note/课题一/AI 视觉对话助手/项目架构与技术栈.md

---
tags: [AI, 架构设计, 技术栈, 端云协同, WebSocket, 微服务]
create time: 2026-06-12 14:32
---

# 项目架构与技术栈

## 概述

本文档设计 AI 视觉对话助手的**分层架构**与**技术选型**。核心设计原则：**前端做轻量预处理，后端做智能编排，云端 AI 服务按需调用**——在保证交互体验的同时控制成本。

## 正文

### 整体架构

```mermaid
graph TB
    subgraph Client["浏览器客户端"]
        UI["React UI"]
        CAM["摄像头/麦克风"]
        EDGE["边缘预处理"]
        WS_C["WebSocket Client"]
    end

    subgraph Gateway["Go 后端网关"]
        WS_S["WebSocket Server"]
        SESSION["会话管理"]
        ROUTER["模型路由"]
        ORCH["AI 编排器"]
    end

    subgraph AI["云端 AI 服务"]
        LLM["多模态 LLM"]
        STT["语音识别"]
        TTS["语音合成"]
    end

    CAM --> EDGE
    EDGE -->|"关键帧 + 语音片段"| WS_C
    WS_C <-->|"双向实时通信"| WS_S
    WS_S --> SESSION
    SESSION --> ROUTER
    ROUTER --> ORCH
    ORCH --> LLM
    ORCH --> STT
    ORCH --> TTS
    TTS -->|"音频流"| WS_S
    LLM -->|"文本流"| WS_S
```

三层各司其职：

| 层级 | 职责 | 关键约束 |
|------|------|---------|
| **客户端** | 媒体采集、边缘预处理、UI 渲染 | 浏览器资源有限，模型需轻量 |
| **Go 网关** | 会话管理、模型路由、AI 服务编排 | 高并发、低延迟、状态管理 |
| **AI 服务** | LLM 推理、语音识别、语音合成 | 按量计费，需控制调用频率 |

> [!question] 思考
> 为什么要单独加一层 Go 网关，而不是让前端直连 AI API？原因有三：1）API Key 安全性；2）统一的速率限制和成本管控；3）多模型路由逻辑集中在一处便于维护。

### 技术栈选型

#### 前端

| 技术 | 选型 | 选择理由 |
|------|------|---------|
| 框架 | **React 18 + TypeScript** | 组件化开发，类型安全，生态成熟 |
| 构建 | **Vite** | 开发热更新快，构建产物小 |
| 实时通信 | **WebSocket (原生 API)** | 浏览器原生支持，无需额外依赖 |
| 边缘推理 | **ONNX Runtime Web** | 浏览器端跑轻量模型（VAD、关键帧检测） |
| 语音检测 | **@ricky0123/vad-web** | 基于 WebRTC VAD，纯前端零延迟 |
| 媒体采集 | **MediaDevices API** | 浏览器原生摄像头/麦克风访问 |

#### 后端

| 技术 | 选型 | 选择理由 |
|------|------|---------|
| 语言 | **Go** | 高并发 goroutine 模型，适合长连接管理 |
| WebSocket | **gorilla/websocket** | Go 生态最成熟的 WebSocket 库 |
| 会话存储 | **Redis** | 高速 KV 存储，适合会话状态和上下文缓存 |
| 配置管理 | **Viper** | 支持多格式配置，环境变量覆盖 |
| 日志 | **Zap** | 高性能结构化日志 |

#### AI 服务（按需选型）

| 能力 | 主选方案 | 备选方案 | 选型考量 |
|------|---------|---------|---------|
| 多模态 LLM | **GPT-4o** | Claude Sonnet | 视觉理解能力强，API 成熟 |
| 语音识别 STT | **Deepgram** | FunASR 自部署 | 流式识别延迟低（<500ms） |
| 语音合成 TTS | **OpenAI TTS** | Edge TTS（免费） | 音质自然，支持流式 |
| 轻量分类 | **GPT-4o-mini** | Haiku | 模型路由时的复杂度判断 |

> [!tip] 混合策略
> 不必绑定单一厂商。Go 网关的模型路由层可以统一封装不同 AI 服务的调用接口，按场景动态切换。比如简单识别用 GPT-4o-mini，深度分析用 GPT-4o，TTS 用免费的 Edge TTS 降低成本。

### 核心交互流程

一次完整的"用户提问 → AI 回答"流程：

```mermaid
sequenceDiagram
    participant B as Browser
    participant G as Go Gateway
    participant S as STT Service
    participant L as LLM Service
    participant T as TTS Service

    B->>B: VAD 检测到语音开始
    B->>B: 捕获当前摄像头帧
    B->>G: WebSocket 发送 [音频流 + 图像帧]
    G->>S: 转发音频流
    S-->>G: 流式返回识别文本
    G->>L: 发送 [图像 + 识别文本 + 历史上下文]
    L-->>G: 流式返回回答文本
    G-->>B: WebSocket 推送回答文本
    G->>T: 发送回答文本
    T-->>G: 流式返回音频
    G-->>B: WebSocket 推送音频流
    B->>B: 播放音频 + 渲染文字
```

> [!info] 关键优化
> 注意 LLM 文本流和 TTS 音频流是**并行推送**的——客户端先展示文字，同时开始播放语音，用户感知延迟大幅降低。

### 后端架构设计

Go 网关的核心模块：

```mermaid
graph TD
    subgraph Server["Go Gateway"]
        WS["WebSocket Hub"]
        SM["Session Manager"]
        MR["Model Router"]
        AO["AI Orchestrator"]
        RL["Rate Limiter"]
        CACHE["Context Cache"]
    end

    WS --> SM
    SM --> MR
    MR --> AO
    SM --> RL
    SM --> CACHE
```

各模块职责：

| 模块 | 职责 | 关键实现 |
|------|------|---------|
| **WebSocket Hub** | 管理所有客户端连接，广播/定向推送 | goroutine per connection |
| **Session Manager** | 维护用户会话状态、对话历史 | Redis + TTL 过期策略 |
| **Model Router** | 根据请求类型选择 AI 模型 | 规则引擎 + 成本阈值 |
| **AI Orchestrator** | 编排多路 AI 调用（并行/串行） | context 取消 + 超时控制 |
| **Rate Limiter** | 防止单用户过度消耗 API 额度 | 令牌桶算法 |

Go 后端核心代码结构：

```go
// AI 编排器：并行调用 LLM 和 TTS
func (o *Orchestrator) ProcessQuery(ctx context.Context, req *QueryRequest) (*QueryResponse, error) {
    ctx, cancel := context.WithTimeout(ctx, 10*time.Second)
    defer cancel()

    // 并行：LLM 推理 + 准备 TTS
    llmCh := make(chan string, 1)
    go func() {
        resp, _ := o.llm.Chat(ctx, req.Image, req.Text, req.History)
        llmCh <- resp
    }()

    llmText := <-llmCh
    // LLM 返回后，流式推送给客户端，同时启动 TTS
    ttsCh := make(chan []byte, 1)
    go func() {
        audio, _ := o.tts.Synthesize(ctx, llmText)
        ttsCh <- audio
    }()

    return &QueryResponse{Text: llmText, Audio: <-ttsCh}, nil
}
```

### 前端架构设计

```mermaid
graph TD
    subgraph App["React App"]
        MAIN["App Root"]
        CAM_M["CameraManager"]
        MIC_M["MicManager"]
        EDGE_M["EdgeProcessor"]
        WS_M["WebSocketManager"]
        CHAT["ChatPanel"]
        VIDEO["VideoPreview"]
    end

    MAIN --> CAM_M
    MAIN --> MIC_M
    MAIN --> WS_M
    MAIN --> CHAT
    MAIN --> VIDEO
    CAM_M --> EDGE_M
    MIC_M --> EDGE_M
    EDGE_M --> WS_M
```

核心 Hook 设计：

```typescript
// useVisionSession —— 封装一次完整的视觉对话会话
function useVisionSession() {
  const [messages, setMessages] = useState<Message[]>([]);
  const wsRef = useWebSocket("ws://localhost:8080/ws");

  // 摄像头管理
  const videoRef = useRef<HTMLVideoElement>(null);
  const { captureFrame } = useCamera(videoRef);

  // VAD 语音检测
  const { isSpeaking } = useVAD({
    onSpeechEnd: async (audio) => {
      const frame = captureFrame();
      // 同时发送图像帧和语音片段
      wsRef.current?.send(JSON.stringify({
        type: "query",
        image: frame.toDataURL("image/jpeg", 0.7),
        audio: encodeAudio(audio)
      }));
    }
  });

  // 接收 AI 回复（文本 + 音频）
  useEffect(() => {
    wsRef.current?.on("message", (data) => {
      const { text, audio } = JSON.parse(data);
      setMessages(prev => [...prev, { role: "assistant", text }]);
      if (audio) playAudio(audio);
    });
  }, []);

  return { messages, videoRef, isSpeaking };
}
```

### 部署架构

```mermaid
graph LR
    subgraph CDN["CDN"]
        STATIC["静态资源"]
    end

    subgraph LB["负载均衡"]
        NGINX["Nginx"]
    end

    subgraph App["应用层"]
        GW1["Gateway-1"]
        GW2["Gateway-2"]
    end

    subgraph Storage["存储层"]
        REDIS["Redis"]
    end

    USER["用户浏览器"] --> CDN
    CDN --> STATIC
    USER -->|"WebSocket"| NGINX
    NGINX --> GW1
    NGINX --> GW2
    GW1 --> REDIS
    GW2 --> REDIS
    GW1 -->|"API Calls"| AI["AI Services"]
    GW2 -->|"API Calls"| AI
```

> [!tip] WebSocket 与负载均衡
> WebSocket 是长连接，Nginx 需要配置 `proxy_set_header Upgrade` 和 `ip_hash` 或 sticky session，确保同一用户的请求始终路由到同一个 Gateway 实例。

## 关联笔记

- [[视觉理解]]
- [[语音交互]]
- [[成本控制]]
- [[用户故事]]
- [[项目架构与技术栈/技术名词解释]]