CamTalk/CLAUDE.md

CLAUDE.md

本文件为 Claude Code (claude.ai/code) 在本仓库中工作时提供指引。

项目概述

CamTalk 是一款多模态实时 AI 视觉对话助手。用户通过摄像头和麦克风与 AI 交互，AI 理解视觉场景和语音输入后，以文字和语音形式给出自然回应。

文档优先原则： 执行任何开发任务前，先读取 docs/ 下的相关设计文档（架构、接口、技术选型等），以文档为最高依据。代码实现应与文档一致；若有偏差，优先更新文档（尤其是接口文档）。

架构

三层系统：

1. 浏览器客户端（React 18 + TypeScript, Vite）—— 媒体采集、边缘预处理（VAD 通过 @ricky0123/vad-web、关键帧检测通过 Canvas 像素比较）、UI 渲染。核心 Hook：useVisionSession()
2. Go 网关（Gin, gorilla/websocket, Viper, Zap）—— WebSocket 服务器、会话管理、AI 编排（基于 CloudWeGo Eino Graph）。每个 WebSocket 连接一个 goroutine。
3. 云端 AI 服务 —— 通过 OpenAI 兼容接口可灵活切换。默认：DashScope qwen3-vl-plus（LLM）、MiMo ASR（STT）、MiMo TTS（TTS）。仅通过 Go 网关访问，浏览器不直连。

关键模式：AI 编排基于 Eino Graph 声明式 DAG（START → STT → History → ChatModel → Msg2Str → Splitter → TTS → Done → END），LLM token 通过 Callback 实时推送，TTS 逐句合成并行推送，最小化感知延迟。

存储：三级存储架构（TieredManager）—— L1 Memory → L2 Redis → L3 PostgreSQL，自动降级。Repository 接口模式（UserRepository、MessageRepository、SessionRepository），PostgreSQL + 内存双实现。

技术栈

层级	技术
前端	React 18, TypeScript, Vite, @ricky0123/vad-web
后端	Go, Gin, gorilla/websocket, Viper, Zap
AI 编排	CloudWeGo Eino Graph（声明式 DAG 编排）
LLM	DashScope qwen3-vl-plus（默认，通过 eino-ext OpenAI ChatModel 接入）
STT	MiMo ASR（默认） / Deepgram
TTS	MiMo TTS（默认） / OpenAI TTS

构建与运行命令

# 前端
cd frontend && npm install
npm run dev          # Vite 开发服务器
npm run build        # 生产构建
npm run lint         # ESLint 检查
npm run test         # Vitest 测试

# 后端
cd backend && go mod download
go run ./cmd/server          # 启动网关，监听 :8080
go build -o bin/camtalk ./cmd/server
go test ./...                # 运行所有测试
go test -run TestName ./path # 运行单个测试
go vet ./...                 # 静态分析

基础设施：三级存储架构（L1 Memory → L2 Redis → L3 PostgreSQL），通过配置控制启用层级。

WebSocket 协议

端点：ws://localhost:8080/ws?token=<access_token>&conversation_id=<uuid>

所有消息为 JSON 文本帧，统一信封格式 {type, request_id?, timestamp?}。完整契约见 docs/02-接口文档.md。

客户端 → 服务端：query（图像 Base64 + 音频 Base64）、config、interrupt、ping 服务端 → 客户端：connected、stt_result、llm_chunk、llm_done、tts_audio、error、pong

心跳：客户端每 30 秒 ping，服务端 60 秒无 ping 断开连接。 重连：指数退避 + 抖动 —— 1s, 2s, 4s, 8s… 最大 30s。

REST API（辅助）

• GET /api/health — 健康检查（版本、运行时间、活跃会话数）
• POST /api/auth/register — 注册
• POST /api/auth/login — 登录
• POST /api/auth/refresh — 刷新 Token
• POST /api/auth/logout — 登出
• GET /api/conversations — 对话列表
• POST /api/conversations — 创建对话
• GET/PUT/PATCH/DELETE /api/conversations/:id — 对话 CRUD
• GET /api/conversations/:id/messages — 获取对话消息

错误码

INVALID_MESSAGE、SESSION_NOT_FOUND、RATE_LIMITED、IMAGE_TOO_LARGE、AUDIO_TOO_SHORT、LLM_TIMEOUT、LLM_ERROR、STT_ERROR、TTS_ERROR、INTERNAL_ERROR、USERNAME_TAKEN、INVALID_CREDENTIALS、INVALID_TOKEN、INVALID_INPUT

前端组件结构

组件	职责
AuthPage	登录/注册表单
CameraManager	摄像头流采集
MicManager	麦克风音频采集
EdgeProcessor	VAD + 关键帧检测（Canvas 像素比较）
WebSocketManager	WebSocket 连接生命周期管理
ChatPanel	消息展示、流式回复、文本输入、场景选择
VideoPreview	摄像头画面预览
SessionSidebar	左侧抽屉式对话列表
ConfigPanel	右侧抽屉式配置面板
Toast	轻量通知提示

核心 Hook：useVisionSession() 封装一次完整的视觉对话会话。

后端模块结构

模块	职责
WebSocket Handler	连接管理、JWT 认证、单播消息推送
Session Manager	会话状态、对话历史（三级存储：Memory/Redis/PostgreSQL，30 分钟 TTL）
Eino 编排层	基于 Eino Graph 的声明式 AI 编排（7 节点 DAG，Stream 模式，Callback AOP）
AI Orchestrator	EinoOrchestrator 适配器，包装 Graph 实现 Orchestrator 接口
AI Service Layer	AI 服务抽象层（STT/TTS 多 provider，LLM 通过 eino-ext ChatModel）
Auth	JWT 双 token 轮转认证，bcrypt 密码哈希
Store	持久化存储层（UserRepository/MessageRepository/SessionRepository，内存 + PostgreSQL）
REST API	健康检查、认证、对话管理（Gin 路由）
Models	数据模型定义
Migrations	数据库版本化迁移（嵌入式 SQL）
Model Router	按请求选择 AI 模型（规划中）
Rate Limiter	按用户的令牌桶速率限制（规划中）

编码规范

• Go：遵循标准 Go 规范。所有 AI 调用使用 context.Context 做取消/超时。并发 map 访问使用 sync.RWMutex。结构体标签用 json:"snake_case"。
• TypeScript：严格模式。所有数据模型用接口定义。WebSocket 消息类型用可辨识联合类型（type 字段）。
• 提交信息：Conventional Commits 格式，描述用中文。示例：feat: 添加 WebSocket 连接管理、fix: 修复心跳超时判断、docs: 更新接口文档
• 禁止自动 push：除非用户明确要求。
• 文档优先：实现功能前先读取 docs/ 下的相关设计文档。实现与文档不一致时，优先更新 docs/ 下的接口文档。