非广告，是产品体验，以下有详细代码参考
银发经济的正确解法：智能养老陪伴大屏架构拆解与落地
前言
2026年，中国60岁以上人口突破3亿，超过总人口的20%，中国已步入中度老龄化社会。银发经济正从边缘赛道跃迁为万亿级蓝海。然而在 “适老化改造” 的浪潮中，绝大多数智能设备仍停留在放大字体、增大音量的表层优化，没能真正解决老年人的数字鸿沟问题。老年人在跨越操作障碍的同时，仍深陷情感陪伴的系统性缺失 —— 冰冷的智能音箱与机械交互，始终无法替代一个能察言观色、微笑倾听的 “人”。 要破解这些痛点，我们需要具备情感表达与自然交互能力的具身智能体。本文从架构与落地视角，深度拆解如何依托魔珐星云 SDK，打造一款真正低时延（约 500ms）、可随时打断、有温度的智能养老陪伴大屏。
一、可行性分析：陪伴大屏能否走入千家万户？
当我们谈论“陪伴大屏”时，必须回答一个根本问题：它是否具备大规模落地的现实条件？ 下面从政策、市场与技术三个维度进行拆解。
1.1 需求：两个尚未被填平的痛点
当前养老陪伴产品面临两个核心痛点。
-
第一，数字鸿沟与生理衰退叠加。视力模糊、反应变慢，让复杂的 App 与智能电视 UI 成为障碍。技术带来的不是赋能，而是新的隔离。
-
第二，情感陪伴系统性缺失。独居老人一天可能说不上十句话。智能音箱虽能对话，却是一个冰冷的“黑盒子”。人类沟通依赖察言观色与肢体回应——老年人需要的是一个能看着他的眼睛、微笑倾听的“人”。
1.2 政策与市场：银发经济的双重驱动力
政策端，2024 年国务院办公厅《关于发展银发经济增进老年人福祉的意见》明确提出“打造智慧健康养老新业态”，多地将带屏智能设备纳入居家适老化改造补贴清单，为陪伴大屏打开了从孵化到规模化的绿色通道。
市场端，中国 60 岁以上人口已突破 3 亿，超过一半处于空巢或独居状态，专业养老护理员缺口达千万级。与此同时，短视频、微信、移动支付在银发人群中渗透率逐年走高，为陪伴型 AI 设备完成了初步的用户教育。需求真实、基数庞大、支付意愿渐显——市场可行性已基本成立。
1.3 技术：端侧架构打破规模化的最后一堵墙
政策和市场条件具备之后，真正的瓶颈落在技术上。
传统数字人交互方案依赖云端集中渲染：语音上传后，云端依次完成识别、生成、语音合成，再在 GPU 上渲染为带口型的视频流推回终端。这种模式对带宽与网络稳定性要求高，弱网环境（如厨房冰箱屏）易出现卡顿、响应迟缓；同时，每一路并发都占用云端 GPU，规模化部署成本高；且视频流作为一个整体，难以实时打断，交互生硬。
魔珐星云采用的是端侧参数流渲染架构。云端仅下发轻量级驱动指令（口型权重、表情参数、骨骼动画关键帧等），真正的 3D 渲染在终端本地完成，打通了 感知→理解→决策→表达→执行 的全链路。这意味着：
- 低时延：端侧渲染使端到端响应延迟稳定在500ms以内；
- 高稳定：不再依赖持续的高带宽视频流，弱网环境同样流畅；
- 可规模化：单 GPU 可支撑千路以上并发，成本不再随用户规模线性膨胀；
- 可实时打断：参数流天然支持随时中断与无缝切换，交互如真人对话般自然。
魔珐星云作为 AI 屏幕操作系统与具身智能表达层基础设施，用这套端侧架构解决了养老场景中“难用、无温度、难规模化”三大痛点，让养老陪伴大屏从概念走向普惠落地。
二、产品对比与选择：为什么最终选择了星云
在技术选型阶段，我们横向对比了市面上主流的数字人交互方案，最终选定魔珐星云，核心原因在于延迟、真实感与成本三角的一次性突破。
2.1 传统云端推流架构的死穴
绝大多数数字人厂商的技术路线可概括为“视频作为交互界面”或“传统纯端渲染”，但这两种方案在落地时都存在致命缺陷：
graph TD
A["本地终端: 语音收音"] --> B["上传云端"]
subgraph "路线1：云推流方案（最普遍）"
B --> C["云端 ASR 语音识别"]
C --> D["云端 LLM 文本生成"]
D --> E["云端 TTS 语音合成"]
E --> F["云端 GPU 实时视频渲染 (昂贵/耗时)"]
F --> G["视频编码后下发推流 (高带宽要求)"]
G --> H["终端播放器被动解码 (延迟保底 3~5s)"]
end
subgraph "路线2：传统纯端渲染"
B --> I["云端仅作语义计算"]
I --> J["终端 GPU 进行重度 3D 渲染"]
J -.-> K["痛点：对轻量 IoT 设备（如冰箱屏/音箱）算力要求极高，难以普及"]
end
这条链路的物理延迟保底在 3~5 秒，还不包括网络波动带来的额外卡顿。试想，老人问一句“今天天气怎么样？”，屏幕里的助手愣在那里整整 3 秒才开口。在这种尴尬的沉默中，老人可能会怀疑“它是不是没听见”，于是重复提问，反而触发重听与打断的连锁混乱。沟通的自然感被彻底破坏，陪伴的温度荡然无存。
2.2 星云方案：端侧渲染破解“不可能三角”
星云彻底摒弃了视频推流，选择了端侧渲染 + 参数流的具身智能架构：
graph TD
subgraph "传统数字人架构"
A["老人语音提问"] --> B["云端全链路处理与视频渲染"]
B --> C["下发视频流 (带宽>2Mbps, 延迟>3s)"]
C --> D["屏幕被播放"]
end
graph TD
subgraph "魔珐星云具身架构"
A2["老人语音提问"] --> B2["云端语义理解与参数生成"]
B2 --> C2["下发动作/表情参数包 (数KB, 延迟<200ms)"]
C2 --> D2["本地实时3D渲染 (极低延迟, 自然打断)"]
end
这两条路径的差异是根本性的。
- 极致的响应速度：抛弃视频流的沉重包袱后，云端只需下发文本驱动所需的语义参数，网络传输极其轻量。端侧在收到第一帧参数后即刻开始渲染，数字人可以在 500 ms内启动倾听姿态（如微微点头），并在 TTS 首包到达时同步张嘴，接近人类对话的自然停顿，彻底告别“等待的尴尬”。
- 真实的微表情与“边说边动”：由于端侧 3D 渲染引擎拥有对模型本体的完全控制权，数字人不再是一段被动的视频。它可以在说话的同时伴随自然的微表情变化——眼睛微微睁大表示好奇，眉毛轻蹙表示理解，头部微侧表示倾听。这些细腻的表达完全通过参数流实时驱动，而非事先录好的动画，使交互充满“活人感”。
- 可打断性与状态流畅切换：云端渲染画面采用集中式处理，遇到打断需要终止推流、清理缓冲区、重新发起请求，极易产生突兀跳变。而在星云的端渲染模式下，打断只是参数流的中断与更新，引擎以极低开销即时中止当前动作/语音，无缝过渡到下一个状态，毫无闪烁或僵直，极大提升了交互的聪慧感。
2.3 成本与规模化的巨大优势
陪伴大屏若要走进千家万户，成本红线至关重要。传统方案中，每一个并发交互都需要云端 GPU 进行实时视频渲染，假设面向百万用户，背后的 GPU 集群建设和运维成本将是天文数字，这也意味着厂商必然通过订阅费或高价硬件转嫁给消费者。 而星云的参数流模式，云端只负责轻量级语义计算，单GPU 可支持数千路并发。端侧渲染利用的是设备本就存在的 GPU 算力，变相实现了“算力民主化”，让一台千元级带屏音箱也能承载电影级数字人。这为大规模普惠养老提供了现实的经济基础。
三、快速上手开发
基于我们的实际实践，星云 SDK 的接入非常直观，官方也提供了 JS SDK Demo接入。以下是笔者在 Vue3 + Vite 项目中集成魔珐星云数字人的完整步骤：
3.1 环境准备
1. 创建 Vue3 + Vite 项目
pnpm create vite@latest demo --template vue
cd demo
pnpm install
2. 引入 SDK 脚本
在 index.html 中添加：
<script src="https://media.xingyun3d.com/xingyun3d/general/litesdk/xmovAvatar@latest.js"></script>
3.2 创建数字人组件
创建 DigitalHuman.vue 组件。注意：星云 SDK 的 DOM 挂载点应保持“纯净”，避免 Vue 的响应式系统直接干预其内部。
<template>
<div class="digital-human-container">
<div class="avatar-wrapper">
<!-- SDK 的专属纯净挂载点 -->
<div class="avatar-container" id="avatar-container"></div>
<!-- 加载遮罩 -->
<div v-if="status === '正在初始化数字人...'" class="loading-overlay">
<div class="loading-spinner"></div>
<p>{{ status }}</p>
</div>
</div>
<div class="controls">
<div class="input-group">
<input v-model="message" type="text" placeholder="请输入要数字人说的话..." @keyup.enter="sendMessage" />
<button @click="sendMessage" :disabled="!message">发送</button>
</div>
<div class="status-info">
<p>状态: {{ status }}</p>
<p>连接: {{ connectionStatus }}</p>
</div>
</div>
</div>
</template>
<script setup>
import { ref, onMounted, onUnmounted } from 'vue'
const message = ref('')
const status = ref('待命')
const connectionStatus = ref('未连接')
let liteSDK = null
onMounted(() => {
// 建议延迟初始化以确保 DOM 准备就绪
setTimeout(initDigitalHuman, 1000)
})
onUnmounted(() => {
if (liteSDK && liteSDK.destroy) {
liteSDK.destroy()
}
})
const initDigitalHuman = async () => {
try {
status.value = '正在初始化数字人...'
// 1. 创建 SDK 实例
liteSDK = new XmovAvatar({
containerId: '#avatar-container',
appId: import.meta.env.VITE_XINGYUN_APP_ID, // 推荐使用环境变量
appSecret: import.meta.env.VITE_XINGYUN_APP_SECRET,
gatewayServer: 'https://nebula-agent.xingyun3d.com/user/v1/ttsa/session',
onStateChange: (state) => status.value = state,
onStatusChange: (status) => connectionStatus.value = status
})
// 2. 【关键】调用 init() 真正建立连接并加载资源
await liteSDK.init({
onDownloadProgress: (progress) => console.log(`加载中: ${progress}%`)
})
status.value = '就绪'
} catch (error) {
console.error('初始化失败:', error)
status.value = '初始化失败'
}
}
const sendMessage = async () => {
if (!message.value || !liteSDK) return
try {
// 封装标准 SSML，确保数字人动作衔接自然
const ssml = `<speak>${message.value}</speak>`
liteSDK.speak(ssml, true, true)
message.value = ''
} catch (error) {
console.error('发送失败:', error)
}
}
</script>
<style scoped>
/* 容器保持固定比例，适配养老陪伴大屏的长辈视觉习惯 */
.avatar-container {
width: 100%;
height: 800px;
background: #f0f0f0;
border-radius: 12px;
}
.controls { margin-top: 20px; }
.input-group { display: flex; gap: 10px; }
input { flex: 1; padding: 12px; border-radius: 25px; border: 1px solid #ddd; }
button { padding: 10px 25px; border-radius: 25px; background: #667eea; color: white; cursor: pointer; }
</style>
3.3 关键配置与 API 说明
在实际开发中，我们总结了星云 SDK 的几个关键点：
-
- 资源初始化：
- 仅仅 new XmovAvatar() 是不够的，必须调用 await liteSDK.init()。这个方法会触发底层 WebGL 资源的加载和 WebSocket 的握手。
- 建议在 index.html 中通过 CDN 引入脚本，以利用浏览器缓存。
-
- 核心 API 概览：
- speak(ssml, isStart, isEnd)：核心语音动作驱动方法。推荐始终包裹 标签。
- destroy()：页面销毁时务必调用，释放显存和网络连接。
- changeLayout(config)：实时调整数字人的位置、缩放（scale）和偏移（offset），适配大屏 UI。
-
- 适老化设计细节：
- 视觉增强：在 App.vue 中我们使用了深色渐变背景，以突显数字人的轮廓。
- 交互反馈：增加了 loading-overlay。由于数字人资源加载（约 10-20MB）在弱网环境下会有感官延迟，明确的进度提示对老人非常重要。
- 状态可视化：将 SDK 内部状态（如“倾听中”、“思考中”）翻译为直观的中文描述显示。 通过这一套流程，我们成功将数字人从复杂的 3D 渲染降维成了简单的 Web 组件开发，大大缩短了养老陪伴系统的上线周期。
四、实现“听-想-说”闭环：ASR 与 LLM 的实战接入
要让数字人真正“活”起来，我们需要为它装上“耳朵”（语音识别 ASR）和“大脑”（大语言模型 LLM），打通“听-想-说”的全链路。结合我们的 Demo，以下是具体的接入实战经验。
4.1 ASR 接入：精准倾听老人的心声
在养老场景中，老人的语速往往较慢且带有口音，因此我们选择了识别率极高的火山引擎豆包流式语音识别（ASR）服务。 由于豆包 ASR V3 版本使用了高性能的 WebSocket 二进制协议，我们在 asrService.js 中进行了底层封装。 核心挑战与解决：
-
- 浏览器 WebSocket 鉴权限制：原生 WebSocket 无法在 JS 中设置自定义 Header。我们通过 Vite 的 http-proxy 代理拦截 proxyReqWs 事件，动态注入 X-Api-Key，完美解决了前端直连的鉴权问题。
-
- 实时音频采集与分包：使用浏览器 AudioContext 获取麦克风流，重采样至 16000Hz PCM 格式。为了保证流式识别的最佳延迟，我们将 ScriptProcessor 的 buffer size 设为 2048（约 128ms 极低延迟分包）。
-
- 二进制协议解析：严格遵循 4 字节 Header + Payload 的结构，动态判断序列号与压缩方式。
智能判停与状态流转：
当解析到 ASR 返回的 isFinal: true（表示老人一句话说完）时，前端不再死板地等待手动点击，而是立刻触发大模型请求，打造持续倾听的自然对话体验。
/**
* 火山引擎 ASR (流式语音识别) 服务封装
* 适配豆包大模型流式语音识别 API v3
*/
import { v4 as uuidv4 } from 'uuid';
import pako from 'pako'; // 需要安装 pako 处理 gzip
// 由于浏览器原生 WebSocket 不支持自定义 Header 鉴权，
// 我们在 vite.config.js 中配置了代理，由开发服务器代为注入认证头
const ASR_WS_URL = `ws://${window.location.host}/api/asr/api/v3/sauc/bigmodel_async`;
export class VolcASRService {
constructor(options = {}) {
this.ws = null;
this.onResult = options.onResult || (() => {});
this.onError = options.onError || (() => {});
this.audioContext = null;
this.processor = null;
this.stream = null;
this.sequence = 1; // 消息序列号
this.isStopping = false;
this.retryCount = 0;
}
async start() {
this.isStopping = false;
this.sequence = 1;
try {
if (!this.stream) {
this.stream = await navigator.mediaDevices.getUserMedia({ audio: true });
}
console.log('[ASR] Connecting via proxy:', ASR_WS_URL);
this.ws = new WebSocket(ASR_WS_URL);
this.ws.binaryType = 'arraybuffer';
this.ws.onopen = () => {
console.log('[ASR] WebSocket connected');
this.sendFullClientRequest();
this.startRecording();
};
this.ws.onmessage = (event) => {
this.handleMessage(event.data);
};
this.ws.onerror = (err) => {
console.error('[ASR] WebSocket error:', err);
this.onError(err);
};
this.ws.onclose = (event) => {
console.log('[ASR] WebSocket closed, code:', event.code, 'reason:', event.reason);
if (!this.isStopping && this.retryCount < 3) {
this.retryCount++;
console.log(`[ASR] 重连中... (${this.retryCount}/3)`);
setTimeout(() => this.start(), 2000);
} else if (this.retryCount >= 3) {
this.onError(new Error('ASR 连接失败，已重试 3 次'));
}
};
} catch (err) {
console.error('[ASR] Start failed:', err);
this.onError(err);
}
}
stop() {
this.isStopping = true;
if (this.ws && this.ws.readyState === WebSocket.OPEN) {
this.sendLastAudio();
this.ws.close();
}
this.stopRecording();
}
stopRecording() {
if (this.processor) {
this.processor.disconnect();
this.processor = null;
}
if (this.audioContext) {
this.audioContext.close();
this.audioContext = null;
}
}
sendFullClientRequest() {
const params = {
user: { uid: uuidv4() },
audio: {
format: 'pcm',
rate: 16000,
bits: 16,
channel: 1
},
request: {
model_name: 'bigmodel',
enable_itn: true,
enable_punc: true,
result_type: 'full',
enable_nonstream: true // 开启二遍识别，提高最终准确率
}
};
const payload = pako.gzip(JSON.stringify(params));
// 构造 4 字节 Header（严格对照文档示例）
// byte0: version=0b0001(4bit) | header_size=0b0001(4bit) = 0x11
// byte1: msg_type=0b0001(full client req) | flags=0b0000(无sequence) = 0x10
// byte2: serialization=0b0001(JSON) | compression=0b0001(Gzip) = 0x11
// byte3: reserved = 0x00
const header = new Uint8Array([0x11, 0x10, 0x11, 0x00]);
const size = new Uint32Array(1);
new DataView(size.buffer).setUint32(0, payload.length, false); // 大端
const msg = new Uint8Array(4 + 4 + payload.length);
msg.set(header, 0);
msg.set(new Uint8Array(size.buffer), 4);
msg.set(payload, 8);
this.ws.send(msg);
}
startRecording() {
if (this.audioContext) return;
this.audioContext = new (window.AudioContext || window.webkitAudioContext)({ sampleRate: 16000 });
this.processor = this.audioContext.createScriptProcessor(2048, 1, 1); // 2048 样本约为 128ms，符合 100-200ms 建议
const source = this.audioContext.createMediaStreamSource(this.stream);
source.connect(this.processor);
this.processor.connect(this.audioContext.destination);
this.processor.onaudioprocess = (e) => {
if (!this.ws || this.ws.readyState !== WebSocket.OPEN) return;
const inputData = e.inputBuffer.getChannelData(0);
const pcmData = this.floatTo16BitPCM(inputData);
this.sendAudio(pcmData);
};
}
sendAudio(pcmData) {
const payload = pako.gzip(pcmData);
// byte0: version=1 | header_size=1 = 0x11
// byte1: msg_type=0b0010(audio only) | flags=0b0000(无sequence) = 0x20
// byte2: serialization=0b0000(none) | compression=0b0001(Gzip) = 0x01
// byte3: reserved = 0x00
const header = new Uint8Array([0x11, 0x20, 0x01, 0x00]);
const size = new Uint32Array(1);
new DataView(size.buffer).setUint32(0, payload.length, false);
const msg = new Uint8Array(4 + 4 + payload.length);
msg.set(header, 0);
msg.set(new Uint8Array(size.buffer), 4);
msg.set(payload, 8);
this.ws.send(msg);
}
sendLastAudio() {
// 最后一包：flags=0b0010 表示这是最后一包（负包）
// byte1: msg_type=0b0010(audio only) | flags=0b0010(last) = 0x22
// byte2: serialization=0b0000 | compression=0b0001(Gzip) = 0x01
const header = new Uint8Array([0x11, 0x22, 0x01, 0x00]);
// 负包也需要附带 payload size（为 0）
const size = new Uint8Array(4); // 全 0，表示无 payload
const msg = new Uint8Array(8);
msg.set(header, 0);
msg.set(size, 4);
this.ws.send(msg);
}
handleMessage(data) {
try {
const view = new DataView(data);
const byte0 = view.getUint8(0);
const byte1 = view.getUint8(1);
const byte2 = view.getUint8(2);
// 解析 Header 字段
const headerSize = (byte0 & 0x0F) * 4; // Header 大小（字节）
const msgType = (byte1 >> 4) & 0x0F; // 消息类型
const msgFlags = byte1 & 0x0F; // 消息标志
const compression = byte2 & 0x0F; // 压缩方式：0=无，1=Gzip
// 判断是否有 Sequence Number（flags 的 bit0 为 1 时有）
const hasSequence = (msgFlags & 0x01) === 1;
let offset = headerSize;
if (hasSequence) {
offset += 4; // 跳过 4 字节的 Sequence Number
}
console.log(`[ASR] msg type=0x${msgType.toString(16)}, flags=0x${msgFlags.toString(16)}, compression=${compression}, headerSize=${headerSize}, hasSeq=${hasSequence}`);
// 0xF = Error message
if (msgType === 0xF) {
const errorCode = view.getUint32(offset, false);
offset += 4;
const errorMsgSize = view.getUint32(offset, false);
offset += 4;
const errorMsg = new TextDecoder().decode(new Uint8Array(data.slice(offset, offset + errorMsgSize)));
console.error('[ASR] Server error:', errorCode, errorMsg);
return;
}
// 0x9 = Full server response
if (msgType === 0x9) {
const payloadSize = view.getUint32(offset, false);
offset += 4;
const rawPayload = new Uint8Array(data.slice(offset, offset + payloadSize));
let jsonStr;
if (compression === 1) {
// Gzip 压缩
jsonStr = new TextDecoder().decode(pako.ungzip(rawPayload));
} else {
// 无压缩
jsonStr = new TextDecoder().decode(rawPayload);
}
const result = JSON.parse(jsonStr);
console.log('[ASR] Result:', result?.result?.text);
if (result.result && result.result.text) {
const utterances = result.result.utterances || [];
const lastUtterance = utterances[utterances.length - 1];
const isFinal = lastUtterance?.definite === true;
this.onResult(result.result.text, isFinal);
}
}
} catch (e) {
console.warn('[ASR] Parse error:', e.message);
// 打印前 20 字节帮助调试
const preview = new Uint8Array(data.slice(0, Math.min(20, data.byteLength)));
console.warn('[ASR] Raw bytes:', Array.from(preview).map(b => '0x' + b.toString(16).padStart(2, '0')).join(' '));
}
}
floatTo16BitPCM(input) {
const output = new Int16Array(input.length);
for (let i = 0; i < input.length; i++) {
const s = Math.max(-1, Math.min(1, input[i]));
output[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
}
return new Uint8Array(output.buffer);
}
}
4.2 LLM 接入：智慧大脑的适老化调优
有了 ASR 转写的文本，接下来我们需要 LLM 生成回复。在 llmService.js 中，我们并没有直接把用户输入丢给大模型，而是进行了深度的适老化提示词（Prompt）工程调优。
/**
* LLM 服务封装 (适配养老陪伴大屏)
*/
const LLM_BASE_URL = import.meta.env.VITE_LLM_BASE_URL || 'https://api.deepseek.com';
const LLM_MODEL = import.meta.env.VITE_LLM_MODEL || 'deepseek-chat';
const LLM_API_KEY = import.meta.env.VITE_LLM_API_KEY || '';
/**
* 获取系统提示词 (注入养老陪伴背景)
*/
export function getSystemPrompt() {
return `你是一个智能养老陪伴助手，名字叫"小星"。你的主要任务是陪伴老人聊天、提供健康建议和生活提醒。
【你的性格与风格】
1. 亲切、耐心、专业，像一个体贴的晚辈。
2. 回复必须极其简短有力，控制在 30 个字以内！老人不喜欢长篇大论。
3. 使用温暖、生活化的语言，多用关怀性话语。
4. 如果老人提到身体不适，给予安慰并建议咨询专业医生。
【回复限制】
1. 只输出纯文本。
2. 不要使用 Markdown 格式（如加粗、列表等）。
3. 严禁提供任何处方药建议。`;
}
/**
* 检查 LLM 是否已配置
*/
export function isLLMConfigured() {
return !!LLM_API_KEY;
}
/**
* 非流式调用大模型 (为了快速集成，先实现基础版本)
*/
export async function chatWithLLM(userMessage) {
const url = `/api/llm/chat/completions`;
try {
const response = await fetch(url, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'Authorization': `Bearer ${LLM_API_KEY}`,
},
body: JSON.stringify({
model: LLM_MODEL,
messages: [
{ role: 'system', content: getSystemPrompt() },
{ role: 'user', content: userMessage },
],
stream: false,
max_tokens: 100,
}),
});
if (!response.ok) {
const errText = await response.text();
throw new Error(`API 请求失败: ${errText}`);
}
const data = await response.json();
return data.choices?.[0]?.message?.content || '抱歉，我现在有点走神了。';
} catch (error) {
console.error('LLM 请求错误:', error);
return '奶奶，刚才网络好像断了一下，您可以再说一遍吗？';
}
}
老人需要的不是长篇大论的百科全书，而是简短、有温度的陪伴。我们的 System Prompt 是这样设计的：
export function getSystemPrompt() {
return `你是一个智能养老陪伴助手，名字叫"小星"。你的主要任务是陪伴老人聊天、提供健康建议和生活提醒。
【你的性格与风格】
1. 亲切、耐心、专业，像一个体贴的晚辈。
2. 回复必须极其简短有力，控制在 30 个字以内！老人不喜欢长篇大论。
3. 使用温暖、生活化的语言，多用关怀性话语。
4. 如果老人提到身体不适，给予安慰并建议咨询专业医生。
【回复限制】
1. 只输出纯文本。
2. 不要使用 Markdown 格式（如加粗、列表等）。
3. 严禁提供任何处方药建议。`;
}
连接数字人与大模型：
当大模型返回如“王奶奶，这几天降温，您注意膝盖保暖。”这样的温情话语时，我们直接将其组装成 SSML，调用星云 SDK 驱动数字人发声并辅以自然的肢体动作：
// 假设 aiReply 是大模型的回复文本
const ssml = `<speak>${aiReply}</speak>`;
// 数字人开始同步语音与口型、动作
liteSDK.speak(ssml, true, true);
通过这一套“ASR -> LLM -> 星云 SDK”的丝滑流转，屏幕里的数字人不再是一个冰冷的 3D 模型，而变成了一个能够察言观色、知冷知热的智能伙伴。
4.3 云端记忆：让大模型真正“记住”老人
LLM 天生是“无状态”的——每次对话结束，它就会忘记一切。但养老陪伴要求的恰恰是长期记忆：记住王奶奶对花生过敏，记住李爷爷每天下午三点要吃降压药，记住张奶奶最近三天的血压都偏高。要实现这种“有记忆的关怀”，我们必须为大模型接入一套云端健康数据库。 我们设计了一套轻量级的健康档案系统，将老人的生活数据按维度分表存储：
-- 每日餐食记录
CREATE TABLE meal_records (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
elder_id VARCHAR(32) NOT NULL,
meal_type ENUM('breakfast', 'lunch', 'dinner', 'snack'),
content TEXT, -- “小米粥、蒸鸡蛋、少量咸菜”
allergy_alert BOOLEAN DEFAULT FALSE,
recorded_at DATETIME DEFAULT CURRENT_TIMESTAMP
);
-- 用药记录
CREATE TABLE medication_records (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
elder_id VARCHAR(32) NOT NULL,
drug_name VARCHAR(100), -- “氨氯地平 5mg”
dosage VARCHAR(50),
taken_at DATETIME,
is_taken BOOLEAN DEFAULT FALSE -- 是否已服用
);
-- 运动与身体指标（来自智能手环/血压计等 IoT 设备）
CREATE TABLE health_metrics (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
elder_id VARCHAR(32) NOT NULL,
metric_type ENUM('blood_pressure', 'heart_rate', 'steps', 'sleep_hours', 'blood_sugar'),
value VARCHAR(50), -- “138/85” 或 “6800步”
recorded_at DATETIME DEFAULT CURRENT_TIMESTAMP
);
在每次对话发起时，后端会从数据库中提取当日的健康摘要，作为上下文注入到 LLM 的请求中：
// 构造带有健康记忆的对话请求
const healthContext = await fetchTodayHealthSummary(elderId);
// 示例输出：“今日血压 138/85（偏高），已服降压药，午餐吃了红烧肉，步数 2300 步。”
const messages = [
{ role: 'system', content: getSystemPrompt() },
{ role: 'system', content: `【今日健康档案】${healthContext}` },
{ role: 'user', content: userMessage },
];
这样，当老人随口说一句“小星，我今天能吃花生米吗？”，大模型不再给出泛泛的建议，而是结合数据库中的过敏记录明确回复：“奶奶，您对花生过敏哦，我给您推荐核桃仁吧，补脑又好吃。”
更进一步，当 IoT 设备检测到“连续两天深度睡眠不足 1 小时”或“晨起血压连续偏高”时，系统可以主动生成关怀话术，通过星云 SDK 驱动数字人做出主动问候——不仅有语音播报，还同步做出“关怀前倾、微微蹙眉”的肢体动作，让老人感受到的不是冰冷的数据警报，而是一句真诚的嘘寒问暖。
五、未来畅想
基于魔珐星云端侧渲染与参数流架构，养老陪伴设备将从 “单一屏幕” 升级为全屋具身智能体。 依托星云多终端统一驱动能力，同一数字人形象可在电视、冰箱屏、浴室魔镜、卧室音箱等设备间无缝流转，实现跨屏记忆接续、全场景陪伴。 未来结合视觉感知与健康 IoT 数据，可实现主动关怀、安全监测、情感陪伴，让具身智能真正融入老人日常生活，成为有温度、可信赖的家庭伙伴。
欢迎大家一起来试用一下：产品体验url
六、总结
银发经济的真正解法，不是叠加界面功能，而是用具身智能重构人机交互与情感连接。
魔珐星云作为AI 屏幕操作系统、具身智能时代的表达层基础设施，凭借端侧渲染 + 参数流核心架构，打通感知→理解→决策→表达→执行全链路，让普通屏幕升级为可倾听、可回应、可表达、可关怀的具身智能体。
该方案实现低延迟、可打断、低成本规模化部署，为银发经济提供可落地、可普惠、有温度的养老陪伴标准答案。
技术终将老去，但嵌入技术中的关怀永远年轻。陪伴，正是技术最温暖的落点。
