2026年4月9日｜AI眼镜随身AI助手从零到一：核心技术拆解与开发实战

掏出手机 → 解锁屏幕 → 找到地图/点评App → 点击打开 → 
输入或语音餐厅名称 → 等待结果返回 → 查看信息

打开翻译App → 选择源语言和目标语言 → 按住说话按钮 → 
说完松开 → 等待识别和翻译 → 查看翻译结果

 -- coding: utf-8 --
 极简AI眼镜语音助手示例（Python）
 模拟端侧语音采集 + 云端大模型调用

import pyaudio           音频采集（端侧模拟）
import webbrowser        本地动作执行
import requests
import json

 ========================
 1. 端侧：语音采集与唤醒检测
 ========================
class WakeWordDetector:
    """模拟MCU端的唤醒词检测功能"""
    def __init__(self, wake_word="Hey Glasses"):
        self.wake_word = wake_word
    
    def listen_and_detect(self):
        """模拟持续监听语音活动"""
        print("🎤 AI眼镜正在监听（低功耗模式）...")
        print(f"   唤醒词: '{self.wake_word}'")
        
         实际硬件中，这里由VAD硬件事先筛选语音活动
         检测到唤醒词后才进入推理模式
        user_input = input("\n🎤 用户说话: ")
        
        if self.wake_word.lower() in user_input.lower():
             去掉唤醒词，提取实际指令
            command = user_input.lower().replace(self.wake_word.lower(), "").strip()
            print(f"✅ 唤醒成功！指令: {command}")
            return command
        else:
            print("⏳ 未检测到唤醒词，继续监听...")
            return None

 ========================
 2. 端侧：本地指令匹配（低延迟路径）
 ========================
class LocalCommandHandler:
    """本地指令处理——无需调用云端，毫秒级响应"""
    
    @staticmethod
    def handle(command: str) -> tuple[bool, str]:
        """返回 (是否处理成功, 处理结果)"""
        
         本地拍照
        if "拍照" in command or "拍张照" in command:
             实际调用眼镜端Camera API
            print("📸 执行: 调用眼镜摄像头拍照")
            return True, "照片已保存"
        
         本地录视频
        if "录像" in command:
            print("🎥 执行: 开始录制视频")
            return True, "视频录制中"
        
         本地音乐控制
        if "播放音乐" in command:
            print("🎵 执行: 开始播放音乐")
            return True, "音乐已播放"
        
        if "暂停" in command and "音乐" in command:
            print("⏸️ 执行: 暂停播放")
            return True, "音乐已暂停"
        
        return False, ""

 ========================
 3. 云端：大模型调用（复杂任务路径）
 ========================
class CloudLLMHandler:
    """云端大模型处理——处理复杂语义理解和任务规划"""
    
    def __init__(self, api_key: str = None, api_url: str = None):
         实际开发中替换为具体的云服务API（如通义千问API）
        self.api_key = api_key
        self.api_url = api_url or "https://api.example.com/v1/chat/completions"
    
    def call_llm(self, command: str) -> dict:
        """将指令发送给云端大模型，返回分析结果"""
        
         构造提示词，让大模型理解用户意图
        prompt = f"""
        你是一个AI眼镜的智能助手。用户指令: "{command}"
        请分析用户意图，返回JSON格式:
        {{
            "intent": "查询|翻译|导航|订餐|通用问答",
            "need_action": true/false,
            "action_type": "web_search|map_query|translate|api_call|none",
            "response": "给用户的回复"
        }}
        """
        
         模拟云端大模型返回（实际代码需替换为真实API调用）
        print("☁️ 正在调用云端大模型...")
        
         示例：模拟意图识别结果
        if "翻译" in command:
            return {
                "intent": "翻译",
                "need_action": True,
                "action_type": "translate",
                "response": "已启动实时翻译模式"
            }
        elif "附近" in command or "餐厅" in command:
            return {
                "intent": "查询",
                "need_action": True,
                "action_type": "map_query",
                "response": "正在附近的餐厅"
            }
        elif "天气" in command:
            return {
                "intent": "查询",
                "need_action": True,
                "action_type": "web_search",
                "response": "正在查询天气信息"
            }
        else:
            return {
                "intent": "通用问答",
                "need_action": False,
                "action_type": "none",
                "response": "收到，我来帮你看看这个问题"
            }
    
    def execute_action(self, action_result: dict) -> str:
        """根据大模型规划的意图，调用对应服务"""
        action_type = action_result.get("action_type")
        
        if action_type == "web_search":
            print("🌐 执行: 打开网页")
             实际场景：在眼镜端显示结果
            return "完成，结果已显示"
        
        if action_type == "map_query":
            print("🗺️ 执行: 调用地图API查询附近商户")
             实际场景：眼镜端显示POI信息
            return "附近共有8家餐厅，最近的一家距离300米"
        
        if action_type == "translate":
            print("🔤 执行: 启动同声传译模式")
             实际场景：调用翻译引擎
            return "实时翻译已就绪"
        
        return action_result.get("response", "已收到指令")

 ========================
 4. 主流程：端云协同调度
 ========================
class AIGlassesAssistant:
    """AI眼镜随身AI助手——端云协同调度中心"""
    
    def __init__(self):
        self.wake_detector = WakeWordDetector()
        self.local_handler = LocalCommandHandler()
        self.cloud_handler = CloudLLMHandler()
    
    def run(self):
        print("="  60)
        print("🤖 AI眼镜随身AI助手已启动")
        print("   唤醒词: 'Hey Glasses'")
        print("   本地指令: 拍照、录像、播放音乐、暂停音乐")
        print("   云端指令: 翻译、查附近、查天气、通用问答")
        print("="  60)
        
        while True:
             Step 1: 持续监听，检测唤醒词
            command = self.wake_detector.listen_and_detect()
            if command is None:
                continue
            
             Step 2: 本地匹配优先（毫秒级响应）
            handled, result = self.local_handler.handle(command)
            if handled:
                print(f"✅ 本地处理完成: {result}\n")
                continue
            
             Step 3: 本地未匹配，调用云端大模型
            print("🔄 本地未匹配指令，切换至云端处理...")
            intent = self.cloud_handler.call_llm(command)
            final_result = self.cloud_handler.execute_action(intent)
            
             Step 4: 眼镜端输出反馈（语音合成+显示）
            print(f"✅ 云端处理完成: {final_result}")
            print(f"💬 AI回复: {intent.get('response', '已收到指令')}\n")
            
             实际场景中，这里会调用TTS引擎播报回复

 ========================
 5. 启动助手
 ========================
if __name__ == "__main__":
    assistant = AIGlassesAssistant()
    assistant.run()