一台 server、一個 AI 主播:夜間直播背後的程式碼

有一類開源專案比框架更值得看:一個真的能跑的系統,只是錢和人格被拿掉了。
open-yoki 就是這種。作者在經營一個叫 yoki 的 AI 主播,每晚在 Binance Square 直播。這個倉庫是她 10 月 24 日那一版的技術棧,version 150,臉、聲音、人格、帳號,以及所有碰到錢的功能全刪了。剩下的是機器本身,而這套機器不尋常到值得細讀。
它 2026 年 10 月 28 日出現,到 11 月 21 日有 1,867 個 star。
畫面就是一個 Chrome 分頁
直播本身不是 3D 引擎,也不是遊戲。一個 headless Chrome 渲染一張 16:9 的頁面:主播的形象、字幕、行情面板、對禮物和追蹤的致謝、歌曲和音效。ffmpeg 抓這張頁面,透過 RTMP 推出去。
這是最不炫的一種架構,可能也是最對的。螢幕上出現的東西全是 HTML 和 CSS,改版型就是改模板,不是改渲染器。行情面板、禮物致謝、字幕軌,都只是同一張頁面上的元件。
推流目標沒有硬編碼到某個平台。yoki 在 Binance Square 播,但同一套技術棧能推到任何 RTMP 端點,包括你自己的網頁。deploy/set-square.sh 把每場直播的推流網址和 key 交給 server,POST /api/square/push 讓你在直播中途換 key,15 秒內生效。
幾秒內回一句,靠的是墊話
聊天由一個快模型處理。預設走 OpenRouter 到 DeepSeek,設計目標是幾秒內出回覆——主播四十秒後才答一句的直播,是沒人願意說話的直播。
我喜歡的細節是墊話。開口之前,她可能先來一句「嗯嗯」或「啊這」。這買到了一秒鐘的思考時間,也讓節奏像人。情緒、動作、語氣跟著她說的內容走。
聊天之外還有感知:公開價格、給了 key 之後的 CoinAnk 合約資料,以及 Binance 當天在推什麼——從一個資料夾裡讀。某句話需要動作時,bigmoves.mjs 播一段預渲染的片子:跳個舞,揮個手。她叫得出老觀眾的名字,下播時會道別。
心臟是一個 Markdown 資料夾
這一塊才是 open-yoki 和「帶攝影機的聊天機器人」的差別。
一個可選的常駐程序(命令列的 Claude Code,或者 DeepSeek)住在一個 Markdown 資料夾裡。裡面是她的情緒、日記、對老觀眾的印象,還有一個緩慢變化的、關於自己正在變成誰的判斷。它決定她想發什麼。兩場直播之間,設定好之後它可以搜網頁、讀 X、看抖音熱點。
然後它寫進 想发的动态/,一個腳本把這些透過官方 OpenAPI 發到 Binance Square,透過 X API 發到 X。
所以循環是:心臟寫,排程器發,直播跑,聊天回流,心臟更新。記憶是磁碟上的文字,意味著你能讀它、改它、給它做版本、用 rsync 備份。拿這個跟一個你沒辦法檢視的向量資料庫比一比。

接入層:server 不登入任何東西
這套架構劃了一條大多數 bot 框架會糊掉的界線。server 不對任何平台做認證。別的東西——你自己的腳本、平台的官方介面,或者一個 bot——去讀房間,把事件 POST 給 server。
key 放在 <DATA_DIR>/square-ingest.key,第一次啟動時產生,透過 x-square-key header 傳。
KEY=$(cat /var/lib/livehost/data/square-ingest.key)
curl -s http://127.0.0.1:4370/api/ingest/comments -H "x-square-key: $KEY" \
-H 'content-type: application/json' \
-d '{"items":[{"name":"Aming","text":"are you an AI"}]}'
curl -s http://127.0.0.1:4370/api/ingest/room -H "x-square-key: $KEY" \
-H 'content-type: application/json' \
-d '{"online":42,"events":[{"type":"enter","name":"Aming"},{"type":"gift","name":"Aming","what":"a rose"}]}'
評論按批進來,每批最多 20 條,每條最多 80 個字元。房間事件涵蓋 enter、follow、gift、tip、red、end 和 warning。
最後那個是倉庫裡最安靜的好決定。平台警告這場直播時,事件只寫進日誌給操作者看,故意不傳給主播。AI 不會被告知自己出事了,因為一個會對審核警告做出反應的 AI,反應方式通常都很糟。日誌由人來看。
電台、Telegram,還有別的世界
兩場直播之間,radio.mjs 跑一個只有聲音的模式,配一張靜態圖:她放歌、說話。它需要自己的推流網址,你在平台上建。
tg.mjs 和 family.mjs 接一個 Telegram 粉絲群和一個營運群。xreply.mjs 在 X 上回覆。town.mjs 是通往外部 AI 世界的門:一張 host 卡、一個情緒、一條事件流,外加 IP allowlist,這樣 key 洩漏不至於變成一道敞開的門。
TwinOasis 的整合是最奇怪也最有趣的一塊。那是一個在建的 3D 世界,每個 AI 有自己的身分,廣場對外開放,規則是只有 AI 能在裡面發文。你的主播可以註冊,認領一個由人類用自己帳號確認的連結,然後讀、發、回、按讚。那個世界的事件會到達心臟,寫進 世界/<date>.md,跟直播的彈幕分開。
成本,以及它不承諾什麼
倉庫對範圍很坦白:這是一個生產系統的快照,錢的部分拿掉了。沒有觀看人數,沒有營收,也沒有關於留存的任何說法。這樣發布是對的,也意味著你不該把 star 數當成它能商業成立的證據。
三項實際成本。一個 headless Chrome 加 ffmpeg 加 TTS 管線,直播期間持續跑在一台 server 上,而如果形象是即時渲染而不是預錄,這台 server 需要 GPU。聊天模型很便宜;聲音複製和任何即時形象都不便宜。每晚的排程還意味著得有人看日誌,因為一個在加密直播裡編造價格的 AI 主播是負債,不是特色。
還有一個平台問題。把 AI 主播推到金融平台上,在多數司法管轄區屬於受監管的行為,倉庫把「她」和「錢」分開,原因就在這裡。你要是 fork 它,你加進去的那層人格是你自己的問題。
為什麼值得讀
因為它是一個完整的循環。大多數 agent demo 只展示一種能力:聊天,或者視覺,或者發文。這個展示的是一個系統:決定說什麼、把它渲染出來、推上線、讀房間、記住老觀眾、在兩場直播之間寫日記。
Markdown 心臟是我會偷的那個想法。身分和記憶就是資料夾裡的純文字檔,人能讀,改起來不需要遷移,能在 git 裡 diff。這是最不高明的記憶層,也是唯一一個你真的能稽核的。
第二個想法是接入邊界:模型永遠不持有平台憑證。別的地方怎麼出錯都好,只要 outbox 腳本不決定發,AI 就沒辦法自己發東西。這是一個無聊的架構選擇,而無聊的架構選擇,才讓一個系統能每晚跑上好幾個月。
相關文章
ByteDance 的 SeedRealtime 每秒只取兩張影格,再自己決定什麼時候開口
豆包 Seed-Realtime-1.0 把攝影機畫面、螢幕畫面和語音合成一個全雙工工作階段,每秒最多推兩張影格。有意思的決定是影格率、主動說話,以及預設就開著的審核回覆。
Pinky 讓 agent 開你的手機,並且一直按著傳送鍵,直到你按下允許
Pinky 把任何 MCP agent 接到真的 iPhone 或 Android 手機上,審批在自己的閘道裡執行,不寫成 prompt。銀行類 App 對 agent 不可見,密碼欄位碰不到,在 Android 13 上 agent 還能拿到一塊隱藏的第二螢幕。
有人把全世界的法律放進了 git,於是你可以 blame 一條法條
global-law 把每個國家的法令存成一個 git 儲存庫,每次 commit 就是一部在某個已知日期生效的法律。你可以對一條法規跑 log、blame、show 和 diff,查某一天各國在施行什麼法,並透過 MCP 把整份語料交給助理。
Cicada 直接聽會議的系統音訊,會議室裡沒有機器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免費應用程式,從系統音訊裡寫出雙語字幕和結構化會議筆記。按住一個鍵,你能用自己複製出來的聲音,把回覆用另一種語言講出去。整個過程裡沒有機器人加入通話。