Arduino Uno Q + Claude：打造自动记录教程的智能工作台

创客们做教程时最头疼的往往不是搭建本身，而是事后回忆每一步、整理照片、编写图文说明的繁琐工作。B站创作者 Kevin McAleer 用 Arduino Uno Q 搭配 Claude 系列模型，做了一个能在旁边"默默观察"的智能工作台——它会自动录制、转录、截图、识别组件，并在收工时一键生成一篇可发布的图文教程初稿。整套系统搭建仅用了两三个小时，一场 90 分钟制作的 API 成本不到 40 美分。

一块板子，两台计算机的分工哲学

这个方案的核心是 Arduino Uno Q 的独特架构。它本质上是一台搭载高通芯片、配备 4GB 内存（2GB 版本同样可运行）的完整 Linux 计算机，同时板载了一颗 STM32 微控制器。也就是说，一块板子上集成了 MPU（微处理器）和 MCU（微控制器）两台计算机，这种分工对这个应用场景堪称完美。

为什么需要两台计算机协同？作者点出了关键：如果让视觉模型不间断运行来检测活动，会白白消耗大量算力和电量。而大多数时候，创客其实是坐在工作台前看数据手册、泡茶，或者喝一口无糖百事——并没有值得记录的事情发生。

因此 MCU 端专门负责低功耗的底层传感。它可以接一个 SCT013 非侵入式电流钳，架在烙铁电源线上检测是否通电，从而判断烙铁何时开启；也可以接一个瞬时按钮，短按标记重要时刻，长按两秒以上则结束会话。只有当 MCU 检测到活动时，才会向 Linux 主控端发送信号，唤醒摄像头和麦克风——这种"高开销操作才介入"的设计，是整个系统省电又省钱的基础。

MPU（Microprocessor Unit，微处理器）与 MCU（Microcontroller Unit，微控制器）的核心区别在于设计目标的取舍。MPU 追求通用计算能力，配备完整的操作系统支持、大容量内存接口和丰富的外设，适合运行 Linux、处理图像、跑 Web 服务器等"重"任务，但空闲时功耗较高。MCU 则将处理器、内存、Flash 存储和外设全部集成在一颗芯片上，牺牲性能换取极低的功耗和实时响应能力，启动时间以毫秒计，非常适合持续轮询传感器、驱动 LED、监听按钮这类"守夜"工作。传统嵌入式开发中，这两类芯片通常分别焊在不同的 PCB 上，通过 UART、SPI 或 I2C 总线通信。Arduino Uno Q 把两者集成在同一块板子上，配合标准化的 Arduino 接口，使得这种协同模式对创客来说变得触手可及，无需额外设计主板间的通信电路。

双循环采集与本地变动检测：把成本压到最低

MPU 端运行着一个基于浏览器的 Web 控制面板，实时显示摄像头画面、滚动转录文本、状态指示灯和计时器。系统实际上跑着两个不同速率的采集循环。

延时采集每 10 秒抓取一帧保存到磁盘，全程本地化、不涉及 AI，事后可以拼成完整的延时摄影记录整个制作过程。另一个独立的分析循环每 30 秒运行一次，抓取一帧后，先经过本地的画面变动检测器——它用 OpenCV 逐像素对比当前帧与上一帧，如果变化小于 4%，就直接跳过，不做任何 API 调用。

这个变动过滤网是成本控制的精髓所在。作者算了一笔账：一场 90 分钟的制作，最终只有四五十帧被真正送去分析，而不是几百帧，因为所有静止无动静的画面都被提前滤掉了。

模型选择上也做了权衡：常规的逐帧分析发送给相对便宜、速度更快的 Sonnet 模型，让它返回结构化信息——可见组件、是否发生值得注意的事件、当前是否处于制作阶段，并记录时间戳与关键帧路径。而高成本的 Opus 模型只在最后触发一次，用来对整场制作进行综合判定和总结。

低成本例行分析贯穿整个 90 分钟，高成本全局推理只发生一次，总成本不到 40 美分就能自动生成一份可发布的教程初稿。对创客来说，这个投入产出比相当划算。

OpenCV 的帧差法（Frame Differencing）是计算机视觉中最轻量的运动检测手段之一。其原理是将连续两帧转换为灰度图后逐像素做差值，再统计绝对差超过某个亮度阈值的像素占比，即可量化两帧之间的"变化程度"。这一计算完全在本地 CPU 上完成，不需要 GPU 加速，延迟极低（通常在几十毫秒内）。相比基于深度学习的运动检测模型，帧差法的优势是几乎零成本、对硬件无要求；缺点则是对光线变化（如云层遮住阳光）会产生误报，且无法区分"有意义的运动"与"无意义的背景抖动"——但在本方案中，这个粗筛任务只需要判断"有没有动"，并不需要理解"动的是什么"，因此帧差法已完全胜任，更精细的语义判断留给后续的 Claude 模型处理。

三台设备各司其职的架构

整个系统由三台设备协作完成。Arduino Uno Q（作者称之为 MonoQ）负责采集数据和展示仪表盘；一台 Mac 笔记本处理繁重的音频运算；云端的 Claude 负责图像理解和最终分类；而板载的 STM32 则在底层默默监控硬件、驱动 LED 屏。

语音转录之所以放在 Mac 上，是因为 Arduino 无法同时处理所有高频任务，而转录对算力要求较高。Mac 端的转录服务器只有约 60 行 Python 代码，是一个加载了英文 Faster Whisper 模型的 Flask 应用。它暴露一个接口，MonoQ 通过 USB 麦克风录制 10 秒音频，把原始音频 POST 给 Mac，Mac 转录后返回 JSON，整个往返只需一两秒。

作者也坦言了 Faster Whisper 的一个古怪之处：由于它在大量 YouTube 视频上训练过，如果环境完全安静、只有背景声，转录文本就会开始冒出奇怪的"幻觉"内容，因此 Web UI 里加了一个降噪门来过滤背景杂音。

Faster Whisper 是 OpenAI Whisper 语音识别模型的高效推理实现，由 SYSTRAN 基于 CTranslate2 推理引擎重新实现。相比原版 Whisper，Faster Whisper 在 CPU 上的推理速度可提升 4 倍以上，在 GPU 上则更为显著，同时内存占用大幅降低。它支持多种模型规格（从 tiny 到 large-v3），可以在没有独立显卡的普通笔记本上流畅运行英语转录任务。Flask 则是 Python 生态中最轻量的 Web 框架之一，用约 10 行代码即可将一个函数暴露为 HTTP 接口。两者组合成"60 行本地转录服务器"是一种在创客圈颇为流行的模式：把算力密集型任务封装成微服务，让资源受限的主控设备通过 HTTP 调用，既保留了灵活性，又避免了在嵌入式端移植复杂依赖的麻烦。

LED 状态灯与实际使用体验

连接到 MCU 的 8x13 红色 LED 点阵有五种显示状态，直观提示系统当前工作情况：空闲时像心跳一样缓慢呼吸闪烁；录制时两个点来回扫描如同眼睛注视；检测到重要事件时整个点阵高亮；思考分类时出现对焦线扫描图案；任务全部完成则显示一个勾选标记。

实际操作中，当作者不与它交互时，系统不会拍摄任何画面。点击"开始会话"后，仪表盘的转录区域滚动显示自言自语的内容，时间计数器递增，摄像头实时捕捉画面。它能识别桌上的开发板、检测到移动物品和插接组件的动作。想展示某个细节时，按下"立即快照"按钮即可专门拍下那一帧。

收工时点击"停止会话"，LED 闪烁紫光并显示 V 字形思考图案，表示正把整个会话发送给 Opus 生成总结。下载生成的博客文章后，里面包含了拍摄的照片、逐步说明和一份详尽的物料清单。

作者也如实指出了系统的局限：转录效果"不算特别好"，而 Sonnet 因为知识库稍显陈旧，多次把 Arduino 板子误认成 Micro:bit。但整体而言，这些生成的文本可以直接导入他常用的剧本工具生成 YouTube 分镜脚本，大大减轻了后期整理负担。

硬件清单与启示

复现这套系统所需硬件并不昂贵：一块 Arduino Uno Q、一个约 15 英镑的普通 1080P USB 摄像头、一个 SCT013 电流钳（接模拟口 A0）、一个瞬时微动按钮（接数字口 2）、板载的 LED 点阵屏，加上一台运行转录服务的 Mac 或树莓派即可。

这个项目最值得借鉴的，不是它能生成多完美的教程，而是它展示了一种务实的"边缘 AI"设计思路：用廉价的本地传感和图像差分做粗筛，把昂贵的云端大模型调用压缩到最少，让"智能"只在真正需要时才启动。这种分层过滤、成本敏感的架构，对任何想把 AI 落地到实际硬件项目的开发者都有参考价值。项目完整代码和说明可在作者的 kevsrobots.com 网站获取。