这个边缘AI原型，把云依赖症给戒了

凌晨三点的工厂车间，网络突然断了。你的质检AI瞬间变砖，产线被迫停摆。这种场景，做边缘部署的人应该都懂。

PeachBot Core 这个刚开源的原型项目，想解决的就是这种尴尬。它不搞「输入→模型→输出」的流水线，而是换成了一套「信号→状态→评估→决策→更新」的循环结构。简单说：让AI在没有云的情况下，也能自己转起来。

一张图看懂它的骨架

项目的核心架构可以拆成六层：

core/ 是系统的大脑，负责状态机（SBC，状态边界控制器）和全局协调。interfaces/ 管输入，knowledge/ 存规则和结构化知识，models/ 做信号处理和边缘模型运算，deployment/ 放配置，tests/ 和 docs/ 顾名思义。

这个分层本身没什么稀奇。有意思的是它的运行逻辑：信号进来先结构化，知识层给上下文，状态更新后触发决策，最后输出或记录。整个流程闭环在本地完成，不依赖外部API。

对比现在主流的AI系统——云推理、大模型API、实时联网——PeachBot Core 的路线几乎是反着来的。作者自己也说，这是个「系统架构实验」，不是成品。

现在能跑什么

代码仓库目前的状态很诚实：有基础模块结构、配置模板、带状态追踪的决策循环示例、边缘模型集成接口、简单的知识规则系统，还有测试骨架。

但作者明确打了预防针：没有预训练模型、没有生产级安全、API可能变、文档不完整。这就是个早期原型，适合拿来折腾和贡献，不适合直接上线。

安装流程倒是简单：git clone 下来，建个虚拟环境，numpy pandas 一装，跑 python -m core.main 或者 core/run.py 就能试。有 pytest 可以跑基础测试。

跑起来的效果大概是：模拟输入信号→结构化→知识层 enrich 上下文→状态更新→触发决策→生成输出或日志。一个最小闭环。

为什么要这么设计

作者列了几个探索方向：离线工业自动化、低带宽机器人控制、现场隐私优先的AI、弹性边缘基础设施。都是「连不上网或者不敢联网」的场景。

这背后的用户痛点很实在。工厂里搞视觉质检，每帧图片传云端既不安全也不经济；农业机器人进偏远地块，4G信号时有时无；医疗场景的数据，合规上根本不允许出境。

传统解法是用边缘盒子跑压缩模型，但多数还是「本地采集→云端推理」或者「定时同步」的混合架构。PeachBot Core 试的是更彻底的一端：本地状态持续维护，决策连续发生，云只是可选的备份而非必需。

这种设计牺牲了模型的绝对能力——你跑不了GPT-4级别的推理——但换来了确定性的延迟和离线生存能力。对某些场景来说，这是值得的交换。

还没做完的部分

路线图里列了：更完整的状态机实现、实际硬件部署测试、知识层扩展、真实场景基准测试、边缘优化模型集成。都是硬骨头。

项目欢迎三类人：玩边缘AI系统架构的、搞状态机或决策引擎的、有真实场景想测试的。GitHub 地址是 peachbotAI/peachbot-core。

边缘AI这个赛道，今年明显热起来了。大厂推芯片、创业公司做中间件、开源社区攒方案。PeachBot Core 的价值不在于它现在能跑多强，而在于它提出了一个清晰的问题：当云不可用时，AI系统的最小可行形态是什么？

这个问题，做工业落地的人每天都在面对。这个原型至少给了一种可能的回答方式。