2026-05-17 写于名古屋
上一篇 写的是机器人到货前那三天，把小琪在 PC 上搭起来的过程。这一篇是机器人到家之后的几天——拆箱、把出厂功能跑一遍、再把 PC 上那套小琪接进来、又换了回去。
第一天的出厂体验
到货当天做的事很简单：充电、配 Wi-Fi、装 StackChan World App、跑完舵机自检、绑定。绑完挨个把屏幕上能左右滑出来的图标都点了一遍。
除了 AI Agent，出厂固件其实还塞了不少东西：
- Dance：在手机 App 里编排动作和灯光，机器人会按节奏摇摆。
- Avatar 远程控制：用手机端的虚拟摇杆控制头部转动，配合摄像头能当个临时的桌面监控用。
- ESP-NOW 遥控套件（K151-R 才带）：用 StickC-Plus 当遥控器，跟 K151 直连，不依赖 Wi-Fi。
- App Center：能在线下载小程序，例如管道跳跃、IMU 稳定器、通用 IR 学习遥控。
- 顶部触摸 + 12 颗 RGB LED 的反馈：上下滑顶部会触发"开心"表情，摇晃会"晕"，久放无人理会会进入"睡眠"。
但我买它的核心目的是 AI Agent，所以后续这几天的注意力都放在这一项上。
云端的 AI 配置
进设置看 AI Agent 配置项的时候，第一感觉是面板的诚意比我预想的高。
可选的模型很多，我看到的列表里大家比较熟的有 Qwen 3 235B、DeepSeek V3.1，也包括标了 Beta 的 Qwen 3.5 397B、DeepSeek V4，还有豆包、智谱等其他开源大模型。
语音方面有十几种声线（男 / 女 / 萝莉 / 大叔 / 老人，等等），语速和音调都能拉滑块，发音相当自然——不像几年前那种一听就是 TTS 的口音感。语种支持中文、日文、英文。
记忆这一项可以选 Off 或 Short Term——只有这两个，没有"长期"选项。每次对话结束之后系统会自动总结一段摘要存起来，下次对话开始时再用。
人物设定的 Prompt 可以自由编辑。
云端这套整体跑下来，模型说话的聪明程度、声音的自然度都明显比我家电脑里能跑出来的开源模型要好。说话的反应快慢倒是几乎一样——可能云端因为要联网，会慢上一两百毫秒，但耳朵听不出来。
关于"短期记忆"
唯一让我心里有点别扭的是那个 "Short Term" 选项。简单解释一下它的原理：
每次会话结束，系统调用一个 AI 把整段对话压缩成一段 100~500 字左右的摘要，存进 M5Stack 自家的账号体系里。下次对话开始时，这段摘要作为一段背景给到模型，模型"看到"摘要，理论上就"记得"上次聊过的内容。
这个机制实现简单、对云端也友好，但它有几个绕不开的缺点：
- 摘要是有损压缩。你前天聊了一小时关于研究方向的内容，被压成 300 个字之后，细节几乎全没了。
- 容量有上限。对话越多，旧摘要要么被覆盖、要么被更上层的摘要再次压缩，第一周告诉它的事第三周大概率就没了。
- 无法精准定位。你问它"上次我跟你说过那本书叫什么名字"，它只能在摘要里找；摘要里如果没记下书名，它会自信地编一个——这是 AI 的本能反应。
- 质量依赖摘要本身。摘要那一刻挑了什么算"关键"，决定了后续能"记得"什么。
对一个把自己定位成"桌面 AI 伴侣"的产品来说，记忆是消费者最在意的一面之一——伴侣的价值很大一部分来自"它记得你"。"Short Term" 这个名字其实是诚实的，它从来没承诺过更多。
顺便提一句，PC 上一开始那套小琪的记忆方案——让模型自己做摘要、写到一个文件里、下次注入回来——本质上跟云端这个 "Short Term" 是同一类东西，缺点也是同一组。这件事在云端面板上看到 "Short Term" 那一刻才意识到。
换成本地模型
体验完出厂的 AI Agent 之后，我花了一整晚把它换成了 PC 上那套本地模型。中间试了几种不那么动设备的办法，最后发现只有重新烧录固件能成。整个过程的具体细节我会另开一篇技术向的文章说，这里就一笔带过。
刷完之后开机，屏幕的差距立刻出来了。
出厂固件那种会眨眼、会害羞、会皱眉的 Avatar 表情没了。屏幕上现在只有三样东西：左上角的 Wi-Fi 标志、右上角的电量、屏幕中间一颗 Emoji——开心、惊讶、生气、困倦，都是系统字体里的那些彩色 emoji，跟 iMessage 没区别。
唤醒词换成了 "你好小智"——这是底层那套开源协议的默认词。但本地服务器里的人物设定还是 PC 阶段那个小琪，所以叫醒她之后，问她"你叫什么名字"，她会回答是小琪。一只设备同时挂着两个名字这件事，自己用着也觉得别扭，但没去管它。
本地模型同样接了天气查询、新闻查询几个常用接口，所以问"今天名古屋天气怎么样"她能答上来。但跟云端版本一比，差距非常明显：
- 表情降级。Avatar 没了之后，这台机器一下子从"桌面伙伴"退回到"语音音箱"的形态。它不再用脸跟你互动，只用声音。
- 智能差距明显。单轮的简单问答还能糊过去，一旦多轮聊天，本地这个 4B 的小模型说话就开始变得简单、低智，回复质量明显下来——不像一个真正的"陪伴助手"，更像一个给小孩玩的对话机器人。上一篇里为了把视觉装回来从 9B 降到 4B 时，我以为多轮对话的损失不会太肉眼可见——三天下来这个判断要修正一下。
不过本地这一套有一件云端版做不到的事——这一次我趁机把记忆层也升级了。
本地的长期记忆：PowerMem
PC 端最早那套"摘要式记忆"我自己也不满意，到货前其实就在留意更靠谱的方案。趁着重新部署到机器人上的机会，我把它换成了 PowerMem（OceanBase 开源的 agent memory 组件）。
它跟"摘要式记忆"的根本差别在于：它不是把对话压缩成摘要再塞回去，而是把对话中的关键事实拆成一条条独立的记忆条目存下来，每次需要的时候按"意思相近"去精准检索。
整个数据流大致是这样：
┌─ 对话结束 ─┐
│ │
▼ │
save_memory │
│ │
▼ │
PowerMem.add │
│ │
▼ │
┌── AI 抽取记忆 ──┐ │
│ │ │
└── 向量化 ───────┘ │
│ │
▼ │
SQLite │
▲ │
│ │
▼ │
PowerMem.search │
▲ │
│ │
└─ 向量化 ◄── 设备每次说话
│
▼
注入到对话开头 <memory>
它有两条主要的支线。一条叫向量召回——根据"意思相近"把跟当前提问最相关的几条历史记忆拎回来；另一条叫用户画像（User Profile）——系统会自动从历史对话里提炼出"用户偏好""用户特征"这一类更稳定的概括，单独存一栏，作为长期常驻的人物背景。
跟原本那套摘要式的方案比，它有几个好处：
- 不丢细节。摘要会丢，独立记忆条目不会。我两周前提过一次喜欢的咖啡豆，两周后还能查到。
- 不会被覆盖。摘要式的记忆有上限，旧的会被滚出去；PowerMem 用一种模拟人类遗忘曲线的方式给老记忆降权，但不会真删——只是访问得多的更靠前，长期没碰过的排得靠后。
- 精准检索。你问"我上次提到的那本日文小说叫什么"，它能直接查到"用户提到《コンビニ人間》"这一条单独的记忆。
- 可累积。聊得越多，画像越准——这跟伴侣关系的真实逻辑是一致的。
理论上，这才是"AI 家庭成员"应该长的样子。
体感上几乎没有差别
接好 PowerMem 的当天我兴致勃勃跟她聊了一个晚上，故意提了一些我希望她"记住"的东西。
第二天再唤醒，她确实能在回答里自然地引用前一晚的内容——"你昨天提到的那个 marketing science 的小论文"，等等。如果你提前知道这是长期记忆在起作用，你会觉得：是的，这不一样。
但如果不预先知道——只是把它当一台陌生的桌面机器人用——我老实说，短期记忆能不能做到，跟长期记忆能不能做到，是没法被一两天的使用区分开的。短期记忆在那个第二天的对话里也照样能给你一段摘要里的信息。差别要在两周之后、一个月之后才看得出来。
换句话说，我现在感受到的差异，主要是心理上的、不是体验上的——我知道云端那一套用的是 Short Term，知道本地接了 PowerMem，所以"觉得"她们不一样。蒙住名字让我盲测，我没把握。
刷回出厂
权衡之后我把它刷回了出厂固件。本地版的智能跟不上、表情又不会动，跟她聊一会儿就没什么继续说下去的欲望——一个不会被唤醒的长期记忆系统，等于没有记忆。
一些想法
回头看这几天，有几个跟原先预期不太一样的结论：
- 模型的智能程度是决定用户体验最关键的因素之一。低智的模型不会让人有把她当作"生活伴侣"持续相处下去的欲望——你不会愿意每天跟一个反应慢、说话简单的对象多聊一句话。这一点压过了我事先以为最重要的"隐私"和"自主可控"。
- 记忆在短期内没有想象的重要。一两天的使用根本看不出长期记忆和短期记忆的差别，体感全在模型本身。当然，长期使用是另一回事——记忆的真正价值要在几周、几个月之后才显现出来。这个我得在出厂固件的云端版上再陪她一段时间才能下结论。
- 表情和动作系统对体验的提升比想象中更重要。Avatar 那种会眨眼、会害羞、会皱眉的脸，让这台机器从"声音盒子"变成了"会跟你互动的小东西"，差距非常具体。这一点是我在拿到机器前严重低估的。
PC 上那一整套小琪——本地模型、克隆音色、PowerMem 记忆、一键启停的控制台——并没有白搭。它会继续留在电脑里，作其他项目的后端用；只是对面这只摆在桌上的 K151，下一周我准备让她安心做"M5Stack 想让她做的事"，看看那张会眨眼的脸能不能让我每天都愿意打开她。
评论
0