Ada：OpenAI 实时 API 驱动的个人 AI 助手

想象这样一个场景：深夜写代码，鼠标悬停在某个陌生的 API 参数上犹豫不决——这时无需切换窗口，你的 AI 助手已经通过麦克风听到了你的困惑，用语音直接给出解释。这种「动动嘴就能让 AI 替你干活」的体验，正是 disler/poc-realtime-ai-assistant 正在探索的方向。

该项目由独立开发者 Dan Disler 构建，核心是一个名为 Ada 的个人 AI 助手，基于 OpenAI Realtime API 实现实时语音对话加工具调用能力。与传统 ChatGPT 对话不同，Ada 实现了端到端的语音交互：用户说话、实时音频流、OpenAI 处理、AI 回复音频流、播放给用户，整个过程延迟更低、交互更自然。

图1：Ada 助手运行界面

背景：Realtime API 打开了什么门？

2024 年中，OpenAI 正式开放了 Realtime API，这是一个支持 WebSocket 长连接的多模态接口。与标准的 Chat Completions API 相比，它最大的区别在于支持音频流式传输：客户端可以一边录麦克风一边把音频 chunk 发送给服务器，服务器也可以边生成边返回语音响应，无需等待完整文本生成完毕。

这一能力对 AI 助手赛道意义重大——它让「AI 实时语音助手」从需要复杂工程（录音、ASR、LLM、TTS、播放）简化为一个 WebSocket 连接。Dan Disler 的项目正是这一能力早期探索的产物，代码注释中自称 v0.3 poc（概念验证），但已包含了许多核心想法。

核心架构：异步语音管道的工程实现

项目采用 Python 3.12 加 asyncio 全异步架构，核心技术栈如下：

main.py 中的 RealtimeAPI 类是核心引擎。它使用 websockets.connect() 建立到 wss://api.openai.com/v1/realtime?model=gpt-4o-realtime-preview-2024-10-01 的长连接，通过 asyncio 任务同时处理：麦克风音频采集、音频播放、WebSocket 消息循环。

模块结构清晰：

• async_microphone.py：异步麦克风采集器，将 PCM 音频分包 base64 编码后通过 WebSocket 发送
• audio.py：音频播放模块
• tools.py（66KB，最大文件）：定义所有 AI 可调用的工具函数，包括文件操作、浏览器控制、数据库查询等
• memory_management.py：基于 JSON 的轻量级记忆管理，支持 key-value 存储和 XML 格式导出供 prompt 使用
• database.py：统一数据库抽象层，支持 SQLite、PostgreSQL、DuckDB 三种引擎
• llm.py：封装 OpenAI 结构化输出（beta.chat.completions.parse）和普通对话接口
• mermaid.py：Mermaid 图表生成工具，调用 LLM 生成 Mermaid DSL
• logging.py：基于 rich 的结构化日志，含 WebSocket 事件 emoji 可视化

图2：AI工程师与AI助手的协作规划

工具生态：AI 助手的「手和眼」

Ada 的真正能力在于它的工具集。TOOLS.md 详细列出了 20 加多个工具函数，覆盖：

文件操作：创建、更新、删除文件，读取文件到记忆，剪贴板内容保存到文件。

浏览器控制：通过 open_browser 函数，根据用户描述自动打开最合适的 URL，整合了 personalization.json 中预配置的网站列表。

数据库查询：支持 SQLite、PostgreSQL、DuckDB 三种 SQL 方言，可以加载表定义到记忆、用自然语言生成 SQL、执行查询并保存结果为 CSV、JSONL、JSON。

Python 执行：通过 runnable_code_check 检查代码可运行性，通过 run_python 执行 scratch_pad 中的 Python 脚本。

记忆管理：记忆以 JSON 文件持久化（active_memory.json），支持增删改查和 XML 导出，供 AI 在 prompt 中读取上下文。

信息抓取：firecrawl-py 驱动网页抓取，配合剪贴板自动获取 URL 并保存内容。

数据可视化：调用 Matplotlib 生成图表，通过 create_python_chart 读取 CSV 并生成图表代码。

这些工具通过 OpenAI 的函数调用（Function Calling）机制注册到 Realtime API，AI 可以在对话过程中自主决定调用哪些工具。

使用方式：CLI 为主，语音优先

项目不提供 Web UI，完全以 CLI 方式运行：

# 安装
cp .env.sample .env  # 填入 OPENAI_API_KEY
uv sync

# 交互模式（语音）
uv run main

# 批处理模式（文本）
uv run main --prompts "Hello|What time is it?"

personalization.json 是核心配置文件，可以自定义 AI 名称、主人名、默认网站列表、SQL 方言、系统指令后缀等。项目默认的 AI 名称是「Ada」（致敬 Ada Lovelace）。

图3：面向工程师的 AI 助手完整架构

技术亮点与局限

亮点：

• 全异步架构加 asyncio 协程，并发处理音频流与 WebSocket 消息
• 多数据库引擎支持（DuckDB、PostgreSQL、SQLite），适配不同场景
• 丰富的工具生态，涵盖文件、浏览器、SQL、爬虫、可视化
• 结构化输出（beta.chat.completions.parse）确保函数调用参数可靠
• 记忆管理轻量实用，XML 导出格式便于 LLM 读取

局限：

• 无 Web UI，纯命令行，非技术用户门槛高
• 无 Docker 支持，无法容器化一键部署
• 依赖麦克风设备，无设备时只能文本交互
• POC 阶段（v0.3），代码稳定性未在生产环境验证
• 仅支持 OpenAI，切换到其他厂商模型需大量改动
• Firecrawl 爬虫需额外付费的 API Key

行业意义与趋势

从 716 stars 和 214 forks 的数据来看，这个项目已经引起了开发者社区的广泛关注。它代表了一个重要趋势：AI 助手正从「对话窗口」向「命令行伙伴」演进。

Dan Disler 在 README 中引用了 YouTube 视频，展示用 Ada 进行 SQL 编程、AI 工程讨论、浏览器自动化等场景。这种「语音驱动加工具调用」的范式，与 Anthropic 的 Computer Use、OpenAI 的 Agent SDK 方向一致，但实现更轻量、更专注个人使用场景。

AI_DOCS 目录包含 3 个 Markdown 文档（event_docs.md、realtime_api_docs.md、js_implementation.md），详细记录了 Realtime API 的事件类型和 JS 实现参考，为后续开发者提供了宝贵的文档资源。

这个项目的增长曲线值得关注——作为 OpenAI Realtime API 的早期探索，它为「实时语音 AI 助手」这一新兴赛道提供了可参考的实现模板。对于想构建类似能力的开发者，它是一个值得研究的学习样本。