PostureGuard：基于智能眼镜的AI坐姿守护助手
基于智能眼镜第一视角的零感坐姿检测助手。专为长期伏案办公、关注脊椎健康的用户设计。用户通过语音指令手动触发拍照检测，系统即时分析坐姿并通过 TTS 语音反馈坐姿检测结果和坐姿建议指导。
核心价值
第一视角独占：眼镜“戴在头上、第一视角、解放双手”的天然属性，PostureGuard 能共享用户第一视角，无感完成坐姿检测。
不可替代性：手机端根本做不到——手机无法固定在眼前获得实时第一视角，举手机拍照分析坐姿会打断自然坐姿，无法客观分析用户的姿态。PostureGuard 不是“手机 App 搬上眼镜”，而是从眼镜形态重新定义的原生应用。他把智能AI座椅和专业镜头的功能结合在一起，通过眼镜捕捉和分析第一视觉用眼情况，推断是否有不良坐姿和用眼问题。
轻打扰体验：轻快门声，类比手表抬腕震感；不打断工作流。更拥有V2万整版本完全由agent自发完成监控拍摄，无用用户任何输入，是真正的0触发。
VLM 自判坐姿：不依赖 IMU 传感器（可引入，坐姿研判更准确），规则零手写，换模型不换逻辑。
科学依据：临床已经证实第一视角进行人体工学判断。纯CV（YOLOv8）也做过坐姿监测的实验。未来可通过在端侧布局轻量版CV模型，下沉至眼镜本地推理，高速低耗数据全离线。也可以引用IMU分析头倾斜角，把数据结合在一起，形成更准确无死角的人体姿态研判。
版本演进说明
版本演进：从 V1 触发式到 V2 场景触发，再到 Multi-Agent 生态
V1（触发式）：用户主动语音唤醒“检测坐姿”，拍照分析后 TTS 反馈。优点是稳定可靠，缺点是依赖用户自觉。（本版本）
V2（后台常驻）：V2代表了“无感守护”的核心产品理念，也是最初的设计。核心逻辑为每 40 秒自动抽帧、持续监测并VLM分析用户的姿态。
然而，搭建完成后，在多轮测试中我发现，百宝箱平台的“循环”节点在调用拍照插件时会出现图片数据偶尔丢失的问题。通过与 GPASS 官方人员共同定位，发现复杂逻辑下的跨轮变量与GPASS拍照插件之间存在瓶颈，长时间循环运行容易导致拍照插件阻塞，这是平台限制无法解决。因此，本次将不重点阐述这个版本。
V3（未来可参考）：发展为基于智能眼镜第一视角的多 Agent 并行健康管家。“工作”模式下（类比手机端的“工作”/“睡眠”/“勿扰”Mode），自动调度 “Eyeuse（用眼检测）”、“PostureGuard（坐姿管理）”、“Sitting_Time（久坐警告）”三个子 Agent，实现“一帧三吃 + 独立决策 + 统一提醒”的零感健康管理体验。
V1：触发式坐姿检测（稳定提交版）
1. 版本概述
版本定位：用户只需说一句“检测一下”，眼镜便自动拍摄第一视角画面，经 VLM 分析坐姿状态后通过 TTS 语音反馈结果——好姿势表扬、不良姿势提醒、模糊画面引导重拍，同时支持“退出”与闲聊引导，形成完整的语音交互闭环。
适用场景：用户想检查坐姿时，通过语音指令主动触发检测
核心价值：利用眼镜的第一视角优势，实现“一句话完成坐姿检测”的零操作体验。
提交状态：已在百宝箱平台搭建完成，稳定可演示 （APP ID：202607APx6eV20026214）
2. 产品交互用例
2.1 用户场景速览
用户输入 | 系统行为 | TTS 输出 |
|---|---|---|
“检测一下” | 拍照 → 分析 | good：“姿势不错，继续保持～” |
bad：“坐姿不太好哦，请调整一下姿势” | ||
unsure：“请面向桌面或屏幕，重新拍照” | ||
“退出” | 结束对话 | “好的，坐姿检测已退出，有需要随时叫我” |
其他内容 | 引导检测 | “我是坐姿检测助手，请说‘检测一下’来检查你的坐姿吧” |
直接上传图片 | 跳过拍照，直接分析 | 同上三分支（good/bad/unsure） |
2.2 决策树
3. 工作流设计
4. 技术框架
4.1 技术栈
层级 | 技术选型 | 说明 |
|---|---|---|
端侧硬件 | 智能眼镜（Rokid/雷鸟等） | 提供第一视角摄像头、麦克风、扬声器 |
语音识别 | 百宝箱内置 ASR | 将用户语音转为文本 |
意图分类 | 百宝箱意图识别节点 | 区分拍照/退出/其他三类意图 |
图像采集 | 百宝箱拍照插件 | 调用眼镜摄像头拍摄第一视角照片 |
视觉分析 | VLM 多模态大模型（Qwen3.5-plus） | 分析照片中的坐姿状态 |
语音合成 | 百宝箱 TTS 节点 | 将文本转为语音播报 |
工作流编排 | 百宝箱工作流引擎 | 串联所有节点，管理数据流 |
4.2 百宝箱节点设计
4.2.1 单 VLM 文本关键词匹配方案
核心思路：VLM 模型只输出一个单词（good/bad/unsure），分支节点直接通过文本匹配判断，无需任何代码节点解析 JSON。
优势：
零解析 Bug：不涉及 JSON 格式，不存在解析失败的风险
极简链路：VLM → 分支 → TTS，三个节点完成核心逻辑
高稳定性：文本匹配是平台原生能力，不会出现类型不匹配报错
4.2.2 VLM Prompt 设计要点
强制要求只输出一个单词，禁止输出任何其他文字
通过示例明确三种情况的输出值
在 Prompt 末尾强调“只输出单词，不要带引号、句号或任何其他字符”
4.2.3 错误兜底机制
异常情况 | 处理方式 | 用户体验 |
|---|---|---|
VLM 输出空值 | 默认走 unsure 分支 | TTS：“请面向桌面或屏幕，重新拍照” |
VLM 输出乱码 | 默认走 unsure 分支 | TTS：“请面向桌面或屏幕，重新拍照” |
拍照失败 | 无图片传入，走意图识别 | 用户需重新说“检测一下” |
意图识别失败 | 自动归入“其他” | TTS 引导用户说出“检测一下” |
4.3 数据流设计
4.4 Prompt 全集（见附录）
V2：自动式坐姿检测（时不时bug版）
1. 版本概述
版本定位：真“零打扰”办公健康搭档。循环每 40s 自动拍摄一帧画面，VLM 判断坐姿状态（good/bad/unsure），连续累计 6次错误坐姿（posture=“bad”）触发 TTS 提醒，连续2次正确坐姿（（posture=“good”）重新计数累计，并夸奖用户。全程无需用户任何主动操作。
核心价值：
第一视角独占：只有眼镜能共享你的视野。第一视角视野可以用来推断头颈角度和驼背程度（临床证实）。手机等硬件做不到，且掏手机拍摄会中断工作流，拍到的图片也不能再真实反馈用户视野。
零打扰体验：40s 一拍 + 轻快门声，类比手表抬腕震感；不打断工作流
双阈值防误判：bad 6次提醒、good 2次解锁，unsure 不计入，倒水 3 分钟回来不重置也不影响计数逻辑
与V1的本质区别：
V1：用户主动说“检测一下” → 才知道要检测
V2：戴上眼镜 → 自动开始守护 → 用户无需任何操作
提交状态：已在百宝箱平台搭建完成，拍照插件时不时抽风无法返回图片信息 （APP ID：202607APzt7q19792026）
2. 产品交互用例
2.1 用户场景速览
场景 | 行为 | 系统响应 |
|---|---|---|
正常办公 | 端正坐姿 | 无提醒，good累积 |
低头玩手机 | 连续bad，第6次触发TTS | “背挺直一点哦” → 锁定 |
继续低头 | bad继续但已锁定 | 不再重复提醒 |
坐直调整 | 连续good满2次 | 解锁，下次低头可再次提醒 |
短暂侧身 | unsure | 不干扰计数 |
2.2 触发机制
项目 | 值 |
|---|---|
检测频率 | 每40秒自动抽帧一次 |
提醒阈值 | 连续bad 6次（约4分钟） |
解锁条件 | 连续good 2次（约1分20秒） |
启动方式 | 用户语音“开始护眼” |
停止方式 | 用户语音“结束护眼” |
3. 工作流设计
3.1 整体架构![]()
4. 技术框架
FocusGuard - Posture Guard MVP 产品逻辑 百宝箱搭建手册 （详细可参考总文档）
4.1 百宝箱节点设计
4.2 状态机
V3: multi-agent的工作模式下健康管理
multi-agent工作模式下健康管理助手（详细可参考总文档）
V1附录-Prompt 全集
附录A：意图识别节点 Prompt
# 角色 你是一个精准的语音指令分类器，专门服务于智能眼镜的坐姿检测助手。 # 任务 分析用户的语音输入，判断用户意图属于以下两类之一： - "拍照"：用户想要检查当前坐姿。触发词包括：检测一下、看看姿势、坐姿怎么样、帮我看看、拍张照、检查一下、开始检测、看看我。 - "退出"：用户想要结束对话或离开功能。触发词包括：退出、再见、拜拜、关闭、停止、结束、退下。 如果用户的输入不属于以上两类，则自动归为"其他"类别。 # 输出要求 只输出对应的意图标签，不要有任何多余文字。 - 如果意图是"拍照"，输出：拍照 - 如果意图是"退出"，输出：退出 - 其他情况，输出：其他附录B：VLM 分析节点 Prompt
你是一个坐姿分析专家。分析这张第一视角照片，判断坐姿状态。 请严格遵循以下规则，只输出一个单词，不要输出任何其他文字、标点、解释或换行： - 如果坐姿良好（端正、视线平视），输出：good - 如果坐姿不良（低头、驼背、歪斜等），输出：bad - 如果无法判断（画面模糊、无参照物等），输出：unsure 注意：只输出单词，不要带引号、句号或任何其他字符。