智能硬件做 AI 语音交互，会先讨论大模型：用哪家 LLM、参数多大、回答聪不聪明。真正到设备上，体验往往容易被更基础的问题拦住：麦克风收不清、外放有回声、用户打断不了、网络一抖就断句、TTS 播放慢…

IoT 设备要做音视频通话，技术方案通常绕不开三个选项：直接用 WebRTC，自己做一套实时音视频链路，或者接入成熟 RTC SDK。选型看起来像技术问题，最后经常变成产品节奏、硬件规格、云端成本和运…

很多智能硬件团队第一次讨论“要不要接实时音视频”，往往是从一个具体功能开始的：老人手表能不能一键呼叫子女，儿童手表能不能视频通话，宠物摄像头能不能双向语音，机器人能不能远程操控，AI 玩具能不能自然对…

每到寒暑假、春节和国庆，旅游平台都会迎来一轮客服高峰。用户集中询问酒店入住、订单状态、退改费用和行程异常，电话要排队，在线客服也很难马上接入。 这些问题平时就在发生。到了旅游高峰期，咨询量会在短时间内…

在大模型语音能力快速升级的这几年，TTS（文本转语音）系统经常被更大的参数规模、更丰富的音色、更复杂的情绪控制和更强的云端推理能力定义。但放到实时互动场景里，TTS 很快会遇到更具体的问题，比如低端设…

如果你的后端是 Go，这篇教程给你一个能直接嵌进现有服务的最小实现：用官方 Go Agent SDK 起三个接口——/get_config、/startAgent、/stopAgent。 浏览器端直接…

让大模型当地下城主持人，讲故事的部分它做得很好；但让它同时管生命值、掷骰和掉落，就会出现「刚才你还剩 30 点血，现在怎么变成 50 了」这种问题。同一个动作问两遍，可能得到两个互相矛盾的结果。 这篇…

标准链路是 LLM 出文字、TTS 变声音。但有些场景绕不开自己的音频：品牌代言人的录音、游戏里的角色音效、自研的语音模型、已经合成好的固定话术。 把 llm.output_modalities 设成…

在开放办公区、展厅、客厅这种地方，旁边人随口一句话就可能被智能体当成指令。用户正说到一半，同事在两米外聊天，智能体转头回答同事去了——这个问题在 Demo 里不存在，一到真实环境就非常明显。 选择性注…

用一个通用提示词同时干分诊、报价、下单、售后，结果通常是四件事都干得含糊——售前的话术混进售后，退款问题被当成销售机会。 更清楚的做法是拆角色：分诊客服先识别需求，售前顾问回答套餐和购买问题，创建订单…

翻译智能体和问答智能体有个根本区别：它绝不能回答用户说的话。 用户说「我们周五开会你能参加吗」，普通助手会回答「可以」；翻译助手必须原样译成英文。这个「不许回答」的约束贯穿全篇。识别语言、系统提示、T…

把几十个业务函数一股脑塞给模型，出问题几乎是必然的：选错工具、参数张冠李戴、执行了本不该执行的操作。工具列表越长，模型判断越容易飘。 更稳的做法是按场景只暴露当下该用的那几个。用智能家居演示最直观：人…