Gemma 4+Raspberry Pi桌面机器人的混合LLM架构

你曾经想要一个桌面小搭档吗——一个有着复古游戏角色触觉魅力的东西，能和你聊天、帮你记桌面计时器，或者帮你梳理一个棘手的 bug——又不需要一整天被摄像头盯着？

这个问题催生了 DinoDesk AI：我们的 LEGO 恐龙 AI 陪伴机器人。

我和同事 Shama 着手打造了一款智能、低功耗的桌面机器人，它将 8 位音视频的怀旧感与 LEGO Technic 机械结构相结合，并采用现代混合 LLM 切换架构（本地 ↔ 云端）。通过将树莓派放在桌面上，配合运行在本地 PC 网关上与 Gemini Flash 并行的 Gemma 4，我们创造了一个陪伴机器人——100% 视觉隐私（无摄像头）、即时零成本本地聊天，以及按需深度云端推理。

这是我们从零开始设计、布线和编程 DinoDesk AI 的完整幕后故事。

混合 LLM 架构：两全其美

构建 AI 硬件陪伴机器人最大的难题之一，是选择让"大脑"住在哪里。如果所有事情都跑在云端，每次随口问一句"现在几点了"都要消耗 API 配额、增加网络延迟，还要把语音数据传到互联网上。反过来，如果你严格限制自己只使用小型设备端模型，一旦你让它在你巨大的代码库里创建一个新功能，或者解释一个复杂话题，机器人就会力不从心。

因此我们决定构建一种混合 LLM 架构，在用户的主 PC 上托管一个统一 LLM 网关（路由器）。你桌上的树莓派通过 Wi-Fi 发送相同的 OpenAI 兼容请求，无论当前激活的是哪个引擎：

 ┌─────────────────────────────────────────────────┐
 │           [ Main PC / Local Gateway ]           │
 │                                                 │
 │   ┌─────────────────────────────────────────┐   │
 │   │      Dynamic Model Router / Switch      │   │
 │   └────────────────────┬────────────────────┘   │
 │                        │                        │
 │     ┌──────────────────┴──────────────────┐     │
 │     v                                     v     │
 │  [ LOCAL ENGINE ]              [ CLOUD ENGINE ] │
 │  LM Studio / Gemma 4           Gemini Flash /   │
 │  (Zero Latency, Private)       Gemini Live      │
 └────────────────────────┬────────────────────────┘
                          │
                          │ Wi-Fi (Unified OpenAI-Compatible Stream)
                          v
 ┌─────────────────────────────────────────────────┐
 │           [ DinoDesk AI (RPi) ]                 │
 │  - Pirate Audio LCD & I2S Beep Speaker          │
 │  - Push Button & Optional Sensors               │
 └─────────────────────────────────────────────────┘

三种智能模式

当自动混合模式将问题升级到云端时，机器人的指示灯在响应期间会暂时从 🟢 稳定绿色变为 🟡 稳定金色，然后恢复绿色——让你一眼就能知道当前是哪个"大脑"在回答。

用 LEGO 积木做身体

我们希望 DinoDesk AI 摸起来像一个物理玩具，而不是一个冰冷的智能音箱。我们没有用 3D 打印一个密封的塑料外壳，而是用基础 LEGO 积木和 Technic 杠杆机构搭建身体，这样任何人都可以定制或维修。

核心物料清单（BOM）

• 主控：Raspberry Pi + 32GB MicroSD 卡
• 显示与音频扩展板：Pimoroni Pirate Audio 音箱（1.3 寸 240×240 ST7789 IPS LCD + I2S 1W 音箱 + 4 个触控按钮）
• 红色按钮：一个迷你按键开关，按下去有令人满足的触感，用于开始或停止语音采集
• 音频输入：紧凑型 USB 迷你麦克风
• 运动系统：驱动颈部动作和尾巴摇摆的电机

在搭建完整身体之前，我先用树莓派和一套简易 LEGO 积木对逻辑进行了原型验证。

物理按钮控制

即使有语音和传感器触发，专用硬件按钮在即时物理控制方面依然手感出色：

• Button A（GPIO 5） — 取消 / 静音：立即停止当前响应流，静音音频，让机器人回到空闲状态。
• Button B（GPIO 6） — 回中归位：将所有舵机重置到中立中心位置，不中断当前状态。
• Button X（GPIO 16） — 表情与引擎切换：单击手动循环切换面部表情；双击切换本地 ↔ 云端模式。
• Button Y（GPIO 24） — 尾巴测试与音量：单按触发一次尾巴摇摆序列以验证机械对位；长按 2 秒循环切换蜂鸣音量（低 → 中 → 高 → 静音）。

五段状态机设计

一个陪伴机器人只有当它的眼睛、声音和身体同时动起来时，才会让人觉得它是有生命的。我们设计了一个 5 阶段有限状态机（FSM），来协调 240×240 LCD 眼睛表情、8 位蜂鸣音和电机运动：

┌──────────┐  button     ┌───────────┐   release   ┌──────────┐   stream   ┌──────────┐
│ Sleeping │──────────>  │   Idle    │────────────>│Listening │─────────>  │ Thinking │
└──────────┘  (wake)     └───────────┘   (trigger) └──────────┘  (send)    └──────────┘
                             ^                                                  │
                             │              ┌──────────┐                        │
                             └──────────────│ Speaking │<───────────────────────┘
                               (done)       └──────────┘       (tokens arrive)

总结

构建 DinoDesk AI 让我们意识到，AI 不必被困在浏览器标签页或云数据中心里。当你在一个开源模型（比如 Gemma 4）上赋予它一双像素眼睛、一个 8 位声音、一条摇摆的 LEGO 尾巴，以及在遇到难题时调用 Gemini 的能力，你的桌面瞬间就会变得生动许多。🦖✨

这仍然是一个进行中的项目，还不太完美，但我很快会带着完整实现的语音聊天功能回来！在那之前，每次你按下按钮时，请享受这有趣的小 8 位音效吧。Beep-Boop！

点击这里克隆仓库：https://github.com/google-gemma/dinodesk-ai-companion/

欢迎留言分享你打算用它来创造什么。