做硬件的朋友都知道，桌面AI机器人看着千机千面，拆开来方案高度趋同。一颗主控当大脑，一圈外设挂上去。这篇只讲方案本身，我们逐步展开。
一、骨架：一颗主控，一圈外设
主控基本是乐鑫ESP32-S3这档--双核、自带Wi-Fi和蓝牙、PSRAM够跑表情动画和本地轻量AI。外设按总线分工，音频走I2S，屏幕走SPI，传感器走I2C，摄像头走并口DVP，灯和电机走GPIO/PWM，烧录用S3原生的 USB-OTG。
真正的标配六件套就这些，主控、屏、麦克风、喇叭、一颗六轴IMU，还有配套的电源，其余的摄像头、电机、触摸、磁吸接口，都是按形态往上叠的选项。
二、选型：每个位置选什么
| 模块 | 典型方案 | 常见型号 |
|---|---|---|
| 主控 | 主控 | ESP32-S3（16MB Flash+8MB PSRAM） |
| 显示屏 | 圆形IPS | GC9A01（1.28 寸） |
| 音频编解码 | 一颗带ADC的codec | ES8311 |
| 功放 + 喇叭 | Class-D 功放+腔体喇叭 | MAX98357A |
| 麦克风 | 数字MEMS麦 | INMP441 |
| 惯性传感器 | 六轴IMU | BMI270 |
| 运动执行 | 微型舵机 | SG90 |
| 在座感知 | 摄像头 | OV2640 |
| 连接与交互 | 触摸 |
几个关键位置：
屏是性价比最高的情绪投资。 一块圆屏（GC9A01这类1.28寸最常见）做成会动的眼睛，成本不高，拟人感拉满，最不该省。
音频用一颗带ADC的codec。 像ES8311，录音和放音合到一颗芯片，外围简洁。但电路和供电要做干净，否则大模型对话时喇叭容易卡顿。
六轴IMU便宜但出彩。 一颗加速度计（BMI270这类）就能撑起摇晃、体感、拿起唤醒一堆玩法。
在座感知是分水岭。 判断人在不在，可用摄像头，同时视觉也最容易做出差异化。
三、形态决定BOM
同一套骨架，做成什么形态，BOM能差出一截，大致三档：
纯语音陪伴款：只要主控、屏、麦克风、功放喇叭、电源。结构最简单、成本最低、适合走量。
桌面机器人款：加六轴传感器（体感）、可能加摄像头（人脸识别、图传）、加微型电机做头部动作。结构和装配复杂度陡增，但活物感最强。参考方案整机物料两三百元就能打样验证。
手机底座款：让手机充当屏幕和身体，主体只负责底座、感知和运动，大概率用到无线充电底座、运动机构和在座感知。
一套骨架，三种形态，区别只在取舍。
看懂这套方案的，已经甩开了还在拼参数的人。顺手转给你那个正在选型的同行。
这里是无疆家用安防，专注安防行业与AI视觉硬件。每周一篇，只聊接地气的行业真问题。
关注【无疆家用安防】，行业产业第一时间和你拆。
觉得这篇有用，请转发给同行——能转到自己群里的人，本来就比只会拼参数的人更懂行。