「一语控物」要解决的核心问题是:把「把摄像头左转 45 度」这种人话, 翻译成设备能执行的指令,并且保证不幻觉。直觉方案是接一个大模型, 但这个项目最后的主力解析器里,一行模型调用都没有。这篇讲清楚为什么, 以及不用模型之后,防幻觉这件事靠什么守住。

01防幻觉其实是两个问题

拆开看,「不幻觉」由两个独立的子问题构成:

  1. 意图解析:「把摄像头左转 45 度」→ {action:'motion.rotate', params:{axis:'yaw', deg:-45}}
  2. 能力约束:设备没有的能力,不能编造出指令—— 要转成人类能听懂的拒绝话术

第二个问题经常被忽略,但它才是安全边界:对一台没有灯的云台说「开灯」, 正确答案不是报错堆栈,而是一句「这台设备不支持灯。它支持:转动、回中、扫描、读传感器」。 设备的能力表(capabilities)是设备自己上报的, 解析层只把它当约束来源——不在表里的动作,物理上就生成不出来。

02本机文法引擎:六级流水线

主力解析器是一条六级流水线,全程无网络:

core/ai/local-rule-engine.ts 的流水线
① 归一化    去空白标点、中文数字转阿拉伯("四十五"→45)、全角转半角
    ② 意图词匹配 先扫设备声明的 keywords,再扫本地同义词表,取最长匹配
    ③ 指代消解   命中"再/继续/接着"→ 取上一轮 intent,按修饰词微调
    ④ 参数抽取   方向词(左/右/上/下)+ 数量词(45度/一半/最大)→ 数值
    ⑤ 能力校验   在设备能力表里查 action;不在 → unsupported + 能力清单话术
    ⑥ 生成 reply 模板句 + 实际参数,供 UI 展示与 TTS 播报

「再往左一点」是这套流水线的试金石:命中前指词「再」→ 取上一轮 intent → 增量词「一点」映射为 15° → 得到 deg = -15。 这里有个容易写错的细节:相对指令必须用设备的真实当前角度做基准, 而不是上一轮的目标角——因为上一轮可能执行失败、可能存在机械误差。 用错基准,误差会一轮一轮累积。

03「停车」归谁:同长度仲裁

复合场景里有一个绕不开的冲突:云台和小车共享触发词。 「停车」对小车是 motion.drive{dir:stop},对云台是 motion.park(归位);「左转」对云台是转 15 度,对小车是原地转向。

说法云台类设备小车类设备
左转 / 往左motion.rotatemotion.drive{left}
停 / 停车motion.parkmotion.drive{stop}
前进 / 倒车边界话术「不支持驾驶」motion.drive{forward}

仲裁规则只有两条:最长匹配优先分不出胜负时,设备能力表说了算; 更进一步,设备可以在能力声明里自带 keywords—— 「权威在设备」是因为设备作者最懂自己的设备怎么被叫醒。设备报了「停车」归 drive、 只报「归位」给 park 时,共享词冲突由声明裁决;老固件不报关键词,才回退本地表。 而无论仲裁结果如何,最佳匹配不在能力表内就走进边界话术,从不放行。

04为什么这一版去掉了大模型

最初的方案里有云端 AI 翻译通道:云函数 + System Prompt 四段式模板 + temperature 0.1。这一版全部停用了,原因很具体:个人主体的小程序 无法申报「深度合成」类目,而文本出本机进模型就构成生成式形态。 与其踩着合规线提交,不如把解析全部收回本机——顺带的收益是: 无网络、无云函数也能完整演示,响应零延迟,零 API 成本。

有意思的是架构上的处理:云端通道的代码留着,但不部署、不调用。 解析层是一个 IAiClient 接口,本机引擎和云端适配器对接口一视同仁; 特性开关关掉后,路由器永远不会把请求分发出去——不是「尝试后失败降级」, 而是「根本不出网」。未来主体合规了,改一个开关即可启用, 会话编排、传输、校验两层一行不改。

这里有一个可以复用的判断:接口契约本身就是架构可替换性的证据。 写死 if/else 的解析层,未来接模型时是把整个模块重写; 而 IAiClient 这样的策略接口,未来接模型只是新增一个实现类。

05不确定时的行为,是设计出来的

置信度不足时的输出
{
      "action": "unsupported",
      "reply": "这句话我没太理解。你可以试着说:「把摄像头左转 45 度」「扫一圈周围」「现在温度多少」"
    }

置信度低于 0.4,或者能力校验未命中——输出永远是这个结构: 承认没听懂 + 给出示例引导。绝不猜测。 理由写在了设计文档里,但值得单独抄一遍:猜错并下发越权指令, 是比「没听懂」更糟的体验。「没听懂」消耗的是一次对话, 猜错消耗的是用户对整个系统的信任。

这条底线被测试钉死了:对虚拟云台说「跳个舞」→ 必须返回 unsupported 且话术含设备支持清单;对它说「开灯」→ 必须说明不支持灯。能力边界不是靠人肉保证的,是用例断言出来的。

关于本文
整理自「一语控物」项目的解析层设计与实施记录 (docs/03-指令解析层与降级策略.md v1.1)。
2026.10.23 整理
复盘时最想留下的是这个顺序:先定「不确定时怎么办」,再写「确定时怎么解析」。 兜底话术和能力边界测试都是先于流水线细节确定的—— 因为它们定义了这个系统的品格:宁可笨一点,不可错一句。