AI 伴侣的概念正从简单的聊天机器人向具备多模态感知与行动能力的 "数字生命" 演进。传统方案如 Character.ai 或 SillyTavern 主要聚焦于文本对话与角色扮演，而虚拟主播 Neuro-sama 展示了更丰富的可能性 —— 实时语音交互、游戏游玩、与观众动态互动。然而这类系统通常闭源且依赖云端服务，用户无法在离线后继续使用。
AIRI 项目提供了一种自托管的替代方案，让用户能够完全拥有并运行自己的 AI 伴侣。该项目不仅支持实时语音聊天，还实现了与 Minecraft、Factorio 等游戏环境的深度集成，同时覆盖 Web、桌面（macOS/Windows）和移动端多平台。本文将解析其技术架构的核心设计，为构建类似系统提供可落地的参考。
混合技术栈：Web 标准与原生加速的平衡
AIRI 的架构选择体现了对跨平台兼容性与性能之间张力的深思熟虑。项目从第一天起就基于 Web 技术构建，充分利用 WebGPU 进行 GPU 加速计算、WebAudio 处理音频流、Web Workers 实现并行处理、WebAssembly 运行高性能模块，以及 WebSocket 维持实时连接。
这种全 Web 技术栈的选择带来了显著优势：代码可在现代浏览器中直接运行，无需安装即可体验核心功能；PWA（渐进式 Web 应用）模式让移动端部署变得轻量；统一的代码库降低了多平台维护成本。
然而纯 Web 方案在计算密集型任务上存在瓶颈。为此，桌面版本（基于 Electron）引入了原生加速能力：通过 HuggingFace Candle 框架，桌面端默认支持 NVIDIA CUDA 和 Apple Metal 后端，无需复杂的依赖管理即可在本地运行 LLM 推理。图形渲染、布局动画等仍由 Web 技术处理，而计算密集型任务则下沉到原生层，形成 "Web 外壳 + 原生核心" 的混合架构。
实时语音交互：端到端流水线设计
实时语音是 AI 伴侣 "活" 起来的关键。AIRI 实现了一套完整的语音交互流水线，涵盖语音活动检测（VAD）、语音识别（STT）、大语言模型推理和语音合成（TTS）四个环节。
在输入侧，系统支持浏览器音频输入和 Discord 语音频道接入，客户端集成说话检测（Talking Detection）和语音识别能力。项目采用 unspeech 作为通用端点代理，为 /audio/transcriptions 和 /audio/speech 提供统一接口，类似于 LiteLLM 但专注于语音模型。这种设计允许用户灵活切换不同的 ASR（自动语音识别）和 TTS 提供商，而不需要修改核心代码。
输出侧目前主要集成 ElevenLabs 的语音合成服务。值得注意的是，整个语音流水线可以在浏览器内完成：借助 Transformers.js 和 WebGPU，系统支持纯浏览器端的本地推理，这意味着用户可以在不依赖外部 API 的情况下实现离线语音交互。
对于开发者而言，构建类似系统时需要关注的关键参数包括：VAD 的触发阈值（影响响应灵敏度）、STT 的流式分块大小（影响延迟与准确率的平衡）、TTS 的预加载策略（减少首包延迟）。
游戏环境集成：从观察者到参与者
与游戏环境的集成是 AIRI 区别于一般聊天机器人的核心能力。项目实现了多个游戏代理，让 AI 伴侣能够真正 "玩" 游戏而非仅进行文本描述。
Minecraft 集成 基于 Mineflayer 框架，这是一个成熟的 Node.js Minecraft 客户端库。AIRI 通过 Mineflayer 与 Minecraft 服务器建立连接，使 AI 能够感知游戏世界状态（玩家位置、背包物品、周围环境），并执行移动、放置方块、与实体交互等操作。这种集成让 AI 可以作为虚拟玩家加入多人服务器，与人类玩家协作或竞争。
Factorio 集成 则采用了不同的技术路径。由于 Factorio 是闭源商业游戏，项目通过 RCON（远程控制台）协议与 Factorio 服务器通信。团队开发了专门的 factorio-rcon-api 作为 RESTful API 包装器，以及 autorio 自动化库，使 AI 能够读取游戏状态并发送控制指令。这种方案虽然不如 Minecraft 集成那样灵活，但证明了即使是闭源游戏，通过合适的代理层也能实现 AI 控制。
对于希望扩展游戏集成的开发者，关键的技术要点包括：游戏是否提供可编程接口（API、RCON、内存读取等）、状态观测的粒度（像素级 vs 结构化数据）、动作执行的延迟要求（实时动作游戏 vs 回合制策略游戏）。AIRI 目前的实现更适合状态可观测、动作可编程的游戏类型。
记忆系统与长期状态管理
一个 "有生命感" 的 AI 伴侣需要记住与用户的互动历史。AIRI 在记忆系统上采用了分层设计：短期对话上下文由 LLM 的上下文窗口直接承载；长期记忆则通过嵌入式数据库实现。
项目支持纯浏览器内的数据库方案，包括 DuckDB WASM 和 pglite（PostgreSQL 的 WASM 版本）。这种设计让数据完全保留在用户本地，符合自托管的隐私理念。正在开发的 Memory Alaya 模块将进一步提供语义检索和记忆整理能力，类似于为 AI 伴侣构建 "长期记忆宫殿"。
对于生产部署，项目也提供了 @proj-airi/memory-pgvector 驱动，支持使用 PostgreSQL + pgvector 作为后端向量数据库，适合需要处理大规模记忆数据的场景。
多平台部署与自托管实践
AIRI 提供了三种主要的运行形态：Stage Web（浏览器版本）、Stage Tamagotchi（桌面版本）和 Stage Pocket（移动版本）。
桌面版本支持 Windows（x64）、macOS（ARM64）和 Linux，可通过安装包或 Scoop 包管理器安装。对于 NixOS 用户，项目提供了 Flake 定义，解决了 Electron 依赖库路径问题。
在模型支持方面，AIRI 通过 xsAI 框架兼容 30 余种 LLM 提供商，包括 OpenAI、Anthropic Claude、DeepSeek、Google Gemini、本地 Ollama/vLLM 等。用户可以根据延迟、成本和隐私需求灵活选择后端。
自托管部署时需要考虑的资源配置包括：语音推理建议具备 GPU 加速（WebGPU 或 CUDA/Metal）；游戏代理需要额外的网络端口配置用于与游戏服务器通信；桌面版本约需 200MB 磁盘空间，浏览器版本则取决于缓存策略。
局限与展望
作为早期阶段项目，AIRI 的部分功能仍处于开发中。Factorio 和 Helldivers 2 的集成标记为 WIP，Memory Alaya 记忆系统尚未完成。游戏代理的实现高度依赖特定游戏的可编程接口，对于没有官方 API 的游戏，集成难度会显著增加。
尽管如此，AIRI 展示了自托管 AI 伴侣的技术可行性：通过 Web 标准实现跨平台覆盖，通过模块化设计支持灵活的后端切换，通过游戏代理扩展 AI 的行动空间。对于希望拥有完全可控 AI 伴侣的开发者和技术爱好者，这是一个值得关注的开源方案。
资料来源
- AIRI GitHub 仓库：项目主页与架构文档
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。