一枚挂在脖子上、能听懂你说话的 AI 硬件。按下按钮 → 说话 → 云端转成文字 → 大模型思考 → 语音回你。
代码级颗粒度 · 三端架构（固件 / 锚点 / 宿主）· 每一行关键函数都能追溯到源码行号
跑在 ESP32-C3（8MB Flash，无 PSRAM）上。负责麦克风录音、喇叭播放、Wi-Fi / BLE 联网、把声音切成 243 字节的帧发出去、接收云端语音播出来。核心文件 9 个 wb_*.c。
一个「云端中转站」。卡片和大脑都主动连它，它负责鉴权、配对、原样转发。故意做得很「笨」——不碰音频内容，这样三端能各自独立升级。
跑在你电脑上的「大脑」。把收到的声音转成文字（ASR）、交给大模型思考、再把回答合成语音（TTS）回给卡片。同时暴露 HTTP + MCP 接口给 WorkBuddy 调用。
说人话版：你按一下、说句话，到底发生了什么？
| 步骤 | 发生了什么 | 在哪一端 |
|---|---|---|
| 1. 按住说话 | 按下按钮，麦克风开始录，音频存进内存环形缓冲区（默认约 1 秒） | 固件 wb_app.c |
| 2. 边录边发 | 每攒够 240 字节，就包成 243 字节一帧，带上序号，走网络发出去 | 固件 wb_audio.c / wb_anchor.c |
| 3. 中转 | 锚点收到帧，原样转发给已经连上来的「大脑」（网关） | 锚点 session.js |
| 4. 转文字 | 宿主把 μ-law 音频还原成 PCM，调 ASR 服务转成文字 | 宿主 session.py / asr.py |
| 5. 思考 | 文字交给大模型，生成一句回答 | 宿主（或 WorkBuddy） |
| 6. 合成语音 | 回答文字合成语音，转成 μ-law 字节流，分帧发回卡片 | 宿主 tts.py / audio.py |
| 7. 播放 | 卡片收到帧，按序号依次喂给喇叭播放出来 | 固件 wb_audio.c 播放链路 |
巴掌大的芯片，内存只有几 KB 级别可自由用，网络又可能随时断。要把连续的声音「搬」过去，得解决：断线重连、丢帧、乱序、缓冲写满等一系列问题。这占了项目绝大部分工作量。
固件、锚点、宿主是三个独立发布的软件。为了让任何一端升级都不拖累另两端，锚点被刻意设计成「只转发、不理解」，协议保持极简。
屏幕要显示中文，默认字体没有中文字形，得专门做字体方案；语音要走 ASR（听懂）和 TTS（说话）两个方向。
设备和网关用两把不同的令牌，卡片令牌泄露不等于能冒充大脑，反之亦然。
| 端 | 语言 | 主要文件 | 代码量（约） |
|---|---|---|---|
| 固件 | C（ESP-IDF 5.5.3） | wb_app.c、wb_anchor.c、wb_audio.c 等 9 个模块 | 约 24 万字节源码 |
| 锚点 | JavaScript（Worker + Durable Objects） | index.js、session.js、protocol.js、version.js | 4 个文件 |
| 宿主 | Python | bridge.py、session.py、protocol.py、transport/ 等 | 约 15 个模块 |