Rokid AI眼镜驱动古建筑文物全流程智能讲解终端

一. 前言

近几年，文旅行业持续聚焦数字化升级与沉浸式体验优化，AR智能穿戴设备的出现，为传统景区讲解模式注入了全新可能。过去，博物馆与景区的讲解服务长期面临痛点：人工导游难以覆盖海量游客，固定讲解词缺乏情感温度，电子导览内容要么枯燥乏味，要么信息过载，游客只能按既定路线走马观花，重复游览也难有新收获。用户真正渴望的是轻松、沉浸且富有深度的游览体验，但现实往往是“听完即忘”。

本方案基于Rokid乐奇AR眼镜，设计了一款文博裸眼景识讲解官智能体。核心思路极其明确——将AR硬件的识别能力与文博场景的讲解需求深度咬合，从视觉识别、语音讲解、知识库调用到交互流程，进行了系统性规划。简而言之，AR眼镜的第一视角摄像头负责“看见”景物，自动完成识别、匹配、解说与存储，全程无需手动操作，游客只需专注观看与聆听。目标纯粹：让裸眼所见的每一处景物，都能即时获得通俗而专业的讲解，真正实现“即见即讲、随行随答”。

二. 智能体搭建流程

整个智能体在Rokid自有智能体创作平台上完成，从底层定位、规则配置、模块搭建、知识库对接，到交互体验优化，均经过逐一专项定制。

（一）核心人设与服务使命定位

智能体的“身份”必须清晰明确。其设定为Rokid乐奇AR眼镜专属的文博裸眼景识讲解官。服务使命同样一目了然：利用眼镜实时捕获的第一视角画面，自动识别古建筑、历史文物、雕塑、遗址、馆藏藏品等各类文博对象，并以口语化又不失专业的语言，通过语音与文字同步呈现，让用户在虚实融合中获取深度信息。

这一精准定位直接决定了后续所有规则、模块及文案风格方向，也帮助用户快速理解智能体的能力边界与核心价值。

（二）智能体全链路工作流搭建与分步实现

1. 初始输入节点：底层数据入口配置

工作流的第一步是搭建数据入口。在此完成了两个关键变量的接入：一是用户的语音文本输入USER_INPUT，二是AR眼镜实时采集的画面图像输入USER_INPUT_IMAGE。两个数据源同步进入系统，为后续意图识别与景物解析提供原始素材，奠定整个循环链路的基础。

2. 第一节点：语音唤醒意图校验模块

数据进入后，首先需判断用户的真实意图。此节点专用于语义筛选，接收用户文本输入并对意图进行精准分类，输出两个核心变量：分类编号classificationId与解析标签reason。预设分类边界清晰：一类为有效意图——用户希望了解古建筑、文物、古迹等；另一类为无关意图——如闲聊、查询天气等。如此一来，系统仅在用户真正需要讲解时触发后续流程，既提升效率，又避免无效响应。

3. 第二节点：外层循环搭建

指令下发后，流程进入闭环模块——循环体。该模块是整个智能体的业务运行载体，将视觉识别、文案生成、用户交互判断、内容优化、循环跳转等环节统一封装，完成一轮完整业务逻辑。执行结果通过内部跳转节点向上反馈，驱动循环迭代或整体退出。

4. 第三节点：画面景物主体视觉识别模块

此节点堪称整个智能体的核心。它调用平台视觉大模型doubao-seed-1-6-vision-250815，以AR眼镜实时拍摄的画面为输入，完成画面内实景主体的精准识别、定位与信息解析，最终输出识别结果。关键之处在于：一切均为无感自动完成——用户无需手动框选或上传图片，眼镜实时采集的视野画面即可直接识别古建筑、文物、雕塑、遗址、馆藏藏品等对象，实现从现实景物到数字信息的无缝转换。

5. 第四节点：大模型讲解内容生成模块

景物识别完成后，进入最终讲解内容生成环节。同样调用视觉文本一体化大模型doubao-seed-1-6-vision-250815，以上一节点输出的识别结果为基础，结合预先设定的工作规则、文博知识库及内容输出规范，生成完整讲解文案。生成原则讲究：固定输出基础简介、历史背景、朝代渊源、人文典故、艺术价值、游玩看点六大维度；语言口语化，适配AR眼镜语音播报；内容精简分段，适应眼镜小屏显示；优先调用专属知识库权威资料，无内置资料时自动检索公开文史信息；同时联动用户游览记忆变量，实现重复游览时的知识增量补充。

6. 第五节点：问答节点

首轮讲解内容生成后，系统不会直接结束，而是进入用户交互反馈环节。此节点内置标准化问询话术——询问用户是否满意。节点设有三个分支选项：满意、不满意，以及一个隐藏备用分支。用户的实时反馈直接决定下一步走向。

7. 第六节点：内容重优化模块

若用户反馈不满意，系统将启动深度优化模块。同样调用视觉大模型，以原始实时画面为输入，结合上一轮讲解内容的上下文，重新对景物进行深层次信息挖掘与内容补全，生成全新的优化版讲解文案。

8. 第七节点：继续循环节点和终止循环节点

用户反馈满意时，流程进入继续循环模块。该节点负责向上反馈重启指令，驱动整个业务链路回到循环起点，重新执行一轮“画面识别→初稿生成→满意度问询”的全过程，实现多轮迭代交互。

9. 收尾闭环节点：流程结束与结果输出

最后是收尾节点。所有讲解内容统一以output变量返回，同步输出至AR眼镜终端，完成悬浮屏文字展示与实时语音朗读。数据链路回流至起始节点，确保用户后续再次唤醒、识别新景物时，可无缝触发整套工作流。

（三）对话交互模块：专属开场白定制

工作流、规则与知识库搭建完成后，还需优化用户首次唤醒智能体的体验。结合AR眼镜轻量交互、随身导览的场景，定制了一段开场白。内容清晰介绍智能体的身份、核心识别能力、讲解服务范围及游览记忆特色功能，同时强调口语精简、适配设备语音播报的输出特点。整体简洁亲和，既让用户快速了解能力范围，也引导顺利完成首次唤醒操作。

真机效果展示：

三. 总结

本次基于Rokid乐奇AR眼镜构建的文博裸眼景识讲解官智能体，从人设定位、规则制定、模块配置、知识库搭建到交互优化，完成了一次较为完整的闭环设计。核心目标在于解决传统文旅讲解普遍存在的覆盖不足、内容生硬、形式不灵活等痛点，同时充分释放AR硬件“裸眼识别”的独特优势。系统所形成的服务体系，涵盖唤醒讲解、拓展答疑、复游知识更新等环节，基本实现了全周期覆盖。这种“所见即所得、即讲即懂”的模式，不仅为游客带来差异化体验，也为AR技术在文旅文博领域的落地提供了可操作的参考方案。当然，后续仍有改进空间——例如知识库的持续扩充、讲解风格的个性化调整、多景物同时识别的优化等，这些都将进一步拓展智能体的服务边界。