【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手（高级篇）
内容提要
该项目是一个AI驱动的播客创作助手，支持从文字、音频、视频内容识别到播客制作的全流程。本次更新新增了音视频识别能力、临时-永久双层存储架构、定时清理机制和更智能的提示词系统，使播客Agent从单纯的语音合成工具升级为全链路音频内容创作平台。
延伸解读
临时与永久存储分离的工程价值
本次更新将中间产物与最终产物分开存储，临时文件默认保留10分钟并定时清理，避免永久目录膨胀。这种设计让文件生命周期管理更清晰：未确认的音色或克隆结果不会污染正式资源，用户确认后才迁移至永久目录。对于多用户或长期运行的系统，能有效控制磁盘占用，也降低了误操作导致的数据冗余风险。
大视频分段处理的实际意义
针对超过21MB的视频，系统自动按时间轴切分为多个≤10MB的片段分别识别，再汇总结果。这解决了大模型API对单文件大小的限制，同时保证识别完整性。对于播客制作中常见的长视频素材，该策略能提升处理成功率，但分段可能带来上下文衔接问题，需注意识别结果的连贯性。
提示词模块化对Agent稳定性的影响
系统提示词被拆分为六个独立模块，并明确各工具的使用场景和调用规则，避免重复调用。这种结构化设计降低了LLM误调用工具的概率，使Agent在复杂工作流中更稳定。对于开发者而言，模块化提示词也便于后续迭代和维护，是提升Agent可靠性的实用工程手段。
Q&A
这个AI音频创作助手项目主要能做什么？
它是一个AI驱动的播客创作助手，支持从文字、音频、视频内容识别到播客制作的全流程。用户可以用自然语言对话，也可以上传视频和音频，系统会理解意图并调用相应的语音合成工具，将其变成真实的播客音频。
本次高级篇更新新增了哪些核心功能？
本次更新新增了音频/视频识别能力、临时-永久双层存储架构、定时清理机制和更智能的提示词系统，使播客Agent从单纯的语音合成工具升级为全链路音频内容创作平台。
临时-永久双层存储架构是如何设计的？
该架构将工具生成的中间产物（如音色设计、声音克隆结果）统一保存在临时目录storage/temp/，只有用户确认满意后才通过save_voice工具迁移到永久目录storage/audios/。临时文件默认保留10分钟，过期自动清理，避免存储膨胀，同时语义清晰：temp/表示未确认的中间产物，audios/表示用户确认的最终产物。
定时清理临时文件的机制是怎样的？
系统新增了定时清理任务，默认保留时间为10分钟，可灵活配置。它会递归清理storage/temp/目录下所有超过指定时间的文件，并自动移除空目录，同时返回详细统计信息（文件数、删除数、释放空间）。该任务可通过schedule_cleanup_task()函数接入APScheduler等定时调度框架。
语音识别工具（ASR）支持哪些功能？
语音识别工具集成了阿里云DashScope qwen3-asr-flash模型，支持MP3、WAV、OGG、FLAC、M4A、AAC等主流音频格式，提供ITN逆文本标准化（如将'二零二五年'转为'2025年'），并支持本地路径和网络URL两种音频来源，本地文件自动转为base64 data URI。
多模态识别工具如何处理大视频文件？
当视频文件超过21MB时，多模态识别工具会自动使用moviepy将视频按时间轴均匀切分为多个不超过10MB的片段，分别上传识别，从而解决大模型API对单文件大小的限制，同时保证识别完整性。
提示词系统做了哪些优化？
提示词系统进行了全面精炼和增强：将原本杂乱的提示词拆分为6个独立模块（核心能力定位、工作方式、工具调用规则、沟通规范、上下文理解、执行流程），新增音视频识别内容，用表格化工具使用策略降低误调用概率，标准化音色保存流程，并强调避免重复调用。
save_voice工具的作用是什么？
save_voice工具用于将用户满意的定制音色从临时目录永久保存到storage/audios/，并记录到voice_index.json索引文件。它支持两种输入方式：临时文件路径（直接复制）和base64编码数据（解码保存），并使用文件锁保证并发写入安全。
