8 美元芯片上的 AI 智能体：awesome-esp32 清单里，藏着 Agent 的物理身体

8 美元芯片上的 AI 智能体：awesome-esp32 清单里，藏着 Agent 的物理身体

先收藏，回头一定用得上。

过去两年我们写了七十多篇文章，绝大多数讲的是 Agent 的"大脑"——harness、MCP、评测、上下文工程、推理模型。但 Agent 不只是屏幕里的一段循环。当它需要听你说话、看你一眼、在你手腕上震一下、替你按一下物理按钮时，它需要一个身体。

而这个身体，正在一块 8 美元的芯片上批量长出来。

s0lness/awesome-esp32 是一个 8 月 19 日才创建的清单仓库，半个月 346 stars，CC0 协议，纯 Markdown，没有一行代码。它收录"值得造、值得抄、值得看着跑"的 ESP32 项目。ESP32 是乐鑫（Espressif）出的微控制器系列，Waveshare、LilyGO、M5Stack 这些厂商把它做成各种带屏幕、麦克风、摄像头的成品板子，Ulanzi 像素钟这类量产产品里装的也是它。

但真正让这个清单值得写的，不是那些 60 帧的掌机游戏和流体粒子特效，而是其中一批 AI Agent 项目：它们把大模型装进了可以握在手里的设备。更有意思的是——这个清单本身就是用 AI Agent 维护的。

本文提纲

  1. 一份"用 Agent 编目 Agent"的清单
  2. AI 同伴：Agent 的第一批物理身体
  3. 腕上审批器：人在环的实体化
  4. 芯片太小，智能在哪？——三种端云分工
  5. 十年量产固件提炼的工程军规
  6. 给 Agent 开发者的启示

一份"用 Agent 编目 Agent"的清单

先说最 meta 的一层。打开仓库你会看到一个 AGENTS.md——这不是给人看的说明，是给 AI 编码助手看的项目宪法。它把收录规则、分类逻辑、命名约定全部写死，甚至还有一个全局 skill 叫 /awesome-esp32-add，作者把一个链接贴进会话，Agent 就自动完成解析、验证链接可访问（git ls-remote）、写一句话描述、分类、追加 demo 链接、提交到 main 这一整套流程。

收录门槛有三条，全部硬性要求：公开可构建的源码、在真实硬件上跑过的证据、陌生人可复现。Star 数明确不作为标准。这条"硬件证据"规则细到什么程度：一个项目支持好几块板子，必须说清演示视频是在哪块板子上拍的——因为"支持"和"演示过"是两个不同的承诺。

清单的检索设计也很聪明：它不用标签，用设备名做索引。每个条目结尾用反引号标注它跑在哪个设备上，拼写严格对齐 devices.md，你 Ctrl-F 自己手上那块板子的名字，就能找到所有能刷的项目。仓库里专门记录了一条决策：标签（battery、s3-amoled 这类）在 9 月 1 日被全部废除，因为标签要么说不出可定义的含义，要么只是重复设备名。"拼写本身就是索引"——一个偷懒的别名就会悄悄让检索失效。

一个纯 Markdown、无 CI、无脚本的清单，靠一份给 Agent 读的宪法维持质量。这和我们写过的 Apache Maka、DeepSeek Harness 的思路是同构的：把约定写成机器可执行的规则，而不是写成人脑要记住的文档。

AI 同伴：Agent 的第一批物理身体

清单里最值得 Agent 开发者关注的，是 Companions（同伴） 这一类。挑四个拆解。

xiaozhi-esp32（小智）——这是整个清单里生态最大的一个，定位是"基于 MCP 的 AI 聊天机器人固件，驱动了一整个会说话的桌面伴侣生态，支持几十块开发板"。注意关键词：MCP-based。也就是说，我们反复讲的 Model Context Protocol，不只是云端 Agent 连工具的方式，它已经下沉成了一块芯片上固件的工具接入层。小智用一个纯虚的 Board 基类支撑 70 多块板子，几乎每个能力获取函数都有空默认实现——加一块新板子只需实现 8 个方法，而不是 30 个。它还把固件和资产分区：字体、音效、语音模型放在可单独下载的 assets 分区，更新内容不用重刷固件。

chat-stick——一个"按住说话"的语音棒，直连 Gemini Live，带持久化计时器、服务端工具和 OTA 更新，跑在 M5StickS3 或 Waveshare AMOLED 1.8 上。它是个工程细节的富矿：回声消除（AEC）被明确定义为"S3 及以上带 PSRAM 才有的芯片级特性，小芯片就用半双工按键通话，这是正当架构不是妥协"；NTP 同步前不信任系统时间（拒绝在 epoch 小于 2024 年时创建计时器）；密钥绝不编进固件（strings 一下 bin 就能恢复 WiFi 密码），API key 全部放在中继服务端，设备最多持有一个 device token。

ESP32 Codex Agent Device——一个物理的 Codex 任务状态伴侣，跑在 Waveshare AMOLED 1.8 上，实时展示 Codex 任务的生命周期、运行时长和 token 消耗指标，配一个程序化生成的虚拟形象。这正是我们写过的 TrueForge benchmark、HarnessEval-W 关心的"成本可观测性"，从网页仪表盘变成了桌面上一个一直在你余光里的小屏幕。

Vibe Watch——这个最能说明趋势。它是一个戴在手腕上的 M5Stack 控制器，用来并行管理多个 AI 编码 Agent：物理的批准/拒绝按键、触觉反馈、BLE HID。当你同时跑着几个编码 Agent，每个都在等你审批下一步操作时，你不需要盯着屏幕点按钮——手腕一震，按一下物理键就放行或否决。

腕上审批器：人在环的实体化

Vibe Watch 值得单独停一下。

我们在 TrueForge 和 Claude Tag 里讲过 human-in-the-loop：Agent 做写操作或破坏性操作前要暂停，等人批准。在软件里，这是一个弹窗、一张 Generative UI 卡片。但当 Agent 真正融入工作流，人是会离开屏幕的——你在接水、在开会、在另一台机器前调试。

Vibe Watch 把这个"批准检查点"从屏幕里解放出来，变成一个触觉+物理按键的通道。它本质上是 Agent 审批循环的一个外围神经末梢：Agent 的决策请求通过 BLE 推送到手腕，人的决策通过物理按键回流。这和软件里的 approval 是同一个协议，只是 I/O 介质从 GUI 换成了身体能感知的震动和触感。

这预示了一个方向：Agent 的人在环不会只发生在聊天窗口里。 未来的审批通道会是分布式的——手腕、桌面小屏、语音、甚至环境光。哪条通道延迟最低、打断成本最小，决策就走哪条。硬件让"离开聊天窗口后继续工作的 ambient intelligence"（我们在 Cisco MyAgent 那篇里讲的概念）第一次有了真正的物理触点。

芯片太小，智能在哪？——三种端云分工

ESP32-S3 的算力大概是几百 MIPS 级别，内存以百 KB 计，跟跑大模型差了好几个数量级。那这些"AI 设备"的智能到底放在哪？清单把三种分工模式都演示了一遍：

模式一：纯云，设备是五官和手脚。 chat-stick 直连 Gemini Live、xiaozhi 连云端大模型——芯片只负责麦克风采集、扬声器播放、屏幕渲染和网络传输，所有"思考"在云端。这是目前最成熟的形态，靠的是实时音频协议（WebRTC/WebSocket）和 Opus 压缩。清单里甚至收录了 OpenAI 官方的 openai-realtime-embedded SDK，专门给 ESP32-S3 通过 WebRTC 连 Realtime API 用。

模式二：端侧小模型，多芯片组网。 X 上有篇被清单引用的教程叫"Your $8 Gateway to Local AI"，演示把小模型拆分到多个 ESP32-S3 节点上，I2S 麦克风采集，通过 BLE 协调执行。这是边缘 LLM 的极端玩法——单芯片放不下，就用"物联"换算力。

模式三：端侧视觉推理。 另一篇教程"Give your ESP32 eyes"讲摄像头板在设备本地跑视觉，把检测结果转成动作，关键工程点是防抖和置信度阈值——不能检测到一次就误触发。MicroLink 爬虫小车则是多设备协同：一个 M5Stamp 驱动电机、一个带摄像头的 AtomS3R 做实时图传和红色物体检测、一个摇杆模块遥控、一个 Core2 当显示器。

三种模式对应一个清晰的判断：边缘设备的价值不在于塞进多大的模型，而在于成为 Agent 可靠的传感器和执行器。 智能可以在云，但"在正确的时刻感知、在正确的时刻动作"这件事，必须在物理世界本地完成。这也是为什么前面所有的工程军规都围绕可靠性展开——一个会死机、会漏唤醒、会烧穿电池的身体，再聪明的大脑也驱动不了。

十年量产固件提炼的工程军规

清单里最有长期价值的，是 guides/esp32-practices.md——它从 Tasmota、WLED、ESPHome、Meshtastic 这些"身经百战"的量产固件（合起来有十年生产环境疤痕）里提炼出跨项目经验，每条都标注出处。这本手册对做云端 Agent 的人同样有启发，因为长期运行、无人值守、必须自愈的 Agent 系统，面对的是同一类问题。

挑几条最锋利的：

假设一定会崩溃，然后设计复活阶梯。 WLED 在 RTC 内存里计数连续崩溃次数，每检测到一级就升级一步：恢复配置备份 → 重置配置 → 回滚 OTA 分区 → 把文件系统 dump 到串口。Tasmota 更狠，连续 7 次快速上电就擦除设置，还留了一个把 Rx 接 Tx 的物理紧急复位。给用户一个硬件逃生通道。 这和 Agent 的 checkpoint/回滚、guardrail 兜底是同一个哲学。

记录你为什么死。 一个崩溃回调把栈地址存进 RTC 内存（Tasmota）、一个黑匣子日志环（pixelcat）——因为"串口恰好在你最需要它的时候是死的"。对 Agent 来说就是：trace 和 crash 日志必须落盘到独立于主进程的地方，主进程挂了证据还在。

每个外设失败都必须是非致命的，配一行后果日志。 pixelcat 的原话是"no touch: the cat cannot be petted"（触摸屏没了：这只猫没法被撸了），但设备永远照常启动。Agent 的工具调用失败也应如此：一个 MCP server 挂了，降级记录，整个循环不能停。

密钥绝不进二进制。 strings 一个固件 bin 就能恢复 WiFi 密码和服务端地址。API key 全部放中继服务端，设备最多持设备令牌；量产硬件用 eFuse 序列号加 HMAC 外设，让密钥永不离开芯片。这和我们在 TrueForge 里看到的"secrets 留在 harness 侧、不进沙箱"是完全相同的安全边界设计。

重连用阶梯，不用死循环。 TRMNL 把重连间隔做成持久化对象（API 重试 15/30/60 秒，WiFi 60/180/300 秒）；Tasmota 每 44 分钟重扫一次，只在信号好 10 dB 时才漫游——这个迟滞（hysteresis）正是防止 mesh 网络反复横跳的关键。Agent 的网络重试、模型限流退避，照搬这套。

别在忙循环里 yield() 就以为喂了看门狗。 ESP32 上 yield() 根本不跑 IDLE 任务，真正要 delay(1)；看门狗 panic 是晚期症状，更早的表现是被删除任务的内存泄漏和定时器静默停摆。这种"表面正常、底层已坏"的陷阱，写过长驻服务的人都懂。

手册结尾还附了一份" condensed do-not list"（ condensed 戒律清单），16 条，从"别直接比较 millis()（49.7 天溢出翻转）"到"别在 USB 供电时 light-sleep（会掉枚举、板子看起来变砖）"，全是真金白银换来的。

给 Agent 开发者的启示

回到我们一直跟踪的 Agent 技术树，这份硬件清单补上了一个被忽视的分支。

我们谈 MCP，多半想的是云端连数据库、连搜索。但 xiaozhi 已经把 MCP 做成了芯片固件的工具层；我们谈人在环审批，想的是聊天框里的卡片，但 Vibe Watch 已经把它做成了手腕上的物理按键；我们谈可观测性和 token 成本，想的是网页仪表盘，但 Codex Agent Device 已经把它做成桌面上常驻的小屏幕。

Agent 的演化正在从"纯软件循环"走向"有身体的智能体"。而这个身体的工程学——可靠性、自愈、省电、密钥隔离、外设降级——恰恰是云端 Agent 工程同样需要、却常常被"重启一下就好"掩盖掉的硬功夫。ESP32 这批项目用 8 美元的成本约束，把这些问题逼到了极致，反而给出了最干净的答案。

如果你想动手，清单的入门路径很清楚：先用 Wokwi 在浏览器里模拟（不用买硬件），或者从 chat-stick、InkSight 这种支持浏览器刷写（ESP Web Tools over WebSerial）的项目开始，一块 Waveshare S3 AMOLED 板就是你的第一个 Agent 身体。

参考链接

你会给 Agent 造一个什么样的身体？手腕上的审批器，桌面上的状态屏，还是会动的小车？评论区聊聊。觉得有用点个赞，让更多做硬件和做 Agent 的人看到这份清单。

作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。

posted @ 2026-09-05 00:37  iTech  阅读(9)  评论(0)    收藏  举报