jim800121chen
c54f16fca0
local-tool/: visionA-local desktop app
- M1: Wails shell + Go server + Next.js UI + Mock mode (macOS dmg ready)
- M2: i18n (zh-TW/en) + Settings 4-tab refactor
- M3: Embedded Python 3.12 runtime (python-build-standalone) + KneronPLUS wheels
- M4: Windows Inno Setup script (build on Windows runner)
- M5: Linux AppImage script + udev rule (build on Linux runner)
- M6: ffmpeg (GPL, pending legal review) + yt-dlp bundled
- Lifecycle: watchServer health check, fatal native dialog,
Wails IPC raise endpoint, stale process cleanup
.autoflow/: full PRD / Design Spec / Architecture / Testing docs
(4 rounds tri-party discussion + cross review)
.github/workflows/: macOS / Windows / Linux build CI
Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
4.9 KiB
4.9 KiB
1. 產品策略與定位
1.1 產品願景（模擬新聞稿）
標題：visionA-local 讓 Kneron AI 邊緣推論「裝起來就能跑」
副標題：為 Innovedus FAE 與 Kneron 開發者打造的單機桌面工具，不用架 server、不用裝 Python、不用連網
以往要讓客戶看一場 Kneron KL720 / KL730 的即時推論 demo，FAE 得扛一台預先設定好的筆電，祈禱客戶現場的網路、Python、KneronPLUS SDK、ffmpeg、驅動都沒問題。只要其中一個出包，demo 就得延期。
visionA-local 把整套 edge-ai-platform 的能力打包成一顆單機桌面 app。下載、雙擊安裝、開啟——三分鐘內就能看到攝影機串流 + 推論 overlay。所有依賴都內嵌在安裝檔裡，完全離線也能用。
「我上禮拜到客戶現場，對方 IT 環境鎖得死緊，連 pip install 都被擋。以前這種狀況我只能道歉重約，這次我點一下 visionA-local，十分鐘後就開始 demo 了。」—— 一位 Innovedus 內部 FAE
visionA-local 支援 macOS、Windows、Ubuntu 三平台，透過內部 Gitea Releases 發放給 Innovedus 團隊與合作客戶。v1.0 今日釋出。
1.2 核心問題
| 問題 | 目前痛點 | visionA-local 的解法 |
|---|---|---|
| 環境依賴地獄 | FAE / 開發者要預先裝 Python 3.12、建 venv、pip install KneronPLUS wheel、裝 ffmpeg、設 USB 權限，每個環節都可能失敗 | 一鍵安裝檔內嵌所有依賴，使用者機器零預裝需求 |
| 客戶現場網路不穩 / 被鎖 | 原 edge-ai-platform 要跑在 server 上，FAE 現場得架 Docker、設反向代理 | 桌面 app，localhost 跑就好，不需網路、不需 Docker、不需 root |
| 多人系統搬回單人用 | edge-ai-platform 為多人共享設計，FAE 一個人用很重 | 砍掉 cluster / relay / tunnel / token 認證，UI 更簡單 |
| 沒硬體就體驗不到 | 沒 Kneron 板就完全無法試用 | Mock 模式零硬體入口，產品經理也能玩 |
1.3 與 edge-ai-platform 的差異定位
| 面向 | edge-ai-platform | visionA-local |
|---|---|---|
| 部署形態 | 伺服器 / 容器（EC2 + Docker + nginx） | 單機桌面 App（macOS / Windows / Ubuntu） |
| 網路模型 | 多人可遠端連線（含 relay / tunnel / cluster） | 只跑 localhost，一人一機 |
| 安裝體驗 | Ops 手動部署、curl 腳本、需先裝 ffmpeg / Python | 一鍵 GUI 安裝檔，內嵌所有依賴 |
| 多裝置策略 | 支援 cluster（多 Kneron 叢集） | 單機可接多顆 USB，但不做 cluster |
| 使用場景 | 共享平台、遠端存取、多人協作 | 個人開發、現場 POC、離線 demo |
| 更新策略 | CI/CD + Docker image push | 使用者手動從 Gitea 下載新版 |
| 憑證與認證 | relay token + hwid | 無（localhost） |
1.4 價值主張
一句話：「裝起來像一般 app、離線也能跑、接上 Kneron 就推論。」
三個支柱：
- 零依賴：使用者機器完全不需要預先安裝任何東西
- 零網路：完全離線可用（唯一例外：可選的 update-check）
- 零學習成本：接上 USB → App 自動偵測 → 點一下就跑
1.5 OKR（內部工具導向，不追求成長 / 營收指標）
| Objective | Key Results |
|---|---|
| O1：讓 Innovedus FAE 能在任何客戶現場 3 分鐘內開始 demo | KR1：全新機器（無預裝）從下載安裝檔到開啟首屏 ≤ 5 分鐘 KR2：從 app 開啟到 Mock 模式跑出第一幀推論 ≤ 30 秒 KR3：插上 Kneron USB 到 connect 成功 ≤ 10 秒 |
| O2：把 edge-ai-platform 的重複程式碼瘦身 50% | KR1：cluster / relay / tunnel / deploy / docker 相關程式碼全部刪除 KR2：server / frontend 程式碼行數較原專案減少 ≥ 30% KR3：安裝檔單平台 ≤ 500MB（目標 ~200MB） |
| O3：建立可重複發佈的內部工具流程 | KR1：三平台安裝檔能從 CI 自動產出 KR2：首次發佈內部 Gitea Releases 後，至少 5 位內部 FAE 成功安裝並回報可用 |
1.6 成功指標（護欄指標 vs 體驗指標）
體驗指標（追求極大化）：
- 安裝時間（下載完成 → 首屏）：目標 < 3 分鐘，上限 < 5 分鐘
- 首次推論時間（app 開啟 → Mock 第一幀）：目標 < 15 秒，上限 < 30 秒
- 實機接入時間（插 USB → connect 成功）：目標 < 5 秒，上限 < 10 秒
護欄指標（不能惡化）：
- Mock 模式 idle CPU 佔用 ≤ 5%
- Mock 模式 idle RAM 佔用 ≤ 500 MB
- 安裝檔單平台大小 ≤ 500 MB
- 完全斷網時，除 update-check 外所有功能必須正常運作
1.7 北極星指標（內部工具）
由於不是對外商品，北極星指標不追求成長類數據，改用可用性為核心：
「內部 FAE 在客戶現場第一次 demo 成功率 ≥ 95%」
「第一次成功」定義為：首次安裝後 5 分鐘內順利跑出第一次推論，不需要聯繫作者 debug。