JOJO 76741877a8 feat: 朗读功能、弹窗优化、Node.js 打包、Prompt 更新

- Assist/Agent 模式新增朗读开关 + NSSpeechSynthesizer 语音合成
- 朗读完成后弹窗延迟5秒带动画关闭（不再写死15/20秒）
- 打字模式下不自动关闭弹窗
- 二次输入时取消旧朗读/旧延迟关闭，避免竞争问题
- Agent 进度计时器第二次输入时正确归零
- DMG 打包自动清空 models.json API Key
- Node.js 运行时打包进 Agent/bin/，用户无需安装
- Agent system prompt 更新为 VoiceInput 身份 + 语音容错说明
- AGENTS.md 全面更新，补全 Agent 模式文档

2026-04-29 18:22:14 +08:00

12 KiB

Raw Blame History

VoiceInput — AI Agent 项目指南

项目概述

VoiceInput 是一款 macOS 菜单栏语音输入应用。按住 Fn / Globe 键录音，松开后通过剪贴板 + Cmd+V 自动将识别文本注入光标位置。支持 Apple 原生语音识别实时转录、LLM 纠错优化、AI 对话、Agent 智能体调用、多语言切换。

三种模式（双击 Control 循环切换）：

模式	图标	功能
Input（语音输入）	🎤	语音转文字 + LLM 纠错 → 注入光标
Assist（AI 助手）	💬	语音提问 → AI 回复（注入光标或刘海弹窗）
Agent（智能体）	🤖	语音/文字 → 多轮对话 + 工具调用 → 刘海弹窗

最低系统：macOS 14+
语言：Swift 5.9
构建系统：Swift Package Manager（Package.swift）+ Makefile

常用命令

所有命令在项目根目录执行。

命令	说明
`make build` / `make debug`	Debug 构建并生成 `.app` bundle
`make release`	Release 构建（优化）
`make run`	Debug 构建 + 启动应用
`make clean`	清理构建产物
`make install`	Release 构建 + 安装到 `/Applications`
`make sign`	Ad-hoc 签名（Release 后用）
`make dmg`	签名 + 创建 DMG 分发包（自动清空 API Key）

构建产物路径：.build/release/VoiceInput.app（Release）或 .build/debug/VoiceInput.app（Debug）。

.app bundle 由 scripts/create_app_bundle.sh 生成，负责将二进制 + 资源封装为标准 macOS 应用包。

项目结构

Sources/
├── main.swift                         # 入口：创建 NSApplication(.accessory) + AppDelegate
├── App/
│   ├── AppDelegate.swift              # 主控制器：权限、录音、模式调度、LLM、朗读
│   └── MenuBarController.swift        # 菜单栏图标与菜单（语言/模式/LLM配置）
├── Core/
│   ├── KeyMonitor.swift               # CGEvent 全局热键：Fn 长按录音、Control 双击切换
│   ├── SpeechRecognizer.swift         # SFSpeechRecognizer 封装：流式识别、语言切换
│   ├── AudioLevelMonitor.swift        # AVAudioEngine 音频电平：RMS 驱动波形
│   ├── TextInjector.swift             # 剪贴板 + Cmd+V 注入；自动切换 CJK 输入法
│   ├── InputSourceManager.swift       # 输入法检测与切换（中文/英文等）
│   ├── LLMRefiner.swift               # LLM API：语音纠错(refine) / AI 对话(chat)
│   ├── AgentBridge.swift              # Agent CLI 进程桥接：Node.js stdin/stdout JSON 通信
│   └── NotchDisplayManager.swift      # AI 回复刘海弹窗管理（Assist 模式）
├── UI/
│   ├── RecordingPanel.swift           # 胶囊浮动窗：无边框、底部居中、弹簧动画
│   ├── WaveformView.swift             # 5 条球形波动画：RMS 驱动实时跳动
│   ├── SettingsWindow.swift           # LLM 设置面板（Input/Assist/Agent 三合一）
│   ├── AgentNotchView.swift           # Agent 刘海弹窗视图（SwiftUI）
│   ├── AgentProgressTracker.swift     # Agent 任务进度追踪（工具调用/流式输出）
│   ├── AgentModelEditor.swift         # Agent 模型添加/编辑弹窗
│   ├── AppKitTextField.swift          # 支持快捷键的 NSTextField 包装
│   ├── KeyEquivalentSecureTextField.swift # 支持快捷键的安全文本框
│   └── KeyEquivalentPanel.swift       # 支持快捷键的 NSPanel 基类
├── Utils/
│   └── Config.swift                   # UserDefaults 持久化：语言、LLM、触发模式、朗读等
└── Resources/
    ├── AppIcon.icns                   # 应用图标
    ├── AppIcon-macOS.png              # 图标源文件
    └── Info.plist                     # Bundle 配置

Agent/
├── models.json                        # Agent 模型配置（API URL/Key/Model）
├── models.example.json                # 模型配置模板（分发包用）
├── prompts/
│   └── system.txt                     # Agent system prompt（含 {current_time} 等占位符）
├── src/
│   ├── bridge.js                      # Node.js 桥接入口（stdin/stdout JSON 通信）
│   ├── config.js                      # 配置加载
│   ├── cli/                           # CLI 命令处理
│   ├── core/                          # 上下文构建、状态管理
│   ├── model/                         # LLM 客户端、模型配置
│   ├── storage/                       # 对话历史存储
│   ├── tools/                         # 工具实现（文件读写、命令执行、搜索等）
│   └── ui/                            # CLI 终端 UI（Agent 内部使用）
└── node_modules/                      # npm 依赖

架构模式

应用生命周期

main.swift 创建 NSApplication 并设置为 .accessory（无 Dock 图标，仅菜单栏）。AppDelegate 通过 static retainedInstance 保持强引用（因为 NSApplication.delegate 是 weak）。

权限引导流程（顺序执行）

辅助功能权限 → 输入监控权限 → 启动 KeyMonitor
                                      ↓
                              运行时按需请求：
                              麦克风权限 + 语音识别权限

beginPermissionFlow() 使用 CGPreflightListenEventAccess() 和 CGEvent.tapCreate 做权限预检。未授权时弹出对话框 + 轮询 Timer。

录音与调度流程

Fn Down（长按 > 200ms）
  → AppDelegate.startRecording()
    → AudioLevelMonitor.start()        // 音频电平
    → SpeechRecognizer.start()         // 语音识别
    → RecordingPanel.showAnimated()    // 显示胶囊窗

Fn Up
  → AppDelegate.stopRecording()
    → 根据 triggerMode 分发：
        ├── input  → handleInputMode()  → LLMRefiner.refine() → TextInjector.inject()
        ├── assist → handleAssistMode() → LLMRefiner.chat()   → inject 或 Notch弹窗
        └── agent  → handleAgentMode()  → AgentBridge 子进程 → AgentNotch 弹窗

Fn 键交互

KeyMonitor 通过 CGEvent.tapCreate(.cghidEventTap) 监听 flagsChanged 事件。

Fn 键 mask 0x00800000，长按 > 200ms：录音（onFnDown → onFnUp）
Control 键 mask 0x00040000，双击（间隔 < 400ms）：切换模式（onControlDoubleClick → Input → Assist → Agent 循环）
Fn 短按（< 200ms）：无操作

三种模式详解

Input 模式（语音输入）

流程：语音识别 → LLM 纠错（可选）→ 注入光标
LLM 配置：Config.shared.inputLLM（菜单栏 🎤 Input LLM → Settings）

Assist 模式（AI 助手）

流程：语音识别 → LLM 对话 → 结果展示
输出方式（Config.shared.assistOutputMode）：
- inject：直接注入光标
- notch：刘海弹窗展示（NotchDisplayManager）
朗读开关（Config.shared.assistSpeakEnabled）：弹窗模式下朗读 AI 回复
LLM 配置：Config.shared.assistLLM（菜单栏 💬 Assist LLM → Settings）

Agent 模式（智能体）

流程：语音/文字输入 → Node.js CLI 子进程 → 工具调用 → 流式输出
通过 AgentBridge 与 Agent/src/bridge.js 通信（stdin/stdout JSON 行协议）
结果在 AgentNotchView（刘海弹窗）展示，支持复制/停止/新对话
朗读开关（Config.shared.agentSpeakEnabled）：任务完成时朗读最终输出
配置通过 Agent/models.json 管理（菜单栏 🤖 Agent LLM → Settings）

Agent JSON 通信协议

AgentBridge 通过 bridge.js 子进程的 stdin/stdout 通信：

发送（stdin）：

{"action":"chat","message":"用户输入","workspace":"/path","allowMode":"full_access","modelKey":"deepseek-v4-flash","thinkingMode":false}

接收（stdout，逐行 JSON）：

type	说明
`status`	状态变更 `{"mode":"thinking"}`
`tool_start`	工具开始 `{"tool":"run_command","display":"ls -la"}`
`tool_end`	工具结束 `{"tool":"run_command","result":["line1","line2"]}`
`assistant_chunk`	流式文本 `{"content":"部分回复..."}`
`done`	任务完成 `{"content":"完整回复","elapsed_ms":1234}`
`error`	错误 `{"message":"错误描述"}`

语音朗读

AppDelegate 使用 NSSpeechSynthesizer（macOS 原生）进行语音合成。朗读行为：

模式	触发时机	弹窗关闭逻辑
Assist	AI 回复弹窗展示时（需开启开关 + notch 模式）	朗读完成 + 5s 带动画关闭
Agent	任务完成 `.done` 事件时（需开启开关）	朗读完成 + 5s 带动画关闭

朗读开关关闭时，弹窗按固定时间关闭（Assist 15s / Agent 20s）。用户手动停止/关闭弹窗或开始新对话时立即停止朗读。

DMG 安全

make dmg 打包时会自动将 models.json 替换为空配置 {"models":[],"default_model":"","tavily_api_key":""}，防止 API Key 泄露。本地开发构建不受影响。

代码约定

约定	说明
`final class`	所有业务类默认使用，除非设计上需要继承
`weak self`	闭包/异步回调中必须使用，防止循环引用
`@MainActor`	所有 UI 操作在主线程，异步任务用 `Task { @MainActor in }`
`// MARK: -`	按功能分区，保持 `AppDelegate` 等大文件可读性
Print 日志	使用 `print("[模块名] 内容")` 格式，如 `[KeyMonitor]`、`[App]`
权限处理	所有权限失败必须给用户明确提示（NSAlert）并引导至系统设置
异步	语音识别和 LLM 调用使用 Swift Concurrency（`async/await`）

关键依赖

Swift 端

所有依赖通过系统框架链接：

Speech           → 语音识别
AVFAudio         → 音频采集与电平
Carbon           → 全局热键（已逐步迁移至 CoreGraphics）
CoreGraphics     → CGEvent API（热键监听、文本注入）
AppKit           → UI 组件、NSSpeechSynthesizer（语音合成）
Foundation       → 基础类型与网络
DynamicNotchKit  → 刘海弹窗（Swift Package，纯 SwiftUI）

Entitlements 文件 Sources/Resources/VoiceInput.entitlements：

com.apple.security.device.audio-input — 麦克风
com.apple.security.cs.disable-library-validation — 允许加载系统插件

Agent 端（Node.js）

Agent CLI 使用 Node.js，入口为 Agent/src/bridge.js。Node.js 运行时已打包在 Agent/bin/node（arm64），构建时自动进入 .app bundle。用户无需额外安装 Node.js。

注意事项

ARC 陷阱：NSApplication.delegate 是 weak 引用，main.swift 中的 AppDelegate 会被 ARC 释放。解决方案：AppDelegate 内部使用 static retainedInstance 自持 + main.swift 使用 withExtendedLifetime 双重保险。
HID Event Tap 回退：KeyMonitor 优先创建 .cghidEventTap，失败时回退到 .cgSessionEventTap。前者需要输入监控权限，后者权限要求较低但可能丢失部分事件。
语音识别间歇性报错：SFSpeechRecognizer 在环境安静时可能报 kAFAssistantErrorDomain 1110（无语音输入），AppDelegate 中已忽略此错误。
输入法切换：注入文本前 TextInjector 会通过 InputSourceManager 检测并切换到合适的 CJK 输入法，确保粘贴中文时不出现乱码。
DMG 构建：make dmg 依赖 make sign → make release，需要 hdiutil（系统自带）。打包时自动清空 models.json 中的 API Key。
Agent prompt 维护：Agent 的 system prompt 在 Agent/prompts/system.txt，包含 {current_time}、{model_id} 等占位符，由 context.js 的 buildSystemPrompt() 在运行时替换。
NSSpeechSynthesizer 弃用警告：macOS 14 标记 NSSpeechSynthesizer 为 deprecated（建议用 AVSpeechSynthesizer），但功能正常。编译时仅有 warning，无 error。

12 KiB Raw Blame History Unescape Escape