企业官网建设流程全解析

"码上提分"这个项目名是个双关：对家长来说是"马上提分"，对我来说是"写代码提分"。整个想法从起念到跑通，花了大概六周时间。核心就一件事——把手里的 Rokid AR 眼镜，做成一套能陪孩子写作业、讲题目、又不会让孩子分心去刷视频的智能作业辅导系统。

这篇文章不打算讲虚的。我会把整套系统的硬件组合方式、核心数据链路、每个功能模块的实现思路、调试时踩过的坑，以及孩子真实使用一个月后的效果全部摊开说。如果你也动过"拿 AR 设备做点教育场景"的念头，或者家里正好有个卡在作业题上的小学生，这篇文章应该能给你一份足够落地、可以直接照着复现的参考。

1. 从作业辅导崩溃现场到第一版原型

1.1 为什么非得给"辅导作业"做一套专属设备

先说说痛点。我家孩子上四年级，最崩溃的科目是数学应用题和英语完形填空。我辅导过几次之后发现，真正的难点不是题目本身难，而是"讲的方式不对"。家长辅导最容易犯的毛病是直接给答案、急着讲完，孩子表面点头，下次同样的题换个数字又不会。想启发式引导，很多题我自己也得先想半天。初中的几何辅助线、小学的分数应用题，老实说不少题我得现场搜答案。搜出来的答案是有了，但怎么把答案转成孩子能听懂的讲解，搜索引擎帮不上忙。

还有个更现实的问题：手机和平板放在书桌上，写着写着就变成了刷短视频。就算家长坐旁边盯着，孩子拿到手机的瞬间，注意力就散了。所以我想要的是一台"只在卡壳时出现、平时安安静静"的辅导设备——孩子先自己思考，卡住了再抬头求助，系统用语音加画面提示的方式讲解，而不是把整道题的答案一次性甩出来。这个交互形态，天然就是 AR 眼镜的强项：提示可以叠在真实视野旁边，又不占用双手，更不像手机那样容易让人跑偏。

1.2 硬件选型：为什么是 Rokid 而不是其他方案

我对比过四类常见方案，各有各的问题：

• 平板加支架：便宜省事，但平板立在桌上会遮挡视线，孩子低头看题、抬头看屏，眼睛和颈椎来回切换非常累。
• 智能音箱：可以语音提问，但纸质题目里的图形、单位、算式，用语音根本描述不清，音箱也没有视觉能力。
• 手机拍照搜题：识别准、答案全，但使用过程自带娱乐终端属性，家长不在旁边，大概率变成玩游戏的入口。
• AR 眼镜：显示内容悬浮在眼前，纸质题目该怎么看还怎么看，提示以一个小窗形式出现在侧方，不遮挡主要视线。语音交互解放双手，设备里没有社交 App、没有短视频，孩子不容易被带跑。

方向锁定 AR 眼镜之后，我对比了几个品牌。选 Rokid 的核心原因有三条。第一是清晰度，Rokid 的消费级眼镜用的是 Micro-OLED 微显示屏，单眼分辨率达到 1080P，文字边缘锐利，看讲解文本不吃力。第二是价格，光波导方案的眼镜虽然镜片更薄、更适合户外透传，但整套价格高出不少，而 Rokid 主流的 BirdBath 方案在室内固定场景下色彩和亮度反而更好，一整套在两三千元档位，拿来做家用项目预算完全能接受。第三是开发者生态，Rokid 开放平台提供安卓和 Unity 两套 SDK，支持 ADB 调试，对我这种习惯用 Android Studio 写代码的人门槛最低。

这里澄清一个容易混淆的点：很多人以为"AR 眼镜"就必须是光波导。实际上光波导的优势在镜片薄、透光率高，适合整天戴着走；但我们做作业辅导基本都在书桌前，环境光可控，BirdBath 方案的显示亮度和色彩还原反而更适合。选型要跟着使用场景走，别被"最新技术"四个字带偏。

1.3 第一版原型的完整交互闭环

第一版原型跑通之后，交互流程是这样的：孩子卡壳时，按一下手机 App 上的"拍题"按钮；App 调用摄像头拍下题目区域并自动裁剪；OCR 引擎识别出题目文本；文本发送到云端大模型，模型按照我预设的提示词生成"分步提示 + 完整讲解 + 检查方法"三段式内容；讲解文本在手机端渲染成卡片，通过 Rokid 眼镜呈现在孩子视野里；TTS 把关键句子念出来，孩子随时可以喊"再讲一遍"或者"下一步"。

这个闭环看起来简单，真正落地时每一环都有坑。OCR 把"√3"识别成"/3"、大模型把答案直接写在第一步提示里、眼镜里的字太小看不清、从按下按钮到语音开口要等四秒——这些我后面会一节一节展开讲。原型阶段最大的收获不是功能全部跑通，而是验证了一个关键假设：孩子对"对着眼镜问一道题"这件事没有抵触情绪，甚至觉得比问家长轻松。

2. 系统到底长什么样：硬件组合与数据链路设计

2.1 这套系统的硬件组成与各自职责

给系统画个像。整套设备由三部分构成：Rokid 眼镜负责显示，一台安卓手机负责识别和计算，网络环境负责连接大模型接口。第一个版本跑在"手机 + 眼镜直连"模式下，因为这样调试最方便，日志随便打。后来我把整个 App 适配到 Rokid 的独立算力终端上跑，孩子手不用碰手机，直接按终端侧边的拍照键就能触发识别。

各部分的职责拆开看：

这个架构里，手机是绝对核心。眼镜本身不带重计算能力，它更像一块"高分辨率的外部显示器"。所以整个项目的技术工作，大部分都落在安卓 App 里：怎么把摄像头画面处理成干净的题目文本，怎么把模型返回的 Markdown 渲染成眼镜里能看清的卡片，怎么让语音交互不打断孩子思路。

2.2 核心数据链路：一帧纸面画面的旅程

一条完整的数据链路，从孩子按下按钮开始。摄像头先对着纸面取景，App 要做自动聚焦和边缘检测，把"桌面杂物 + 台灯光斑 + 题目区域"区分开。然后进入 OCR 环节，这里我特意把识别放在本地而不是云端——作业照片涉及孩子隐私，题目图片不应该为了识别多上传一份到服务器；另外本地识别省掉了上传耗时，整个链路更紧凑。

OCR 输出的题目文本，会先做一次"归一化"处理：把全角半角符号统一、把多余空格清掉、把 OCR 常见的识别错误（比如把 0 认成 o）修正一遍。然后文本被组装进一个大模型 Prompt，请求走流式接口。模型开始返回后，App 不等全部内容生成完，立刻把第一段提示文字渲染成卡片并交给 TTS 播放。孩子听到第一句话的时候，模型可能还在生成后面的完整解法。这种"边生成边播报"的模式，是延迟体验的关键。

2.3 关键设计指标与选型理由

我给这套系统定了两个硬指标。第一，从按下按钮到孩子听到第一句话，必须控制在 2 秒内。孩子的耐心窗口比成年人短得多，超过 3 秒没反应，他就开始乱按按钮了。第二，眼镜里一屏显示的讲解文字不超过 80 个字。AR 显示不是手机屏幕，字太多根本看不过来，配合语音引导，一次只给一步提示，效果远好于一次性把所有解法铺满。

围绕这两个指标，选型逻辑很明确。OCR 选本地端侧模型，因为云端 OCR 的一次请求就要多花一到两秒，还会把题目图片传到外部服务器。大模型必须支持流式输出，如果等模型把完整讲解都生成完再显示，耗时至少八秒，孩子早没耐心了。TTS 也要支持流式合成，拿到模型第一段文字就开始发音。这三条一起决定了大框架，后面所有优化都是在这个框架里抠细节。

3. Rokid XR 开发环境搭建中的关键细节

3.1 开发者模式、设备连接与眼镜工作模式

很多首次接触 Rokid 开发的人，倒在前两步：眼镜连上手机只能看到手机桌面镜像，自己的 App 画面出不来；或者 ADB 根本连不上设备。这里有个容易忽略的点：眼镜本身不是调试目标，手机才是。你开发的其实是一个普通安卓 App，眼镜只是它的显示输出。所以第一步是打开手机端的 USB 调试，把 Rokid 眼镜通过 USB-C 线连上手机，确认手机画面能镜像到眼镜里，这时候在电脑上执行adb devices，能看到的是手机设备，而不是眼镜。

Rokid 眼镜实际有两种工作模式，开发时要用手机镜像模式，方便打日志、看渲染状态；做成成品给用户用时切换到AR 空间模式，系统会把手机桌面转成虚拟屏幕，应用内容能够浮动在真实环境里。模式切换可以在配套 App 里完成，也可以在代码里通过 Rokid SDK 的接口动态设置。

另一个我踩过的小坑：第一版我偷懒，直接把手机完整界面投到眼镜里，孩子看到的是整个手机桌面，包含状态栏、通知、别的 App 图标。这完全没有 AR 感，而且很容易误触。正确做法是应用内只渲染自己定义的"讲解卡片"区域，其他部分全部保持透明黑，让真实桌面透过来。这一步需要理解 SDK 的渲染层概念，但一旦做对，体验从一个"手机投屏"变成了真正的"眼前悬浮一张卡片"。

3.2 最小可运行 Demo 的搭建顺序

我建议新人按这个顺序搭，每步做完都能看到一个"能跑"的结果，再进入下一步：

1. 手机连眼镜，确认镜像模式能正常显示画面。
2. 在 Android Studio 里新建空项目，创建一个自定义 View，画一个纯色矩形，确认画面能输出到眼镜并清晰可见。
3. 调用系统摄像头 API 拍一张照片，存到本地相册。
4. 引入 OCR 库（我用的是 PaddleOCR 的安卓端侧版本），识别照片里的文字并把结果打印到 Logcat。
5. 接大模型接口：把识别文本发过去，Log 里打印模型返回的完整回复。
6. 把回复字符串显示到刚才那个自定义 View 上，确认眼镜里能读出文字。
7. 接入 TTS，让文字能被念出来。
8. 接入语音识别（ASR），支持"下一题""再讲一遍"两个基本命令。
9. 最后才是优化排版、调整字号、做防沉迷提示这些成品化工作。

这个顺序的核心思想是：每一步之间依赖最小，每步都能单独验证。很多项目失败不是因为某个技术难，而是因为一口气把十件事全做完，出问题根本不知道怪谁。

3.3 真机调试和模拟器完全不是一回事

Android 模拟器在这个项目里基本只能用来调试业务逻辑，显示效果完全不能当真。原因有三个：模拟器没有 Rokid 眼镜的视场角概念，内容在模拟器里排版完美，上真机之后会被视野边沿裁掉一角；模拟器屏幕是标准手机长宽比，而眼镜中的画面比例更接近 16:9 的超宽比例，左右两侧经常出现"内容消失了"的情况；模拟器亮度恒定，而真实环境下台灯、窗户反光都会影响透光显示效果，深色背景和白色字体的对比度需要真机上反复调。

我前几版在模拟器里把讲解卡片设计得漂漂亮亮，一戴上眼镜，右侧一列文字直接被切掉。后来学乖了，所有显示相关的调试全部真机完成，模拟器只用来跑数据解析和网络请求这类逻辑测试。真机调试加打印日志，配合adb screencap截取眼镜看到的画面，是最高效的组合。

4. 作业辅导核心功能逐块拆解

4.1 第一块：纸面题目的视觉识别链路

视觉识别是整个系统里最容易被低估的部分。刚开始我以为"拍照 + OCR"是很成熟的技术，直接调库就行，结果第一轮测试的识别准确率惨不忍睹。问题出在拍照质量上：孩子手拿不稳，台灯直射纸面产生反光，桌面杂物混进画面，这些都会让 OCR 引擎崩溃。

解决办法是加了一个预处理管线。拍照之后 App 先做四边形边缘检测，找纸面的四个角，把题目区域透视矫正并裁剪出来；然后转成灰度图，做一次对比度增强；最后才交给 OCR 引擎。这一套下来，识别成功率从七八成直接拉到九成五以上。PaddleOCR 的端侧模型中文识别很稳，它还支持自定义词典，我把"厘米""千克""三角形""路程"这些课本高频词加进了词典，识别结果的可靠性又提升了一截。

公式识别是另一个通道。普通 OCR 把"½"认成"1/2"还能用，但遇到"√3""x²""分数线上下的分式结构"，纯文字 OCR 基本必错。后来我把包含特殊符号的题目区域单独过一遍公式识别模型，让它输出 LaTeX 格式的文本，后面做渲染和理解都用这份 LaTeX。没有这个独立通道，一道分数加减法题目，大模型拿到的可能是错乱的文本，给出的讲解自然也是错的。

4.2 第二块：让大模型讲题而不是给答案

OCR 拿到题目文本之后，最核心的问题来了：怎么让大模型像一个有耐心的老师，而不是一个急着交答案的答题机器。如果直接把题扔给模型，它十有八九会把完整解法一步到位写出来。孩子看着答案抄一遍，看似学会了，其实一点用没有。

我这里用了一套固定的 Prompt 模板：

你是一位有耐心的小学四年级数学老师。下面这道题来自孩子的作业。 要求： 1. 回答必须分为三段：题目复述、第一步提示、完整讲解。 2. 第一步提示绝不能直接给出答案，只能给出解题思路方向。 3. 完整讲解必须放在第二步，只有当孩子说"继续"时才给出。 4. 用孩子能懂的语言，避免超出四年级水平的术语。 5. 如果题目中有公式或图形，请先描述你理解到的公式结构，再开始讲。 题目：{OCR识别出的题目文本}

这里的关键是"分步 + 条件触发"。模型生成的第一段永远只是思路方向，比如"先找出题目里两个未知量之间的关系"，而不是具体的算式。完整解法被放到后面，需要孩子语音说"继续"才会展示。我还在流程里加了一个自检环节：模型生成完第一步提示后，App 会再问一次模型"这段提示是否泄露了最终答案"，如果模型自己都觉得泄露了，就重新生成。这个"二次确认"听起来很笨，但实测能把泄题率降低一大半。

Prompt 里还有一个容易被忽略的点：要求模型先复述题目。这一步可以校验 OCR 是否正确。如果模型复述出来的题目和纸面明显对不上，App 会提示"重新拍一张"，而不是硬着头皮讲一道错题。

4.3 第三块：把讲解"放"到眼镜里

显示层的核心参数，是我在真机上试了大概两周才定下来的。眼镜里画面的等效感受，大约等于坐在三米外看一块六十五寸屏幕上的字。按 Android 的 dp 单位换算，正文字号不能小于 18sp，标题字号用 24sp，一行不要超过 14 个字。行距设成 1.6 倍，段间距额外加大，否则文字在 AR 视野里会糊成一片。

我用的是"仪表盘式"布局：顶部是当前题目的一句话摘要，用副标题颜色；中间是讲解正文，一次最多显示 80 字，超出部分翻页；底部是操作提示，比如"说'继续'查看解法""说'再讲一遍'重听"。整个卡片做成了深色半透明底加白色字，左侧配一条强调色竖条。为什么深色底？AR 是透光显示，白色字直接叠加在浅色桌面上会发虚，深色底能把文字跟背景隔开，室内光照下可读性最好。

语音交互也在显示层里配合。孩子说"再讲一遍"时，App 会从当前段落重新开始播报；说"说慢一点"时，TTS 语速降三成；说"隐藏答案"时，当前页面的解答部分立即换成"再检查一下"的提示语。这些命令不多，但都是在真实使用中孩子和家长用得最多的几个。

4.4 防沉迷与护眼设计

这个必须单独说。AR 眼镜本质上是近眼显示设备，儿童使用一定要有严格的时间限制。我在 App 里做了三件事：单次讲解时长上限 10 分钟，每日累计使用上限 20 分钟，每 15 分钟强制休息一次并弹出"远眺窗外"的提示。家长端可以设置使用时间段，超出时间后设备会直接停止响应讲解请求。技术做得再炫，孩子的眼睛是第一位的，这条底线不能破。

5. 真实调试日志：延迟、字体与公式这三个老大难

5.1 延迟优化：从 4.2 秒到 1.8 秒

第一版实测，从按下按钮到孩子听到第一句话，整整 4.2 秒。这基本不能忍。我把这段耗时拆开：

最明显的是 TTS 1.5 秒。查了一下原因，我当时是等大模型把完整讲解全部输出完，才交给 TTS 合成一长段语音。改成"边合成边播"之后，模型返回第一句话的同时就把文本丢给 TTS，首句合成时间降到 0.4 秒。大模型侧也做了配合：在 Prompt 里要求"第一步提示尽量简短"，让第一段返回内容控制在 20 个字以内。OCR 方面，把模型量化到 8bit 后，识别时间从 0.8 秒降到 0.55 秒。最后整体从按下按钮到开口，稳定在 1.8 秒左右。

5.2 字体、视场角与排版：AR 显示不是手机 UI 缩放

第一次戴上真机，我愣住了——手机 App 里看着正合适的卡片，在眼镜里被裁掉右边一大截。原因前面讲过，模拟器的屏幕比例和眼镜的实际视场角完全不同。这只是第一层问题。第二层问题是字号：手机屏幕的 14sp 正文在 30 厘米外的手机上很清晰，但到了眼镜里等效三米外看屏幕，14sp 的字在视野里就像一个标点一样小，完全不可读。我的显示层后来整体推倒重做，字号、行距、卡片宽度全部按"三米外的 65 寸屏幕"这个等效感受来定，而不是直接沿用手机 UI 的参数。

还有个细节：眼镜里卡片位置不能放在视野正中央。正中央必须留出来给桌面上的纸面题目，提示卡片放在右下方 15 度左右的位置，孩子瞟一眼能看到，低头写题时又不遮挡题目。这个位置可以在设置里调整，因为左右眼主视眼不同，每个人的舒适位置不一样。我最后默认位置是略微靠右，同时允许左右滑动调整。

5.3 数学公式：最大的坑，没有之一

OCR 对公式的识别错误是最难缠的。根号、分数线、上下标，普通 OCR 模型基本无能为力。典型的失败案例：一道"√3"的选择题，OCR 识别成"/3"，大模型拿到题目后一本正经地讲"将两边同时除以三"，讲得头头是道，实际完全跑偏。孩子戴着眼镜听了一段睁眼说瞎话的讲解，这比识别失败更可怕。

针对这个问题我做了三件事。第一，公式识别走独立通道，用专门的公式模型识别 LaTeX 结构，不等同于文本 OCR。第二，Prompt 里加了一条规则："如果发现题目中的数学表达式明显不符合常理，请用自然语言描述公式结构，例如'根号三''二分之一'，不要强行解读。"第三，眼镜端渲染 LaTeX 计算量大且字小看不清，最后策略是：简单公式一律在语音里慢速朗读，画面上只显示关键数字和变量名。给孩子用的产品，清晰准确比格式好看重要得多。

5.4 发热、续航与环境光：那些不会被写进文档的坑

手机加眼镜高强度跑 OCR 和大模型请求，发热问题非常严重。实测连续用半小时后，手机壳发烫，大模型接口调用明显变慢。后来在应用里加了"连续使用 40 分钟后自动进入休息提示"的逻辑，既解决了发热，也顺带做了护眼。还有一个环境光问题：台灯直射纸面会产生反光，OCR 识别失败率骤升。让孩子把台灯角度调整到从侧面照纸面之后，这个问题基本消失。这些细节在官方文档里永远不会写，但在真实家庭环境中，它们对体验的影响和核心算法同等重要。

6. 孩子真实使用后的效果与后续想法

6.1 一个月的实测数据

系统跑通后，我在自己家里做了一个月的实测。孩子每天用一到两次，每次大约十分钟，主要用于数学应用题和英语完形填空的卡壳求助。记录了几个数字：

这个数据算不上严格的对照实验，但能说明一点：孩子对"AR 老师"这个形式是接纳的，并且使用意愿在稳定上升。最有意思的变化是主动求助的次数增加了——以前他遇到不会的题会先趴着不说，现在会直接抬头喊"这道题帮我看看"。愿意开口问，是所有提分的前提。

6.2 这个系统真正值钱的地方

说实话，一个月下来分数有没有明显提升，我持保留态度。但有一个变化非常明显：孩子对"不会的题"的心理负担降低了。AR 眼镜像一个没有表情、不会叹气、不会说"这题上次不是讲过吗"的辅导工具，孩子问它不需要看脸色、不需要担心被骂。把"我不会"变成"我想学"，这个心理层面的帮助，比任何单一题型的讲解都更值钱。另外，因为眼镜里没有短视频、没有游戏，孩子使用它的目的非常纯粹，不存在"拿到设备就分心"的问题。

6.3 当前局限与下一步计划

当前版本还有很多局限。只支持单题问答，不支持连续对话——孩子问"上一题的第二步"就接不上；图形题和手写体文字识别准确率还不够；配方运算、方程变形这类多步骤题型，大模型的推理仍偶尔出错。后续计划里有三件事：把讲解记录按知识点自动归档成错题本；每道题讲完后自动推送三道同类题做巩固；给家长端做一个微信小程序报告，让孩子自己不好意思摸鱼。还有一个我的个人教训：别为了追求技术炫酷而把交互搞复杂。AR 工具类的核心是"少即是多"，一屏一句话，一次一个操作，孩子能自己用起来，才算成功。

最后说点个人体会。辅导孩子这件事，技术能解决"不会"的问题，但解决不了"想不想学"的问题。AR 眼镜再酷，也替代不了家长坐下来陪着的二十分钟。但有一点它是独一份的：它让"我不会"这三个字，第一次可以从容地说出口，不怕被笑话，不被当回事地敷衍过去。这大概就是"码上提分"这个项目，最让我满意的地方。