GhostRunner：把每条街道变成惊悚剧情，本地AI音频跑步引擎

跑步时听播客已经不够刺激了。GhostRunner 给了一个更大胆的设想：让脚下的真实街道成为一部惊悚广播剧的舞台。你选一个题材——丧尸逃亡、赛博朋克快递员、间谍撤离——设定距离和强度，系统会规划出真实路线，识别沿途地标，然后生成一段音频剧情，而你周围的环境就是布景。

据开发者在 Hacktoberfest 开源 AI 挑战赛的提交介绍，GhostRunner 是一款开源、本地优先的音频戏剧引擎。它不仅能作为跑步伴侣，开发者还将其设计为一个一人可运营的小生意：制作并出售主题跑步/步行体验包。

GhostRunner 界面截图

核心机制：空间精确、地标真实、零运行时推理

GhostRunner 之所以不只是"地图 API 套壳提示词"，在于三点设计：

空间精确。 每一个剧情节拍都锚定在路线上的具体距离。关于转弯的台词会在转弯前播放，而不是过后。

有据可依。 叙述者只能提及路线上真实存在于 OpenStreetMap 中的地标，校验器会拒绝任何凭空捏造的地标。

足够快。 因为剧情不是在跑步过程中实时生成的——故事在执行前就已编译并配音完毕。播放一句台词只是查找，而不是推理。

这一切能在仅 4 GB 显存的笔记本 GPU 上运行。

"右转上橡树街。看到左边那栋老砖楼了吗？东西就藏在那里。"

路线以"链age"（沿路径的米数）为坐标系统：转弯在 1240 米处，喷泉在 1310 米处、在左侧。这个选择让触发器基于距离而非时间工作，预编译的节拍在任何配速下都有效。

OpenStreetMap（OSM） 是一个由全球志愿者共同维护的开源地理数据库，任何人都可以自由下载、使用和修改其中的地图数据。与 Google Maps 等商业地图不同，OSM 提供完整的原始矢量数据（道路、建筑、兴趣点、步道等），并以 ODbL 开放许可发布。GhostRunner 使用 Overpass API 按路线走廊查询 OSM 中的 POI（兴趣点），例如砖楼、喷泉、街角商店等地标，再把它们交给 LLM 作为叙述素材。这正是它能做到"有据可依"的基础：地标不是模型编出来的，而是从真实地图数据里检索出来的，校验器据此建立白名单，拒绝任何不在列表中的地标名。

编译/运行分离：延迟与信任问题的解法

跑者移动速度约 3 米/秒，而小显存 GPU 上的 LLM 每句需要数秒，TTS 还要额外时间。如果反应式生成，关于钟楼的台词会在你经过之后才到。小模型还会自信地胡编。

GhostRunner 按"工作何时发生"拆分系统：

编译阶段（跑步前及过程中）：规划 → Valhalla 路线 → Overpass 走廊 POI → 路线模型（链age）→ 导演（LLM 一次调用）→ 节拍规划器 → 节拍写手（每节拍 3 个变体）→ 校验器 → TTS 预渲染（滚动窗口）
运行阶段（每 tick，正常路径上无 LLM）：GPS → 配速分类器（TabPFN）→ 路线定位 → 触发检查 → 变体选择 → 播放

两个 LangGraph 图分工明确：compile_graph 承担重活，runtime_graph 是若干毫秒级完成的确定性节点。这个拆分也是商业模式成立的关键——所有昂贵操作只在编译时发生一次，结果可反复复用。

LangGraph 是 LangChain 团队推出的一个用于构建有状态、多步骤 AI 工作流的编排框架，把任务建模为图上的节点与边。在 GhostRunner 中，compile_graph 是一个较重的图，串联了路线规划、POI 抓取、导演 LLM、节拍写手、校验器和 TTS 渲染等节点；runtime_graph 则是一个几乎不含模型调用的轻量图，每 tick 只做 GPS 读取、配速分类、触发检查等确定性操作。把两者拆分为独立的图，是为了让"重活"与"快查"拥有不同的执行频率、失败模式和资源占用，从而在跑步这种实时性强的场景里保证响应速度。

LLM 负责叙述，不负责编排

小模型在工具调用上不可靠，且每次工具调用往返都要消耗跑者耗不起的延迟。因此所有决策都是纯 Python：哪个节拍去何处、用哪个地标、机动文本是什么、提前多远触发。LLM 只做两件事：

导演（一次结构化调用）：产出三幕（含链age 范围）、3-5 个目标地标、反派前提，以及一份"故事圣经"（呼号、母题、语气）。
节拍写手：为每个节拍基于结构化简报写出最多 30 词的三个变体（巡航、加速、力竭）。

校验器强制词数、地标名白名单和安全规则（不横穿马路、不擅闯）。失败时带违规说明重试一次，再回退到确定性模板。模型藏在 LLMClient 接口后，更换只是一行配置。

用 TabPFN 做配速感知

配速被当作一个小型表格分类问题。每个 tick 构建特征：30 秒/2 分钟/5 分钟滚动速度、速度变化与方差、坡度、距上次停顿时间，以及当前速度相对前两分钟个人基线的比值。

TabPFN 将跑者分类为 CRUISING、ACCELERATING、EXHAUSTED 或 STOPPED，并用 3-tick 滞回过滤器避免剧情来回横跳。它跑在 CPU 上，节流至每 5 秒一次，把所有显存留给 LLM。

开发者坦言一个诚实的注意事项：这里没有标注数据集，训练标签来自对模拟跑步轨迹的透明启发式规则。TabPFN 的价值在于快速、校准良好、秒级重训。如果加载失败，规则分类器会自动接管。

TabPFN 是一种基于 Transformer 的表格数据分类器，它的特点是不需要在你的数据集上做梯度训练即可进行小样本预测——模型已经在大量合成表格任务上预训练过，推理时把训练样本作为上下文直接送入前向计算，类似于表格领域的上下文学习。对 GhostRunner 这类没有标注数据集、特征维度低（滚动速度、方差、坡度等）的场景，TabPFN 能给出校准良好的概率输出，且在 CPU 上即可运行、重训成本几乎为零。滞回过滤器则是状态机中常用的去抖机制：只有当新状态连续若干 tick 都稳定出现时才切换，避免跑者在两个类别之间来回抖动导致剧情变体频繁跳变。

声音与成本：唯一按量计费的部分

ElevenLabs 为每句台词配音，通过未来三个触发器的滚动窗口提前渲染。音频片段按内容寻址（sha256(voice + text)），重复台词零成本。反应式时刻（偏离路线、加快、检查点倒计时）使用预渲染的"C 级储备库"，50 毫秒内从磁盘播放。

开发者对单位经济做了坦诚拆解：

故事文本：本地、无计量。 一条路线约 25 节拍 × 3 变体 × 约 30 词，约 7-8k tokens，即使走 API 也便宜。本地模型真正买到的是"无计量、无限流"的反复重编译与调参自由。
路由、地标、地图：开放数据，无按次费用。 Valhalla 跑在本机，公共 Overpass 有合理使用限制，真实服务应自托管，H3 缓存让地标只抓一次。
声音：唯一按量计费成本。 一个完整包约 25 节拍 × 3 变体 × 约 150 字符，约 1.1 万字符。因为包渲染一次反复回放，声音成本是按路线而非按听众计算的。

这种成本结构让一人小生意成为可能：每条路线固定成本，每次跑步近乎零成本。

内容寻址存储 是一种以内容哈希（这里是 sha256(voice + text)）作为键的存储方式，相同内容必定得到相同的地址，因此天然去重，重复台词无需重新渲染或重新计费。滚动窗口预渲染 则是在运行时始终提前渲染未来若干个触发点（例如接下来三个节拍）的音频，当跑者真正抵达触发距离时音频已经就绪，避免 TTS 请求的数百毫秒到数秒延迟。两者结合，让声音成本只在编译期按路线发生一次，而非按听众或按播放次数发生，这也是"每条路线固定成本、每次跑步近零成本"单位经济成立的关键工程手段。

开放创新为何重要

对于可能被付费购买的项目，开放的部分决定生意能否成立。

客户位置数据留在他自己掌控中。 跑者 GPS 轨迹是敏感的，而目标客户（俱乐部、学校、雇主、旅游运营商）会问数据去向。在 GhostRunner 中，实时轨迹从不离开运行应用的机器，会话结束后原始轨迹删除。"我们永远看不到你跑者的位置"是一句可以诚实说出的话。

可变更部分无锁定。 叙述者在 LLMClient 接口后，声音在 TTSProvider 接口后，配有 mock provider 让整条流水线在无任何厂商的情况下运行。

利基是一条街，开放数据填得上。 通用 API 处理最差的就是"这栋街角的砖楼"，模型再大也不知道，OpenStreetMap 知道。客户端自有地标通过一个 demo_pois.json 文件即可加入。

无信号也能用。 已保存任务在 LLM、路由器和 TTS 全部关闭时回放，正是公园、步道或会议大厅演示所需要的。

商品化路径与现状

销售单位是任务包：一条路线、一个编译好的故事和配音音频，制作一次，无限次回放。潜在买家包括跑步俱乐部、步行导览主办方、酒店和校园。

开发者对外坦白了当前状态：尚未运行付费试点或验证定价，目前保存的任务只能从本机回放。让产品可售的部件（一次编译、永久回放、无按听众成本、按客户更换地标和声音）已经建成。将任务包导出为顾客手机无需服务器即可播放的独立包，是下一步。

社区可从 GitHub 仓库获取代码，本地运行只需 conda 环境加 docker compose 启动 Valhalla 和 Postgres，再运行 python tools/demo.py。

小结

GhostRunner 展示了一个务实的设计范式：把昂贵的 AI 工作前置到编译期，让运行时只做确定性的毫秒级查找。本地优先不仅解决了延迟问题，还顺带解决了隐私、离线可用与单位经济性。它尚不是一个已验证的生意，但它清晰地证明了：当一个创作者愿意把 2-4B 小模型的约束当作设计条件而非缺陷时，能做出什么。