我把一台 30 块钱的玩具机器人，改成了会顶嘴的 AI 机器人

这个项目的起点是 Mario Zechner 的一篇文章，《How to build a shitty robot》。Mario 是 Pi agent 的作者。他在玩具店花 10 欧元买了一台玩具机器人，拆开，接上一块 FT232H，让手机通过 WebUSB 去开它，再把他自己基于 pi 写的 agent 装进去当大脑。

读完我就想给孩子也做一台。有个能陪着玩的小伙伴，这是一半理由。

另一半跟学习有关。市面上的 AI APP，大多是对着题目拍张照，答案就出来了。我不想让孩子这样用 AI。我希望孩子学会的是跟 AI 对话：把自己不懂的地方说清楚，听完回答再追问一句，觉得不对就反驳回去。一道题就这样被聊明白了，而不只是被答出来。

我觉得这本身就是一种技能，而且会越来越重要。一台得用嘴问、还会回嘴的机器人，正好逼着人去练它。

我照着他的骨架走：同样是手机当大脑，同样是 FT232H 和 WebUSB。但我选了一台不一样的机器人，大脑也放在了不一样的地方，后面的坑于是全都不一样。

一、先买一台最便宜的

主角是银辉（Silverlit）的 Maze Breaker，在闲鱼上 29.87 元买的，折合大约 4 美元。

巧的是，Mario 那台也是银辉的，型号是 YCOO NEO OCTOBOT。它用腿走路，转弯靠转头，而且只能往一个方向转。我这台底下是履带，转向另有一套机构（下一节讲），能左右两边转。

挑它没什么特别的理由。我没找到和 Mario 一样的那台，转念一想，这类玩具的原理大同小异，无非是电机加驱动芯片。真不行就再换一台，反正 30 块钱，拆坏了也不心疼。

盒子背面写着它原本会的本事：在地上画一条线，它沿着线走；放进迷宫，它自己找出口；还能把你的录音用机器人腔复读一遍。也就是说，它本来就有麦克风和喇叭，只是没有脑子。

二、拆开看看里面是什么

拆开之后是一块绿色的小板子、一个喇叭，底下是电池仓和履带底盘。东西比想象中少，但有一处很巧妙：它只有一个电机。

我原以为转向是两边轮子差速，结果不是。转向靠的是一个小电磁铁：线圈旁边挂着一块带永磁体的衔铁，电流正着走，衔铁甩向一边；反着走，甩向另一边；断电，弹簧把它拉回中间。便宜遥控车大多就是这么转弯的。

所以板子上有两颗驱动芯片：U3 管电机（前进、后退），U5 管电磁铁（左、右）。两颗芯片，每颗两个输入，一共四根线。谁控制了这四根线，谁就控制了这台车。

三、四根线，接到手机上

思路很直接：把原厂的大脑晾在一边，从外面接四根线，直接去推那两颗驱动芯片的输入脚。

原厂的大脑是一颗封在黑胶下面的芯片（板子下方那个黑色圆点）。第一步是把它和 U3 之间的走线切断，不然两边会抢着控制电机。

推线的是这块 FT232H。它一头是 USB-C，另一头有一排可以被随意拉高拉低的引脚。手机用 USB 线插上它，网页通过 WebUSB 跟它说话，每个字节就是一组引脚状态：0x10 是前进，0x00 是全停。

然后就是焊。

这块板子上的焊点和焊盘小得离谱，肉眼根本对不准，我只好戴上这种头戴式放大镜。样子很傻，但很管用。

先接 U3。两根蓝线焊上去，车能前进后退了。

再接 U5，转向也有了。这里有一句一定要写在前面的警告：转向那两根线必须焊到 U5 的输入脚上，绝对不能直接接线圈，否则会烧掉 FT232H 的引脚。 U5 是 SOT-23-6 封装，六个脚里排除电源、地和线圈两端，剩下的两个才是输入。

这是那几天桌上的样子：手机开着调试页，插着 FT232H，FT232H 连着拆成几块的机器人，旁边一台万用表。WebUSB 只有安卓上的 Chrome 有，iPhone 没有，所以大脑只能是一部安卓手机。

四、一个 bug，修了两次

车终于能动了，但动起来不对劲。我让它右转 600 毫秒，它只是抽搐一下，短到根本看不出往哪边转。

原因藏在一个很不起眼的假设里。FT232H 在这种模式下是「每个时钟节拍吐一个字节」，而代码一开始以为是「每个节拍吐一位」，于是所有时长都算短了 8 倍。我修了它，掐着秒表测了一次，大约 2 秒，跟预测差不多，就以为好了。

并没有好。 一天后换成芯片自己回读引脚来计时，真实速率又是我以为的 5 倍：这颗芯片的时钟是 60 MHz，而代码照着开源库按 12 MHz 在算，60 除以 12，正好是 5。所以之前「600 毫秒」的转弯，实际只开了 120 毫秒。

为什么秒表没发现？因为真实动作只有半秒，人手掐表大半是反应时间，电机停了还会惯性转一会儿，而秒表给出的数字又刚好和代码的预期对上。一个跟你预期一致的测量，最不容易被怀疑。 后来我把测量工具改成记录完整的引脚轨迹，读数从此可以拿出来争论，而不是凭手感。

五、给它装上耳朵、脑子和嘴

硬件通了，剩下的是软件。整条链路其实就一句话：

你说话 → 语音转文字 → 大模型决定做什么 → 开车 / 说话

• 耳朵：Groq 上的 Whisper 做语音转文字。价格大约每小时音频 4 美分，玩一个下午也花不了几毛钱。
• 脑子：DeepSeek。它可以调用几个工具：往前开几秒、转弯、停、播放一个声音。
• 嘴：云端 TTS，用网页的 WebAudio 播出来。

本来我打算用 Picovoice 做唤醒词，结果刚动手就发现它的免费额度在 2026 年 6 月底停了，付费版每月 6000 美元起。最后换成开源的 sherpa-onnx，自己编译成 WebAssembly 跑在手机浏览器里。那个文件 8 MB，第一次加载慢，之后就缓存住了。

还有个小坑：DeepSeek 新版默认会先「思考」再回答，每一句话都要先等它想完，机器人才开口。对一个要被小孩喊来喊去的机器人来说，这几秒太长了。关掉思考，它一下子就变机灵了。

一切都跑在一个网页里，没有服务器。密钥只存在手机上，直接发给你选的服务商。

这是我和 Mario 分岔最大的地方。他那边，手机只是个「傻终端」：负责收音、放音、拍照、通过 USB 开车，真正的大脑是笔记本上的一个服务器，听、想、说和他基于 pi 写的 agent 全在上面，用的都是本地模型（Parakeet 听，Gemma 想，Qwen3 TTS 说）。

我这边，大脑就是手机浏览器里的那个网页。唤醒词和「有没有人在说话」的判断在手机本地跑；听、想、说这三件重活交给云端 API，由网页直接去调；决定下一步做什么的那个循环，也在网页里。

第一版用云 API 有两个原因。一是快：先让它动起来，隐私和本地模型留到下一版。二是门槛：不是每个想做一台的人家里都有一台跑得动模型的电脑，而一部旧安卓手机，几乎人人都有。

六、熄屏 60 秒，它就聋了

做到这里出现了一个诡异的问题：手机一熄屏，大约 60 秒后，机器人就再也听不见了。

更诡异的是，我第一次测的时候它根本没聋，熄屏 5 分钟照样在听。后来才想明白：那次手机通过无线调试连着电脑，是调试连接把手机撑醒的。我为了绕开部署问题加的那条调试连接，恰恰改变了我要测的东西。断开之后，三次复现，59、60、65 秒，麦克风准时被安卓收走。

我先想了个歪招：熄屏时播一段极轻的「呼吸声」，220 Hz，4 秒一起伏，让 Chrome 以为自己在放音乐，就不会收麦克风。它确实管用，熄屏 5 分钟全程在听。

但后来我把它删了。这种招靠的是系统的一个行为，不是承诺，哪天安卓一更新就可能悄悄失效。最后换了个更诚实的规则：屏幕就是它的眼睛。 亮着，它就在听，连唤醒词都不需要；熄了，它就停车、闭耳朵。手机本来就是它的脸，这个规则小孩一看就懂。

七、砍掉脑袋，换上一张脸

一开始，机器人还留着原来的头，手机放在旁边，FT232H 拖在身体外面。后来我觉得手机应该「骑」在车上，它的屏幕才是这台机器人真正的脸。问题是头挡着，手机放不上去。

于是头没了。

去掉头之后，顶上只剩一个拆不掉的脖子凹孔和两个肩关节。

中间还有个插曲：板子左下角那根电源线，在制作过程中被拉断了三次。第三次之后我学乖了，在电源焊点那里糊上一大坨热熔胶，之后就再没断过。

托架用纸板做。动手之前，我先拿尺子量了身体：高 85 毫米，上窄下宽，前后左右都是斜的。然后和 Claude 一起画了一套设计图：前腿挖成两根叉，把开关和 REC 按钮露出来；顶上叠三层垫高块，让手机高过肩膀；再塞一根垫条，让手机往后仰 12 度。

真动手的时候，我把这些都砍了。REC 按钮对我没用，不用露出来；垫高块没必要，而且手机一垫高，重心就跟着抬高，车一动就晃；垫条也就跟着省了。设计图只当参考，实际做出来的简单得多：

一块纸板前后跨在身体上，前腿整块盖住正面，后腿短短地搭在背面，停在电池仓螺丝的上方，换电池不用拆托架。顶上粘一个 U 形槽，后墙往后折出一根斜撑，围成三棱柱，手机就斜靠在上面，略往后仰。固定全靠橡皮筋：一根绕身体一圈箍住托架，两根把手机箍在槽里。

这是做出来的样子。

手机横着放，屏幕上就是机器人的脸。为了让它全屏、横屏、没有地址栏，我把网页做成了可以「添加到主屏幕」的应用。它有五种表情：睡着、在听、听到你说话了、在想、在说。

八、它是个机器，所以不会被逗

接下来发生了这个项目里我最喜欢的一件事。

孩子很快发现，对着机器人学狗叫很好玩。可机器人每次都一本正经地回一句话，然后原地不动。

问题出在两个地方。第一，系统提示词的第一句是「你是一个小机器人」，而机器人是不会被逗的。 第二，提示词里有一条「如果用户只是在闲聊，不要调用工具」，这直接禁掉了它唯一能表现情绪的方式：动。

我把它改成了「一个有脾气的小生物」，允许聊天以一个动作结尾。

然后第二个问题来了：Whisper 把狗叫「汪汪」听成了「忘忘」，有时候是「Wong Wong」，猫叫变成「Miau Miau」。模型收到一句「忘忘」，完全不知道刚才有人冲它叫。

我先试了在语音识别的提示词里写上「汪汪」「喵喵」，确实管用。但没多久又拿掉了：一句写死的提示词只照顾得到一个用户。现在语音识别默认不带任何提示词，「忘忘」这种同音字交给后面的反射层去认。

孩子那边倒是自己找到了办法：改用英文的「woof」冲它叫。

最后我干脆给它加了个反射层，用的是 JEV。

JEV 是 TypeSafe 出的一个模型，最近几周才火起来，我一看就觉得正好用得上。它跟聊天模型不一样：不生成文字，只做判断。你给它一段情况、一道选择题，它告诉你每个选项的概率。

我给它出的题是「这个人在干什么」，三个选项：学动物叫、下指令、正常回话。题目里还附上机器人刚说过的上一句，并提醒它：「汪汪」可能被写成「忘忘」「往往」，猫叫可能被写成「苗苗」；但「明白」「好的」「嗯嗯」这种短回答，永远算正常回话。

只有「学动物叫」的概率到 0.8 以上才算数。一旦算数，就不问大模型了，直接按一个固定套路反应：

1. 叫回去；
2. 再被叫，叫一声，掉头跑；
3. 还叫，呜咽一声，往后退。

这跟人被吓到时差不多：先反应，后思考。

比起全交给大模型，这样有三个好处。一是快：被叫的时候不用等大模型想完、再等语音合成念完，一个音效加一个动作就是回答。二是省：一声「汪汪」不值得一次大模型调用。三是准：大模型看到「忘忘」只会按字面理解，而 JEV 拿到的题目里就写着「这可能是狗叫」。

定规矩的时候，我最怕的不是漏判，而是误判。漏判了，大不了交给大模型兜底；误判了，孩子认认真真回答的一句「明白」，就被当成狗叫吞掉了。所以阈值定得偏高，而且只有短句才去问 JEV：中文不超过 6 个字，英文不超过 3 个词。长句不像狗叫，也不值得多等。移动指令也不归它管：带参数的指令大模型做得更好，最急的那声「停」，本地有急停词。

九、它是怎么开始的，现在又怎么样了

从拆开到它第一次完整跑通，大概一个月。这期间几乎每一行代码都是我和 Claude 一起写的：我负责拆、焊、测、拍板，它负责把想法变成代码，再一起把测出来的问题修掉。

我录了一段 17 秒的视频：机器人在地上陪孩子玩；旁边那只真狗全程埋头吃饭，只看了一眼。标题就叫「真狗：忙着吃饭。机器狗：正在值班。」（在 YouTube 上看）

后来它又多了一份工作：孩子写作业的时候，它在桌上回答科学问题，偶尔还带点脾气。（在 YouTube 上看）

我把这段视频发到推特上，@ 了 Mario。他回了一句「i LOVE it!」，还转发了。一个月前我还在读他的文章，一个月后他在看我的机器人。

谢谢 Mario。没有他那篇文章，就不会有这台机器人。他给了我灵感，也把最难探的那段路先走通了：手机当大脑、FT232H、WebUSB，我都是照着他的路线走的，省下了大把摸索的时间。我写这篇，也是希望它能像他那篇帮到我一样，帮到下一个想给孩子 DIY 一台陪伴机器人的人。

现在，孩子会自己去探索它的玩法，最喜欢的还是跟它聊天。

做的过程中我最意外的是，好点子很多不是我想出来的，是孩子玩出来的。冲它学狗叫，是孩子先发现的乐子，这才有了「有脾气的小生物」和反射层；汪汪被听成「忘忘」，孩子转头就改用「woof」。孩子每一次的反应都是最及时的反馈，告诉我下一步该改什么。

这台机器人还远没做完，但它已经在陪孩子玩、陪孩子聊天了。这就是我当初想要的。

想自己做一台？

代码以 MIT 协议开源在 github.com/beasaltfish/bot-reborn。你需要：

• 一台带电机和转向的便宜玩具车或机器人；
• 一块 FT232H 小板子；
• 一部安卓手机（Chrome）和一根 USB-C 线；
• 语音转文字、大模型、语音合成三家服务的 API key，兼容 OpenAI 接口的都行；
• 烙铁、几根线、纸板、橡皮筋，最好再来一把热熔胶枪。

不用自己部署，手机 Chrome 打开 bot-reborn.agentlenshq.com 就能用。机器人会告诉你它还缺什么：密钥、插上板子，然后教它哪边是左。接线和引脚表在仓库的 docs/hardware.md 里，焊转向那两根线之前，先读那段警告。