上一篇《ESP32-S3 IDF实时语音开发：Realtime直连与回声消除》 完成了 ESP32-S3 直连 Qwen Omni Realtime 和豆包 Realtime，并逐步解决了流式音频播放、AEC 回声消除和插话打断问题。到这里，开发板已经能够持续听、持续说，也能在模型讲话时接受新的语音输入。
这一次继续向前一步：让 Realtime 模型不只生成声音，还能通过 Function Calling 控制真实硬件。当用户说“给我打个招呼”时，豆包会调用 ESP32-S3 注册的工具；开发板立即返回“已执行”，同时启动一个独立任务，让 SG90 舵机以最大速度左右摆动 5 秒。
上一篇完成了 ESP32-S3 的 I2S 数字麦克风与 MAX98357 录放音，跑通了最基础的音频闭环。这一次继续往前走：不再把声音只留在开发板里，而是把麦克风 PCM 通过 WebSocket 实时发给大模型，再把模型返回的 PCM 流式播放出来。
本次先后直连了 Qwen Omni Realtime 和豆包 Realtime。本文重点记录回声消除、播放缓冲与插话打断的实现，以及调试过程中遇到的声音卡顿、回声自触发和 I2S 杂音问题。
上一篇记录了 ESP32-S3 的 ESP-IDF 入门，包括环境搭建、hello world、CMake、烧录、串口监视以及 USB-JTAG 调试。这一次开始正式进入音频开发，目标是把板载 I2S 数字麦克风和 MAX98357 I2S 功放串起来，完成一个最小但完整的音频闭环：按音量-录音，按音量+播放录音。
这篇笔记重点记录今天对 I2S、数字麦克风、MAX98357、PCM 以及 ESP-IDF 新版 I2S 驱动的理解和实践过程。最终工程放在：projects/01_max98357_play、projects/02_i2s_mic。
ESP32-S3 是乐鑫推出的一款高性能 Wi-Fi + Bluetooth 5 (LE) SoC，搭载双核 Xtensa LX7 处理器，主频高达 240 MHz，内置 512 KB SRAM，支持 USB OTG 和 USB-JTAG 调试接口。相比经典的 ESP32，S3 增强了 AI 加速指令集（向量指令），非常适合 AIoT 边缘计算场景。
ESP-IDF（Espressif IoT Development Framework）是乐鑫官方提供的开发框架，基于 FreeRTOS 实时操作系统，提供了完整的 Wi-Fi、蓝牙、外设驱动、电源管理等组件。本文将从零开始，记录使用 ESP-IDF 进行 ESP32-S3 开发的完整过程，包括环境搭建、项目创建、编译烧录、串口监视以及断点调试配置，特别是调试环节踩过的坑。
在 AI 辅助编程时代，我们见证了代码生成效率的惊人提升，但也面临着一个新的挑战:当 AI 能够快速生成大量代码时，如何确保系统的一致性、可维护性和演进方向？在上一篇文章《
规格驱动开发与Spec-Kit：人工智能时代的软件工程范式
》中，我们深入探讨了 GitHub 推出的完整工程化体系 Spec-Kit。本文将介绍另一个更轻量级的选择——OpenSpec，一个开源的规格驱动框架，为追求快速迭代的团队提供了一个优雅的解决方案。
过去两年，我写代码的方式彻底改变了：从逐行敲键盘，到反复打磨 Prompt；从亲手实现逻辑，到让 AI 生成大段代码。我曾为效率的飞跃而兴奋，也在系统逐渐复杂后感到失控与不安。功能能跑起来，却越来越难维护。AI 放大了我的能力，也暴露了我的思考深度。或许真正需要升级的不是工具，而是我们定义问题与设计系统的方式。
2025年12月1日字节推出了豆包手机助手技术预览版，让我们看到了AI与移动设备深度融合，但是接连遭到各个大厂APP的封禁政策，就在前两天智谱的AutoGLM则以开源的形式让每台手机都能成为豆包手机！
AutoGLM的意义不仅在于技术突破，更在于它打开了一扇通往"AI助手"真正落地的大门。当AI能够理解你的需求，自动完成手机上的复杂操作——搜索信息、购物比价、甚至处理多应用协同任务，这将彻底改变我们与智能设备的交互方式。
大厂在慌什么呢？无非就是时代真的要大变天了，APP的首页流量入口不重要了。你可以封锁豆包手机，但是你不能封锁"开源"的力量。历史总是惊人的相似——还记得2001年，微软前CEO史蒂夫·鲍尔默将Linux称为"癌症"，认为开源会破坏知识产权体系；微软曾通过专利诉讼、FUD策略试图打压Linux的发展。然而时间来到2018年，微软却以75亿美元收购了全球最大的开源平台GitHub；2019年，Windows Subsystem for Linux (WSL)成为Windows的核心功能；如今的微软Azure云平台上，超过60%的虚拟机运行的是Linux系统。微软用20年时间证明了一个道理：与其对抗开源浪潮，不如拥抱它、参与它、引领它。
今天的移动互联网巨头们，又站在了当年微软的十字路口。我相信封禁只能延缓，却无法阻止技术进步的洪流。
我们需要从原始文本到模型可用的训练语料，在深度学习和 NLP 任务中，我们不能直接把一段中文扔给 Word2Vec 模型。模型无法理解“我爱人工智能”，它只能理解经过切分、清洗后的词序列。在 Word2Vec 出现之前，计算机会觉得“苹果”和“梨”完全没关系，就像“苹果”和“汽车”一样没关系。 Word2Vec 的出现，让计算机第一次“懂了”：苹果和梨差不多，但跟汽车差很远。由此，我们引入了Word2Vec，Word2Vec 是一种把“词”变成“向量坐标”的技术，并且让意思相近的词，在数学空间里靠得很近。