作者： 凯淇

该项目是在北京通用人工智能研究院，与Rich合作设计开发的基于AR元霓设备，使用Unity3D引擎架构的AI智能语音助手项目。

一、项目构思

项目灵感源于某地区考古博物馆AR文旅项目的前期策划方案——馆方希望能有个一直跟随用户的AR助手，具备全程跟随、辅助引导、实时解答等功能。由于特殊原因，AR文旅项目搁置，但该灵感在内部继续孵化，进而衍生出此项目。

该项目在初期就已经确定了其大致方向——即一个具备实时跟随、语音问答以及图像识别的AR智能体。

基于以上内容，在功能实现路径上，考虑到小体量应用，本地部署服务存在维护成本大、部署周期长等风险，故而采取了Unity3D 搭建逻辑框架 + api服务调用这种常用的实现路径。

二、项目设计

整体框架：

该项目中核心内容为智能体机器人实体，它涉及到跟随、聆听问题、回答问题等功能。这些功能之间的切换即是状态的切换，而这些状态不能与其他状态相互叠加。

对此，我们设计了基于状态机控制前端与后端的逻辑结构。

例如：

初始为 idle 闲置状态，当用户触发提问功能时，状态机改变为 Recording 聆听记录语音，同时状态机告诉后端ASR模块可以开始处理语音Chunk，以及告诉前端UI可以更新ASR传回的文本内容。

而当用户说完并发送时，状态机改变为SendingToLLM，从该阶段开始，用户就不能再次进行语音发送，需要等待这条任务完成后，状态回归idle时，才能再次提问。

Api流程：

在可行性测试阶段，数据处理方式为队列式的处理方式，完成一个再进行第二个。测试时发现，该方法十分耗时，等待时间非常长。

在多次迭代后，采用了流式的处理方式，即ASR（语音转文字）时，随着语音的输入，文字在流式的传回客户端，并储存在Massage容器中，当触发发送条件，该容器的内容会立刻传入LLM中，LLM在处理结束后同样流式的传入LLM_Content容器中，此时通过文本分割方法，将传入的LLM_Content内容分割为单句，以队列的形式存储，并发送到TTS（文本转语音）中，返回的内容会被转换为Audio Clip格式，发送到Unity Audio Source中播放。

三、项目实现

代码逻辑结构：

通过状态机，链接后端状态和前端状态，以达到在不同阶段，前端机器人做出不同反映。

代码实现：

全局广播，订阅者订阅该组件的广播：

//声明全局广播，用于通知所有相关组件
    public event Action<E_States,string ,string> AITalkStates;

状态机控制单元，每次状态更新时调用：

//状态控制单元，每个步骤变更时，广播状态给所有订阅者
public void UpdateStates(E_States e_states)
    {
        //检测当前状态并播报
        switch (e_states)
        {
            case E_States.Idle:
                states = "空闲";
                break;
            case E_States.Recording:
                states = "正在录制";
                break;
            case E_States.SendingToLLM:
                states = "正在发送至LLM";
                break;
            case E_States.LLMDone:
                states = "LLM处理完成";
                break;
            case E_States.SendingToTTS:
                states = "正在发送至TTS";
                break;
            case E_States.TTSDone:
                states = "TTS处理完成";
                break;
            case E_States.AudioPlay:
                states = "音频播放中";
                break;
            case E_States.Waiting:
                states = "等待中...";
                break;
        }
        text_states = e_states;//传递一个state出来公用
        States?.Invoke(states);
        AITalkStates?.Invoke(e_states, ask,answer);
    }

订阅事件后，供事件调用的接口：

/// <summary>
    /// 订阅状态事件后，供事件调用的方法
    /// </summary>
    /// <param name="states">事件广播的状态枚举</param>
public interface ISubscribable
{
    public void SubscribEvent(E_States states,string asks,string answers);
}

本项目缘起于我在构思新项目、撰写论文和梳理知识时反复遭遇的起步困难——“不知道从何着手”。与身边同学访谈后发现，这并非个例。

竞品调研显示，市面多数产品停留在“一键生成思维导图”与“AI 自动扩展子节点”等功能层面；这些体验虽便捷，却未触达“如何开始、如何循序梳理”的核心痛点。

实际使用过程中，自动生成的导图常与个人预期存在偏差，难以帮助用户按自身思路一步步推进。由此我们聚焦的问题是：现有同类产品普遍缺乏对“用户原生思维路径”的适配与共建能力——它们替你画图，却没能和你一起思考。

其次，目前遇到的这两个需求中的“真需求”是什么？

“在开始一个项目时，我不知道从哪开始搞，第一个字是最难写的。”

真正需求来源于：没有思路，内容焦虑以及空白焦虑。（需要产生大量的内容，以获取灵感）

“在对一个主题进行构思的时候，不知道从哪开始入手，想法太多就不知道从哪开始了。”

真正需求来源于：无法聚焦于一个单一的问题，精力与注意力被分散。（需要针对单一的问题开展工作）

针对第一需求，目前的初版设定方案是：

与AI聊天询问主题，用户仅需要将最原始的想法碎片输出给AI智能体，在AI智能体的引导下完成主题的确定。

针对第二需求：

当用户已经选择好主题后，可以进一步针对这个主题，询问AI智能体，想要探索哪一个方面。随后，智能体会输出一系列的子分支，此时用户可以进一步针对单一一个子分支做进一步的询问，后续以此类推。