从 AI 眼镜到智能体工作流：一场硬件与应用的深度拆解

AI 眼镜正在成为大厂与创业公司争夺的焦点，但它的核心能力、落地场景以及开发者生态究竟如何？在 WaytoAGI 社区「晚八点共学」直播中，AI 产品经理银海带来了 AI 眼镜的深度拆解，并现场用 Vibe Coding 复刻了 Rocket 眼镜的全息交互界面，打通了从语音输入到智能体回复的完整链路。本文适合对 AI 硬件、Agent 开发以及 Vibe Coding 感兴趣的开发者与产品经理阅读。

AI 眼镜市场：从通话配件到全息终端

▶ 7:34 · 看这一节

银海开场便点明，AI 眼镜已成为「兵家必争之地」。他提到，影视飓风创始人代言的 Rocket 眼镜在 CES 上亮相，主打带显示的 AI 眼镜；夸克眼镜、智能戒指、无弦吉他等 AI 硬件也层出不穷。早期华为推出过带接听电话功能的眼镜，主要做蓝牙通话与 AI 对话；如今 Rocket、雷鸟等品牌则在显示与功能上不断迭代，雷鸟在一段时间内出货量很高。深圳外贸市场还出现了专门做多语言翻译的眼镜，在义乌小商品市场大量出口，银海提到「亲爱的翻译官」这类产品「不是直接从科技圈出去的，而是直接在外贸圈里出来的」。

银海重点拆解了 Rocket 眼镜的核心能力：听与看。听的能力通过镜腿上的扬声器实现，可用于放歌、播报、对话；看的能力依靠摄像头，能录像、拍照、捕获视觉画面，并可唤起名为「乐奇」的 AI 助手进行交互。眼镜端有一块光栅屏幕，新出货的产品已解决漏光问题。通过录屏可以看到绿色的全息触控 AR 显示，能显示当地时间、温度、电量等信息，还可进行语音转写和对话。

应用场景方面，银海列举了 AI 识物、AI 拍照答疑、多语言翻译、快速回复、实时导航、灵感记录等。例如会议内容记录、骑行导航、外贸翻译，还能与支付宝、中国银联合作实现声纹支付。不过他也指出了实际体验中的问题：录像时能耗较高、生命周期短；AR 屏幕需额外配近视镜片，形成双层镜片，对透光率有影响；眼镜听音乐时扬声器声音容易被旁人听见。

眼镜端的智能体生态与三方平台接入

▶ 36:21 · 看这一节

Rocket 眼镜内置了智能体商店，包含 12306 订票、热量识别、查价格、单词收集等通用型智能体。银海现场演示了自己搭建的「食物卡路里识别」智能体——通过摄像头识别眼前物体的卡路里含量。他特别提到，开发者可以构建个性化智能体，甚至可以将眼镜捕获的信息传给 OpenClaw 这类 AI 员工去自动执行，「相当于你这副眼镜就是一个捕获 AI 时代实时信息的能力，所有的处理能力你都可以丢给 OpenClaw」。

在开发者端，Rocket 提供了名为「灵珠平台」的构建平台，界面类似扣子（COZE），但银海认为其插件生态和模型相对有限，「构建的供给这一块还是相对会弱一些」。因此他推荐通过三方平台接入：阿里云百炼设有 AI 硬件方案专区，提供食物卡路里识别、AI 健身教练、合同审查等垂直智能体模板，可一键复制应用并绑定到 Rocket 眼镜上；COZE 同样支持快速接入，但需要注意其个人访问 API key 30 天会过期，需动态更换。

接入流程并不复杂：在三方平台复制应用后，获取 API key 和应用 ID，填入灵珠平台的对应位置即可。银海强调，这种模式极大降低了开发成本，「你就不需要去自己一步一步搭了，直接点击复制这个应用，它就可以去用了」。

用 Vibe Coding 复刻全息交互界面

▶ 54:19 · 看这一节

为了让没有眼镜的观众也能体验开发过程，银海现场用 AI IDE 复刻了 Rocket 眼镜的交互界面。他使用的工具是「code」（即 Cursor 的拼音说法），新用户可直接免费使用。他首先从 Pinterest 或花瓣网搜集 HUD 风格的 AR 交互设计图作为参考，然后创建了一个名为 AI glasses 的项目，将参考图放入项目后，用语音输入法向 AI IDE 下达指令：

「参考我提供的 Images 里面的所有的交互屏信息，然后我现在想构建一款关于眼镜终端的一个交互体验，你需要模拟在手机横屏的方式上显示，然后我的整个 GUI 的显示，它其实是一种这种绿色的极客风格，然后左下角是时间和天气，然后右下角是电量，然后中间它其实是主要去显示我的所有的输入的文本，还有包括我唤起 AI 助手时语音输入转写的这个文本内容。」

AI IDE 随即开始构建，生成了 HUD 组件和绿色极客风格的界面。银海建议，如果只想快速看到交互效果，可以让 AI 使用 HTML 加 CSS 实现，不必使用 React 等技术栈。

接入 ASR 与主 Agent，打通语音交互链路

▶ 1:05:31 · 看这一节

界面搭建完成后，银海开始接入语音识别（ASR）能力。他将上周分享中提到的实时语音识别 API 文档放入项目的 API 文件夹，并填入自己的 API key，让 AI IDE 自动完成接入。随后，他在阿里云百炼上创建了名为「Rocket 眼镜助理」的主 Agent，选择 Flash 模型（速度快），设定提示词：「你是一个眼镜助理，能够捕获用户提交的所有文本信息和图像理解信息，给予一些陪伴上的反馈，你是一个非常善解人意的角色，所以你的语气回复都像一个管家一样，需要经常称呼作者为老板。」

银海特别提醒，如果 Agent 需要识别图片内容，必须选择视觉模型（如 VO 模型），否则无法理解图像。他还为 Agent 添加了联网搜索工具和高德地图插件（Amap），使其具备路线规划能力，并关联了英语口语搭子、写作指导等智能体组件，实现多能力调用。

最后，他复制了实时语音合成（TTS）的 API 文档，让 AI IDE 接入语音输出能力，并设置了自动语音打断功能。至此，整条链路——语音输入、ASR 转写、Agent 处理、TTS 语音回复——全部打通。银海现场演示了与自建眼镜助手的对话：「哈喽哈喽，可以指导一下我的作业吗？」助手随即以「老板」称呼并给出回复，整个过程流畅迅速。

开发成本与效果评估

▶ 1:30:32 · 看这一节

银海分享了开发成本的实际数据。他提到用 Mac mini 运行 OpenClaw 的测试经验：使用龙虾网关时，5 分钟内请求 388 次，每次耗费 0.1 美元，总计约 30 美元；切换到国内模型后成本降低，但性能有所下降。不过，大模型平台大多提供免费额度，例如 ASR 每秒成本为 0.00022 元，跑通整条链路的免费额度完全够用。他建议开发者测试后可以删除 API key 并重新创建，以控制成本。

银海认为，这套开发范式的最大优势在于「只需要在 Agent 处进行调整，无需在其他地方调试文本」。发布应用后立即生效，可通过修改角色设定、字数限制等快速调整功能。他总结道：「我们已经把这条链路给大家趟通了，是一条可复制的链路。」

现场问答

▶ 1:25:53 · 看这一节

Q：开发的眼镜在哪里买？怎么连接？

A：主要介绍的是 Rocket 这副眼镜，生态相对成熟。连接方法可参考直播回放，里面有详细介绍——眼镜有开发者模式，可在其中发布智能体。

Q：智能体搭建复杂吗？

A：基本可以直接复制应用模板，不需要从零搭建。比如 AI 眼镜解决方案、旅行讲解等模板，一键复制即可使用，只需在提示词中修改成自己想要的场景。

Q：龙虾网关如何接入工作流？

A：可以在工作流中添加 API 节点，把龙虾作为请求地址，异步下发任务后查询执行结果。目前网关那层估计还需要一段时间打通，但对飞书、钉钉、Telegram 等 IM 通讯设备的底层通信已基本打通。

Q：API key 会过期吗？

A：百炼的 API key 目前没有永久有效的，COZE 的个人访问 API key 30 天会过期，需要动态更换。测试完可以删除旧 key 并重新创建。

Q：AI 信息处理不准确怎么办？

A：需要在构建 Agent 的过程中调试，可以通过 prompt 约束、知识库文档、联网搜索、实时地图等能力让信息获取更准确，这是智能体架构设计中可以调节的部分。

要点回顾

• AI 眼镜的核心能力是「听」（镜腿扬声器）与「看」（摄像头），可承载 AI 识物、拍照答疑、多语言翻译、实时导航、支付等场景。
• Rocket 眼镜的智能体商店提供通用型智能体，但开发者可通过灵珠平台或三方平台（阿里云百炼、COZE）接入自定义智能体。
• 三方平台接入流程：一键复制应用模板 → 获取 API key 和应用 ID → 填入灵珠平台 → 在眼镜端调试。注意 COZE 的 API key 30 天过期。
• 用 AI IDE 复刻眼镜交互界面时，可参考 Pinterest 或花瓣网的 HUD 设计风格，用语音输入法下达指令，指定绿色极客风格、时间天气电量布局等。
• 主 Agent 建议选择 Flash 模型（速度快），如需识别图片必须选视觉模型；可通过添加联网搜索、Amap 地图插件、口语搭子等组件增强能力。
• 完整链路：语音输入 → ASR 转写 → Agent 处理 → TTS 语音回复，全程可通过 AI IDE 自动接入 API 文档完成。
• 开发成本较低：ASR 每秒 0.00022 元，大模型平台有免费额度；测试后删除 API key 可控制成本。
• 后续可拓展方向：拍照生成风格化内容、视频剪辑、生活场景个性化定制等。