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

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：

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：

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：

// 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

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：

// 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

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。

8.3 KiB Raw Blame History Unescape Escape

项目架构与技术栈

概述

正文

整体架构

技术栈选型

前端

后端

AI 服务（按需选型）

核心交互流程

后端架构设计

前端架构设计

部署架构

关联笔记

8.3 KiB

Raw Blame History