进程	干什么	技术栈
桌面窗口	透明立绘、口型、表情	Tauri 2 + PixiJS
语音守护进程	整条语音链路	Python 3.12 + MLX
Ollama	大模型	本地 11434 端口

为什么要拆成两个进程？ 因为模型加载要十几秒。守护进程常驻、模型保持热态，窗口只是个瘦客户端，关了再开不用重新等。

窗口和守护进程之间：HTTP 控制接口（8767 端口）+ WebSocket 推状态，带 bearer token 鉴权，全部绑定 loopback。

机器是 M4 / 48G 内存。就这么点家当。

二、以为对、结果全错的五件事

1. 一个性能测试证明了"LLM 不是瓶颈"，可那个模型根本没输出

我说慢。它第一反应是模型太大（gpt-oss:20b，14GB），跑了个基准：

数字摆在这儿，它得出结论：LLM 不是瓶颈，去查 TTS。我看了那两行数字，也点头了。然后是大半天的语音合成研究，换了另一套引擎，下了 9GB 模型。

后来打开日志，第一行就写着：

那个模型每轮花 5.8 秒，产出一个空字符串。

gpt-oss 是推理模型，先生成一大段隐藏思考。256 token 的预算全烧在思考上了，done_reason=length 的时候正文一个字还没开始写。

那个基准测的是 tokens/秒，压根没看输出内容是不是空的。数字很好看，结果是空的。而我，看着一张很好看的表点了头。

换成 qwen2.5:7b（非推理模型），一句话解决：

教训：跑基准之前，先确认被测的那个东西真的产出了东西。快而空，是最容易骗过自己的一种"性能"。

顺手加了道防线——空回复不再闷声不响，直接把模型选错这件事说出来：

2. 她开始自言自语，因为她成了孤儿

我报了个很邪门的现象：关掉 app 之后她还在说话，但听不见我说话了。

查进程：

ppid=1。守护进程被 launchd 收养了——窗口进程死了，没把它带走。它继续开着麦克风，听见自己音箱里的声音，把自己的话当成用户输入，然后回答自己。

一个人在那儿自问自答，没完没了。

第一次修：在窗口的退出处理里发关闭请求。没用——退出时零输出，连报错分支都没走到。而且这个思路本身就是错的：崩溃、强制退出、SIGKILL，这些情况下窗口根本没机会说任何话。

第二次才换对了思路——让守护进程自己盯着父进程：

父进程一死，内核一定会把孤儿过继出去，轮询 getppid() 能捕获所有情况。验证方式也简单粗暴：kill -9 强杀窗口，守护进程自己干干净净地退了。

教训：需要对方配合才能生效的清理逻辑，在对方"死得不体面"的时候一定失效。让被依赖的那一方，自己负责自己的生死。

3. 方言：能做，但代价是 5 秒

想让几个角色说不同方言。查下来两条路。

Qwen3-TTS 自带方言音色，模型元数据里写得明明白白：

速度极好，RTF 0.27（比实时快 3.7 倍）。它把这段写得很兴奋，我看着也高兴。

然后我戴上耳机听了一句：男声。

元数据里有 spk_is_dialect，没有性别字段。名字叫 Eric、Dylan，它本该想到的——可它没有耳朵，它听不了音频。角色全是女生，男声直接把人设毁了。

这是整个项目里第一次，我意识到自己在这条流水线上是干什么的。

只剩 CosyVoice3 这一条路（能克隆女声、支持粤语闽南话）。接进去了，跨进程桥接也写了（它要 Python 3.10，主项目是 3.12），结果：

引擎	RTF
Qwen3-TTS	0.24 ~ 0.35
CosyVoice3	1.6 ~ 2.9

慢 6 到 10 倍。我听完一句话定论："5 秒无法忍受。"

全部删掉——后端、worker、路由器、配置项，四个文件。

教训：技术上可行 ≠ 产品上可用。大半天做了个最终被删掉的功能，就因为动手前没人先问一句"慢多少你能接受"。这句话只有我问得出来，而我问晚了。

顺带一提，中间它还搜了一圈"全网有没有又快又能说方言的模型"。看到 CosyVoice2 宣传"150ms 流式首包"，实测在这台机器上首包 11.97 秒——那个数字是 CUDA GPU 的，Apple Silicon 上完全不适用。看到性能宣传，先看它拿什么硬件测的。

4. 一个参数传错，她开始念稿子

CosyVoice 那阵还有个怪现象：8 个字的句子，生成 7.2 秒音频。听着像在念广播稿。

原因是角色的 ttsInstruct（一段 60 字的风格描述，"用很软很细的年轻女生声音说，甜一点、轻一点……"）被当成引擎指令传进去了。

CosyVoice 会把长指令当成要念的内容，演出来。

同一句话：

传什么	生成音频
只传方言指令	1.60 秒
加上角色风格描述	7.20 秒

音色本来就是从参考音频克隆的，那段文字描述一点用没有，纯粹在拖时长。

5. 配置改了不生效，因为背后有张兜底表在做主

我说方言没生效。它改的是 skins.json，反复确认改对了。

真相是：前端有张 BUILTIN_SKINS 硬编码兜底表，在 skins.json 加载失败时使用。而启动时那个 fetch 恰好总是失败：

所以真正决定音色的一直是那张兜底表，被改的那个文件，从头到尾没被读到过。

教训：兜底逻辑要是和主逻辑不同步，它就不是兜底，是沉默的覆盖。现在那张表由脚本从 skins.json 生成，注释里写明必须同步。

三、同一个错，我签收了三次

上面五件都是判断错。这一节是方法错，也是这三天里最贵的一课。

三次的形状一模一样：

前两次我以为是运气不好。第三次我才明白，问题不在它写得对不对，在于"全绿"这两个字从来就不覆盖我看见的那一块。

第一次：嘴根本没动

它想让嘴型对上字。语音是自己合成的，知道每个字是什么，拼音的韵母决定口型（a 大张、i 扁、u 撅）。思路没问题，写完测：

单元测试全绿。再直接调合成函数，实时采样：

数据这么漂亮，它交付了，我签收了。

然后我打开 app：嘴根本没动。

以为是数值太小，调大。还是没动。以为是分块时序有问题，重构。还是没动。装了三次，我看了三次，都是死的。

最后它挂了个 WebSocket 监听器，看前端到底收到了什么：

这个功能在产品里从头到尾就没工作过。

而每一轮所谓的"验证"，测的都是它刚写的那一段——单元测试是它写的，采样脚本也是它写的，两样东西加起来只能证明一件事："我这半截是通的"。没有一次去看屏幕上那张脸。

而屏幕，只有我看得见。

第二次：算了一堆参数，没人消费

同一天，它给人物加了点头和视线漂移，参数算得好好的，装上去——我说没变化。

查下来，渲染器在当前模式下只读两个参数（呼吸、嘴型），头和视线的参数压根不看。算了一堆，下游根本没接。

parameters.ts 里字段都在，所以代码看起来完全正确。接口存在 ≠ 有人在用。

后来清理时把这些死代码删了，动画模块从 300 行降到 123 行。

第三次：数据库里 54 条，一条标记都没有

两个角色共享记忆，结果小月开口说"紫苏在这里听你"——她在模仿历史里紫苏的台词。逻辑改成"对话按角色分开，档案仍共享"，写了测试，全绿，交付。

我换到小月，说了两句：还在串。

一查数据库：

54 条对话，一条都没有角色标记。

后端一直接受 skin_id，前端从来没发过。所以分离逻辑完全正确、单元测试全部通过，而真实数据里每一条都是"不知道谁说的"——无标记对所有角色可见，正好就是我要防的那种情况。

验证的是"分离逻辑对不对"，没人验证"真实数据里有没有标记"。

还有一次，连"恢复"都是假的

素材实验失败之后，git checkout 回退，命令跑通、日志正常，它跟我说"已恢复"。

我看了一眼：嘴还在动。

一量：差异 0.05 和 0.10，不是 0。回退到的那个提交，本身就已经包含了一次重建。

同一个毛病的另一种长相——看到操作成功，就当成结果正确。

这三次教会我的

一个能自证的功能，和一个我能看见的功能，是两回事。

验证要从最终呈现倒着往回查，不是从改动的那行正着往外推。 挂个监听器看真实数据流，比再写十个单元测试有用。

后来的规矩是：改完素材去量像素差异，改完状态推送挂监听器数消息，改完角色标记直接查数据库。命令的退出码只说明命令跑了，不说明事情做成了；测试全绿只说明它自己那半截通了，不说明我这头看得见。

道理写出来就这么一句话。可我是在第三次说出"还是那样"之后，才真的记住的。

也别全怪它。这三次的共同点是：它没有眼睛，而唯一有眼睛的那个人，三次都没在交付的时候睁开。

四、有一整类 bug，根子只有一个

翻 fix 列表，有一整类长得都一样：

根源都是麦克风开得太早。她还在说，麦克风开了，听见自己的声音，触发新一轮。

最后一处特别隐蔽：正常流程会等播放结束才开麦，但异常路径直接 return，跳过了等待。任何一次报错，只要音频已经在队列里，她就会听见自己。

教训：finally 里该做的清理，别只写在顺风顺水的那条路上。

五、有些墙是结构，不是参数

眨眼调了三轮，一点用没有

眨眼一直很怪。它调过时长（280ms→150ms）、去掉闭眼停留、改混合曲线，每改一版我看一版，每一版都还是怪。

这一节是我们俩配合得最难受的一段：我只能说"怪"，说不出怪在哪；它拿到的输入永远只有"怪"这一个字，只好继续调参数。

最后才发现原因是结构性的：眨眼板是另外单独生成的一整张脸。所谓"眨眼"，实际是把整个头换成另一张略有不同的头——五官轮廓都跟着变一下。

同理，"点头"在这套架构里是整张立绘平移，看起来是整个人在滑动，不是点头。

它量了几张图里人物的实际像素范围：

图	人物尺寸
底图	981 × 1473
表情板	951 × 1438

差 3%。淡入时两个不同大小的她叠在一起——这就是我一直在说的"两张图叠在一起""闪一下"。我形容不出所以然，只能说"怪"；数字一摆出来，怪在哪儿就清楚了。

更糟的是各区域的差异：所谓的"嘴型板"，眼睛的差异（14.8）比嘴还大（11.4）。它们根本不是同一张脸配不同的嘴。交叉淡入时两套眼睛半透明叠加，眼睛就糊了。

修法是把表情板重新合成：只保留它该变的那一块，其余全用底图。修完眼部差异 0.02，嘴部 10.7。

教训：调了三轮参数都没效果的时候，该去看结构，不是继续调参数。这类问题的信号很明确——改动幅度和效果不成比例。

破局的那一下也值得说：不是它想通了，也不是我看出来了，是它改去量像素。我出"哪儿不对"的直觉，它把直觉翻译成数字——这一节之后，凡是我说"怪"，它第一件事就是先量一遍再动手。

想让嘴动起来，试了四种，全废

角色立绘是 AI 生成的写实人脸。要让嘴动，就得有"张嘴"的那张图。四种做法它全试了，我一张张看过去：

方法	结果
几何拉伸下颌	脖子在动，嘴没动——另一个角色的嘴部坐标被套了过来，两人取景不同
沿唇缝切开、下唇下移、填暗部	能动了，我看一眼："很诡异"
上唇取底图、开口取表情板	边界低了不张嘴，边界高了唇上一条白缝
Stable Diffusion 局部重绘	嘴唇掉色发白，牙齿畸形

四种失败，原因是同一个：

它不是"一张脸配几个嘴"，是每次生成都重画了整张脸。所以切、拉、混、重绘——只要动了局部，就会露出接缝。

有个反例：另一个角色有真人手绘的口型板，她的嘴一直动得好好的。所以这不是技术不够，是素材本来就该是画出来的。

这四次的判决书是同一句话，而且只能由我来写：我看了一眼，说不行。像素差异它量得出来，"这张脸看着像不像人"它量不出来——四次里有三次，代码和数字都是对的，废掉它们的理由全是"诡异""发白""一条白缝"。

画面这条路的边界到这里就很清楚了：没有手绘素材，别指望局部编辑能救。

六、记忆：我做的是存储，不是记忆

画面折腾不动了，转头做记忆——结果这是整个项目里性价比最高的一次改动。

一句话就戳穿了

第一版做完了：SQLite 存对话，重启后载入，角色之间共享一份。自测通过，交付。

我问了一句：「所以这个记忆只有 6 条，今天记不住昨天说过的话对吗？」

对。2000 条存在磁盘上，但每次只回放最近 6 条给模型。中间聊满 3 轮，昨天的就被挤出去了——数据还在，模型看不见。

做出来的是持久化，不是记忆。

而且那个 6 设得毫无道理。算笔账：

ㅤ	token
上下文上限	2048
人格	~260
6 条对话	~150
浪费	80%

实测 prompt 处理只要 0.02-0.05 秒，多塞几十条根本不影响延迟。那个 6 是凭"感觉会慢"设的，从来没人算过这笔账。

滑动窗口有天花板

窗口开到 24 条能跨天了，但仍然记不住"一周前说过我喜欢喝茶"。滑动窗口的本质就是会遗忘。

真正的解法是另存一份关于用户的稳定事实，每 8 轮后台重写一次，永远拼在人格后面。用真实模型跑出来是这样：

这是"她认识你"，不是"她记得刚才那句"。

最终三层：

层	作用	容量
档案	认识你	400 字，常驻
窗口	记得刚才	24 条，每次回放
数据库	查得到	2000 条，存磁盘

延迟没变，还是 2.5 秒。

教训：我要的是"记忆"，交上来的是"存储"，两者之间差一个"模型能不能看见"。功能名字对上了，不代表需求满足了。

提需求的人得把话说到底。我说"她要能记住我"，它听成"把对话存下来"——严格说它没做错，是我没说清"记住"是什么意思。

七、硬件的天花板：数字人这条路走不通

停下来之前，我让它把"这台机器上能不能做出真正的数字人"彻底查一遍。这种活它做得比我好得多——读支持矩阵、翻 issue、算 RTF，几十分钟就把三条路走完了。结论值得记下来，能替别人省很多时间。

三个方案，两个不通

方案	状态
EchoMimic V2（阿里）	官方环境是 CUDA 12.4，测试机 A100/4090D/V100，支持矩阵里没有 macOS。有第三方 MPS 指南，但依赖 Triton，而 Triton 在 macOS 上是实验性的、没有 Metal 后端
HeyGem（硅基智能）	要求 Windows 10 + RTX 4070 + Docker，容器是 CUDA 镜像，Mac 上没有路径
GPT-SoVITS	✅ 官方 README 有 M4 数据：RTF 0.526。2026 年有篇专门研究趟平了 MPS 的 7 个 fp16 坑并开源了补丁。粤语官方支持

一个被反复忽略的常识

有人跟我说：「48GB 统一内存完全够用，权重全部常驻内存，实现飞速推理。」

这句话我当时是信的——48 是个大数字，听着就够。把它拆开的是它，一张表：

内存容量决定能不能装下，算力和带宽决定跑多快。这是两回事。

ㅤ	M4	A100
内存	48 GB ✅ 更大	80 GB
带宽	~120 GB/s	1935 GB/s
算力	~4 TFLOPS	312 TFLOPS

48GB 这个优势，在扩散模型推理里几乎用不上。

决定性的那个数字

EchoMimic V2 的加速版，在 A100 上是 120 帧 / 50 秒。

120 帧 ÷ 24fps = 5 秒视频，渲染要 50 秒 → RTF ≈ 10。

在 A100 上就已经比实时慢 10 倍。 这说明它根本不是实时技术，是离线出片工具。M4 上保守估计 RTF 100+，她说一句 5 秒的话，要渲染 8 分钟起步。

这跟"Mac 跑不跑得动"无关——就算买张 4090，它也不适合对话，只适合剪视频。

本机的实测佐证

不用推测，这台机器上就有数据：

ㅤ	类型	RTF
CosyVoice3 (0.5B)	音频	1.6 - 2.9
CosyVoice2 官方宣称	流式首包 150ms	CUDA
同一模型本机实测	首包	11.97 秒

一个 0.5B 的纯音频模型，在这台机器上都跑不到实时。 视频扩散模型重几个数量级。

ComfyUI 也救不了——它是编排层，底层算子没有 Metal 实现，就是没有。

这一节是全篇唯一一处，我从头到尾没帮上任何忙。支持矩阵、Triton 有没有 Metal 后端、A100 上 120 帧要 50 秒——这些我自己查，一周也未必查得全，它几十分钟就摆完了，而且每个结论都带着出处。

分工到这儿反过来了：凡是有客观答案的问题，我最该做的就是闭嘴，让它去查。 我唯一的贡献是最后那个决定——知道了 RTF 100+，那就不做了。

八、最后一轮：五个实验，三成两否

撞完墙，我列了五件"可能让她更像人"的事，让它一件件试过去。价值不在成败，在于同样是"试试看"，成本和回报能差两个数量级。

① 情绪进声音 —— 一个做了一半的功能

先读代码，它发现：

情绪算出来了，只驱动表情，没进语音。而 TTS 的语气是切角色时设一次，之后再不变。

所以她说难过的话和开心的话用的是同一个语气——脸上是 sad，声音还是那个平稳的调子。

真人的情绪，首先在声音里。这不是"缺功能"，是功能做了一半没接上。接上花了二十分钟。

② 她每句都在反问

翻日志：

真人不会每句都把问题抛回来。这是模型在服务对话，不是在参与对话。

改法：人格里加一句"不要每句都反问"，外加两条短回复示范。五个普通开场白实测：

ㅤ	改前	改后
我到家了	你今天过得怎么样呀？	嗯。
今天好累	发生什么事了吗？	那就早点休息。

反问率 5/5 → 1/5。 成本：一行字加两个例子。

③ 上下文：是我自己掐的

模型支持 32768，代码里只给了 2048。当初为压延迟设的，可后来实测 prompt 处理只要 0.02-0.05 秒——这个限制从头到尾没换来任何东西。自己给自己戴的镣铐，戴久了就忘了是自己戴的。

④ 音色：本地其实能定制

一直以为只能从 9 个预设里挑，我一个个听过去，没一个像她。翻 API 才发现 Qwen3-TTS 有 VoiceDesign 变体——一句中文描述就能造音色，不要样本、不要微调：

代价是模型从 0.6B 换成 1.7B，但实测首音仍是 2.3 秒，感知没变慢。

这是唯一一次"以为不行、其实可以"。前面否掉 CosyVoice 和 VoxCPM2 之后，笔记里写过一句"本地音色到头了"——那个结论下早了。

顺嘴说一句：那句"成熟女性声音，略带沙哑，语速从容"，是我写的。这大概是整个项目里我唯一亲手写进代码的东西。

⑤ 换更大的模型 —— 直接否

之前测得 gpt-oss:20b 和 qwen2.5:7b 速度几乎一样（53.8 vs 50.8 tok/s），据此推断"参数量不是瓶颈"。实测 27B：

模型	速度	一轮
qwen2.5:7b	53.3 tok/s	1.22s
qwen3.5:27b	6.1 tok/s	26.72s

慢 9 倍，还返回空。 17.4 GB 超出了能高效驻留的范围，开始换页。

从 20B 到 27B 不是线性的，是掉下悬崖。 那个推断只在特定区间成立，往外一推就错。

最便宜的那一下，是一行字

我说：「她有点笨，分不清白天黑夜。」

查了下——提示词里从来没告诉过她现在几点。模型自己没有时钟。

加一行：

凌晨两点说「我还没睡」，之前她会答"早呀"，现在：

成本：一行字。效果：立刻像个懂事的人。

画面上试了四种方法全部失败，最后真正提升体验的，是这一行。而这一行之所以会被加上，只因为凌晨两点我坐在那儿，觉得她那句"早呀"听着别扭。

九、两件差点让我翻车的工程小事

为了测一个模型，把正在用的搞坏了

为了试 VoxCPM2（能克隆音色、支持粤语），一句 uv pip install -U mlx-audio 直接打在主环境上。我在旁边看着，没拦。

这一下把 mlx 从 0.31.1 带到了 0.32。然后每一轮对话都炸：

新版 mlx 要求调用线程自己持有 GPU stream，而我们的 Whisper 跑在 asyncio.to_thread 里。她彻底听不见任何话。

更麻烦的是只回退 mlx-audio 没用，报错变成 Stream(gpu, 2)——问题出在 mlx 本体，得按锁文件恢复整个环境。

而 VoxCPM2 最后还被否了：M4 上实测 RTF 1.02（现有方案 0.22），音色我一听就说不行。

为了一个最终被否决的测试，把正在用的东西搞坏了。 教训不是"别试新东西"，是别在主环境里试。现在 mlx 和 mlx-audio 都锁死了，注释写明了为什么。

这条也是对我说的：agent 装依赖不心疼，因为炸掉的不是它的环境。该拦的时候得拦。

改个名字，逼出三个没声明的依赖

把项目文件夹从"本地运行的AI女友"改名成 lumi，虚拟环境的绝对路径失效，只能重建。

重建完，测试跑不起来了——三个依赖没在 pyproject.toml 里声明：websockets、pillow、openai。

旧环境里它们碰巧存在（被别的包顺带装上的），所以三天里从来没暴露过。任何人 clone 仓库跑 uv sync 都会踩到。

这也是"只有真实环境说了算"的又一个例子：机器上跑得通，不等于仓库里写全了。

改名这件事本身没什么技术含量，但它强制了一次干净安装，顺手验证了"新人能不能跑起来"。

想开源的项目，建议主动做一次：删掉虚拟环境，从零装一遍。

十、现在的样子，和为什么停在这里

ㅤ	ㅤ
说完到她开口	约 2.5 秒
识别	0.45s / 3 秒音频
思考	0.8s
首句合成	~1.2s（RTF 0.24-0.35）
记忆	档案 + 24 条窗口 + 2000 条磁盘
角色	两个，开机随机
联网	零

代码量：Python 8700 行、TypeScript 5400 行、Rust 2100 行，测试 199 + 86 + 32。

画面停在静态立绘 + 音量驱动的嘴。 不炫，但它是真的在动，而且不会让你等 8 分钟。

为什么停

不是做不下去，是投入产出比变了。

语音那条链路已经能用，再往下的每一步——分层立绘、GPT-SoVITS 微调——都是美术工作量或独立环境搭建，不再是写代码能推进的。而真正想要的"数字人视频"，在这台机器上是物理不可能，不是努力不够。

知道边界在哪，比在边界上反复撞更有价值。

如果要继续，只有三条

分层立绘——把眼皮、嘴切成独立图层。这是这台机器上画面的唯一出路，做出来是"能动的立绘"，不是数字人视频

GPT-SoVITS——声音定制 + 粤语，唯一有 M4 实测数据支撑的方案

加硬件——局域网放台带显卡的机器，或者租云 GPU 离线出片

前两条我都留了路，第三条不在这台机器的范围内。

十一、三天下来最想说的

1. 日志比直觉快十倍

那个"空回复"的问题，答案在日志里躺了很久。我们在猜、在做基准、在下 9GB 模型的时候，ASSISTANT: (empty) 就明明白白写在那儿。

后来我发现连日志本身都是被丢掉的——守护进程被窗口启动时，stdout 和 stderr 都设成了 null。从 app 启动，所有诊断信息都进了黑洞，只有从终端启动才看得见。

修好日志，问题当天就定位了。

2. 测量要测对东西

tokens/秒不等于有用输出。RTF 1.5 在 GPU 上和在 Apple Silicon 上是两个世界。宣传数字，先看测试条件。

3. 有些判断只有人能做——这是我在这个项目里的全部价值

eric 是不是男声、5 秒能不能忍、"很诡异"到底诡异在哪、凌晨两点该不该说"早呀"——这些它给不出答案。

它能测速度、能读元数据、能跑测试、能一小时读完三个项目的支持矩阵，做这些比我快得多。但它没有耳朵，也没有眼睛：听不见音色，看不见屏幕上那张脸动没动。

所以这三天真正的分工是：它负责所有能被验证的事，我负责所有只能被感觉的事。

问题在于，我一次次把"能被感觉的事"也当成能被验证的事，等着测试全绿来告诉我。测试当然全绿——它只覆盖它自己那半截。

这类判断，越早给出去越省钱。它猜完再返工，比我当场听一句贵十倍。

4. 做不出来就删掉

口型删了，眨眼删了，点头视线删了，方言删了，legacy 语音链路 750 行也删了。

留下的是真能用的：听得见、想得动、说得出、关得掉、不会自言自语。

一个删掉的功能不丢人，一个装了三次都不工作的功能才丢人。

5. 操作成功 ≠ 结果正确

这是这三天最贵的一课，前面讲了三遍，不重复了。只留一句给以后的自己：

"它那半截通了"和"我这头看得见"，是两回事。

以后凡是它说"修好了"，我只回一句：我怎么看出来？答不上来，就不算修好。

6. 知道边界，比撞边界有用

这三天最值钱的产出不是代码，是一张"什么能做、什么不能做"的地图：

视频数字人在任何消费级硬件上都不是实时技术 ← 省掉一周

整图贴片架构做不出眨眼和点头 ← 省掉反复调参

48GB 内存解决不了算力问题 ← 省掉一次选型错误

7. 66 : 34

修 bug 是加功能的两倍。而且这还是个三天的新项目，没有历史包袱。

我原本以为这个比例说明活干得不好。后来想明白了：语音、音频、进程生命周期这类东西，本来就是靠一个个真实故障逼出来的。每个 fix 的提交信息里都写清楚了"坏掉的时候是什么样"——那些才是这个项目真正的资产。

而那 75 次"坏掉的时候是什么样"，几乎每一条的起点，都是我坐在电脑前说的一句很土的话：不对、很怪、听着别扭、还是那样。

代码它写得比我快。可这句"还是那样"，得我来说。

附：汇总七条

日志比直觉快十倍——答案常常已经躺在那儿了，只是没人去看

tokens/秒不等于有用输出——跑基准前先确认被测的东西真的产出了东西

能被验证的事交给 agent，只能被感觉的事必须自己来——它没有耳朵，也没有眼睛

技术上可行 ≠ 产品上可用——动手前先问"慢多少你能接受"

它说"修好了"，我只回一句：我怎么看出来？——答不上来就不算修好

调三轮参数都没效果，就该去看结构——改动幅度和效果不成比例，是结构问题的信号

知道边界比撞边界有用——三天最值钱的产出不是代码，是一张"什么能做什么不能做"的地图

最后、以上由claude code 编写本人审阅读，有任何问题可以评论区找我，我是想风。一个关注AI和出海的游民，欢迎关注我 @xaiwind 一起探讨！

把 NanoBot 跑起来了：本地聊 Discord，代理走远程，Grok 4.5 能聊天能生图。踩了几个坑，记一下。

AI 信息技术革命

Last update: 2026-08-01

🎉跨境电商技术支持团队🎉

--感谢您的认可与信赖--

Shopify官网注册-获取本人免费使用支持

👏有需要欢迎资讯👏学习、交流亦可