["继续用 Redis"]
    START -->|"是"| STRUCT{"数据强结构化?"}
    STRUCT -->|"是"| SCALE{"数据量级?"}
    STRUCT -->|"否, 高度嵌套"| MONGO["考虑 MongoDB"]
    SCALE -->|"< 100GB, 单机可扛"| PG["PostgreSQL"]
    SCALE -->|"海量, 需水平扩展"| TIDB["考虑 TiDB / CockroachDB"]
    SCALE -->|"极小, 单文件即可"| SQLITE["考虑 SQLite"]
    PG --> JSON{"有 JSON 需求?"}
    JSON -->|"是"| PG_OK["PostgreSQL (JSONB)"]
    JSON -->|"否"| MYSQL{"团队熟悉 MySQL?"}
    MYSQL -->|"是"| MYSQL_OK["MySQL 也行"]
    MYSQL -->|"否"| PG_OK
```

> [!question] 思考
> 技术选型没有"绝对正确"，只有"更适合"。PostgreSQL 在本项目中胜出，核心原因是**数据模型匹配 + JSONB 能力 + Go 生态成熟**这三点的交集。如果换一个纯 KV 场景（如缓存），Redis 才是正确答案。

### 与现有架构的整合

引入 PostgreSQL 后，存储层变为**冷热分离**架构：

```mermaid
graph LR
    subgraph Hot["热数据层"]
        REDIS["Redis"]
    end
    subgraph Cold["冷数据层"]
        PG["PostgreSQL"]
    end
    subgraph App["Go Gateway"]
        WRITE["写入路径"]
        READ["读取路径"]
    end

    WRITE -->|"实时会话状态"| REDIS
    WRITE -->|"对话历史 + 用量"| PG
    READ -->|"当前上下文(快)"| REDIS
    READ -->|"历史记录(慢)"| PG
```

> [!info] 写入策略
> 建议采用**异步写入**——实时对话消息先写 Redis（快），然后异步批量刷入 PostgreSQL（慢）。这样不会因为数据库写入延迟影响对话体验。可以用 Go channel + goroutine 实现简单的异步写入队列。

---

## 前端边缘处理层选型

> [!info] 选型背景
> 项目的核心交互流程是"用户说话 → AI 看 → AI 回答"。前端需要完成**媒体采集、语音检测、轻量推理**三件事，然后才把"值得处理的数据"发给后端。这三个环节的技术选型直接影响**交互延迟和首屏加载速度**。

### 总览

| 能力 | 当前选型 | 选择理由 |
|------|---------|---------|
| 边缘推理 | **ONNX Runtime Web** | 通用推理引擎，模型无关，WASM 加速 |
| 语音检测 | **@ricky0123/vad-web** | 包装原生 WebRTC VAD，零延迟，体积极小 |
| 媒体采集 | **MediaDevices API** | 浏览器原生接口，无中间层，零依赖 |

### 边缘推理：ONNX Runtime Web

在浏览器端跑 VAD 和关键帧检测，需要一个轻量推理引擎。候选方案如下：

```mermaid
graph TD
    A["浏览器端推理需求"] --> B["ONNX Runtime Web"]
    A --> C["TensorFlow.js"]
    A --> D["MediaPipe"]
    A --> E["Transformers.js"]
    B --> B1["通用推理引擎"]
    C --> C1["TF 生态专用"]
    D --> D1["开箱即用 CV 任务"]
    E --> E1["HuggingFace 生态"]
```

| 方案 | 特点 | 适用场景 |
|------|------|---------|
| **ONNX Runtime Web** | 通用推理引擎，支持任意 ONNX 模型，WASM 加速 | 需要在浏览器跑**自定义模型**（VAD、关键帧检测） |
| **TensorFlow.js** | Google 生态，支持 WebGL/WebGPU 加速 | 模型本身就是 TF 格式，或需要 GPU 加速 |
| **MediaPipe** | Google 出品，封装了姿态/手势/人脸等开箱即用方案 | 只需要常见 CV 任务（人脸检测、姿态估计），不需要自定义模型 |
| **Transformers.js** | Hugging Face 生态，直接跑 HuggingFace 上的模型 | 想快速集成 NLP/CV 预训练模型（如 Whisper、CLIP） |

> [!question] 思考
> 为什么 ONNX Runtime Web 胜出？项目需要同时跑**两种**轻量模型——VAD 和关键帧检测，这是自定义 pipeline，不是单一 CV 任务。ONNX 是跨框架的通用格式，无论模型用什么框架训练，都可以导出为 ONNX 并在浏览器中用统一引擎加载。TensorFlow.js 被锁死在 TF 生态，MediaPipe 虽然开箱即用但灵活性不够（不能自定义模型逻辑）。**ONNX Runtime 的核心优势是"模型无关"**。

### 语音检测：@ricky0123/vad-web

VAD（Voice Activity Detection）是交互流程的**起始触发器**——用户有没有在说话？触发必须又快又准。

| 方案 | 特点 | 适用场景 |
|------|------|---------|
| **@ricky0123/vad-web** | 基于 WebRTC VAD，体积极小（~100KB 含 WASM），纯前端零延迟 | 只需要"有没有人说话"的二分类判断 |
| **Web Audio API + 能量检测** | 用 AnalyserNode 计算音量 RMS，阈值判断 | 极简场景，但抗噪能力差 |
| **ONNX 跑 Silero VAD** | 神经网络级 VAD，准确率高，但推理开销更大 | 嘈杂环境下需要更精准的检测 |
| **Picovoice Porcupine** | 商业级唤醒词引擎，支持自定义唤醒词 | 需要"嘿 Siri"式的唤醒词功能 |

```mermaid
graph LR
    A["VAD 方案对比"] --> B["轻量级"]
    A --> C["重量级"]
    B --> B1["能量检测: 最轻, 不抗噪"]
    B --> B2["vad-web: 轻量, WebRTC 原生算法"]
    C --> C1["Silero VAD: 精准, 需加载 ONNX 模型"]
    C --> C2["Porcupine: 商业级, 需付费"]
```

> [!question] 思考
> 用手写能量检测虽然更轻，但不抗噪（咳嗽、环境噪音都会误触发）；用 Silero VAD 虽然更准，但需要加载 ONNX 模型，增加首屏时间和内存占用。**@ricky0123/vad-web 是"够用且最轻"的平衡点**——直接包装浏览器原生的 WebRTC VAD 算法（C 代码编译为 WASM），延迟接近零。

### 媒体采集：MediaDevices API

摄像头和麦克风的采集是整个流程的源头。

| 方案 | 特点 | 适用场景 |
|------|------|---------|
| **MediaDevices API** | 浏览器原生 API，零依赖，直接拿 MediaStream | 标准的摄像头/麦克风采集 |
| **react-webcam 等封装库** | React 组件封装，减少胶水代码 | 快速原型，但灵活性受限 |
| **WebRTC（含 getUserMedia）** | 完整的点对点通信栈 | 需要浏览器之间直接传音视频（如视频会议） |
| **Capacitor/Cordova 原生桥** | 混合 App 方案，调用原生摄像头 | 目标不是浏览器而是移动 App |

> [!question] 思考
> `navigator.mediaDevices.getUserMedia()` 是所有浏览器音视频采集的**唯一标准入口**。所有上层封装库底层都是调这个 API。项目需要的是原始 MediaStream（直接送进 VAD 和关键帧检测），不是封装好的组件。用封装库反而要多一层解包，**没有中间商**。

### 选型共同逻辑

这三个技术选择有一个共同的决策模式——**选择最薄的抽象层**：

| 技术 | "最薄"体现在哪里 |
|------|----------------|
| **ONNX Runtime Web** | 不绑定特定框架，模型格式通用 |
| **@ricky0123/vad-web** | 包装原生 WebRTC VAD，没有多余的模型加载 |
| **MediaDevices API** | 直接用浏览器原生接口，不加封装层 |

这与 [[项目架构与技术栈]] 中"前端做轻量预处理"的原则一致：前端层只需要采集和判断"有没有值得发给后端的数据"，不需要复杂的模型推理能力。更重的方案（TensorFlow.js、Silero VAD）在后端 Go 网关和云端 AI 服务面前，属于在不该重的地方加重。

## 关联笔记

- [[项目架构与技术栈]]
- [[成本控制]]
- [[项目架构与技术栈/技术名词解释]]