头脑风暴机制摘要：本地课堂助手 — 功能完善与性能提升方向（v0.4.0 之后）
状态 : 前瞻研究（2026-08，v0.4.0 规划完成后产出）
用途 : 本文档是机制摘要 ——面向其他 AI 模型的头脑风暴输入。阅读者无需访问本仓库，凭本文档即可理解系统现状、已排期机制与待挖掘空间，并产出新的机制候选。
关联 : v0.4.0 规划 · 需求池 · 上一轮头脑风暴：无云端 AI 的视频内容提取极限 · 技术债清单
0. 给其他 AI 模型的使用说明（头脑风暴任务书）
任务 ：阅读 §1（系统现状）→ §2（外部研究）→ §3（机制候选清单），然后：
提出未被 §3 列出的新机制 （功能完善 / 性能提升 / 准确性 / 可靠性 / 架构）；
或对 §3 中已列机制给出更优实现路径 / 更小成本的替代方案 ；
或指出 §3 中与现有机制冲突、冗余、或违反约束 的条目并说明理由。
硬约束（铁律） ：本地优先——数据不出本机，所有云端能力必须有本地兜底路径；不引入需要在线下载才能编译的依赖（本机 TLS 拦截，UnknownIssuer）；单文件 ≤300 行、纯逻辑与副作用分离、防御性编程（超时/重试/降级）；Windows-only（Tauri 2 + Rust）。评分标准 ：可行性（1-5，依赖/前置条件/实现成本）× 影响力（1-5，用户可感知价值或资源收益）× 创新性（1-5，是否超越"再实现一遍现成方案"）。注明前置 spike 与风险。产出格式建议 ：表格（编号 / 机制名 / 原理 / 为什么有效 / 成本 / 风险 / ROI / 建议时机：可并入 v0.4.0 / v0.5.0 / V1.0 / 远期）。禁止 ：重复提出 §1.5 已否决清单中的机制；提出违反本地优先铁律的方案。
产品 ：熵减（Entropydecrease）——面向技能自学者 （化妆/编程/乐理/绘画等自我提升领域）的视频知识提取与持久化桌面应用。核心场景 ：用户观看教学视频/网课/实操演示时，应用实时捕获系统音频 + 目标窗口画面 ，本地 ASR + 本地 OCR 提取文本，规则拼接为笔记初稿；支持视频文件导入 第二入口（字幕优先：有字幕直出 100% 准确，无字幕 fallback ASR）。MVP 对标 ：通义听悟/讯飞听见级别的视频知识提取与持久化，但全本地、无云依赖 。进度 ：v0.1.0（文件导入 ASR/OCR/拼接/笔记）→ v0.2.0（实时捕获链路）→ v0.3.0（文件导入+字幕优先+融合异步化，代码已交付，真机验收待执行）→ v0.4.0 规划中 （课堂助手本地模式完成 + 实时性/准确性/资源三维优化）。
输入信号 引擎池（模型常驻，FFI 隔离） 产物
[WASAPI 环回] ──► 音频块 ──► VAD ──► 流式 Zipformer ──┐
[DXGI/GDI] ────► 帧 ──► 变化检测 ──► 字幕区/全帧 OCR ─┤
[ffmpeg 导入] ──► 音轨+关键帧 ──► 分窗 ASR / 帧 OCR ──┤
▼
融合（纯规则：字幕权威+ASR补缝）──► SQLite 三表
SenseVoice 重打分（一致性校验） (sessions/segments/
事件流 partial/final/字幕/OCR/状态 ocr_blocks)
──► React 前端（实时面板/详情/笔记）
──► V1.0 可选：云端 Qwen-VL 增强（默认关，离线降级本地拼接）
引擎池 （engine.rs）：ASR/OCR 双 worker 线程，模型只加载一次，规避 FFI Send/Sync；请求经 mpsc channel 同步等待。双速率调度 （ADR-002/005）：字幕区 1-2fps、全帧 0.2-0.5fps；变化检测（分块 hash）过滤无变化帧。字幕 OCR 投票 （subtitle_ocr.rs）：同组样本字符多数投票纠错；编辑距离比例阈值判组；滚动字幕雏形过滤。融合 （fusion.rs，纯规则）：字幕段权威 → ASR 补缝（gap>1s）→ 重叠校对（编辑距离 ≤2 字幕胜出）；停止后后台融合（REQ-031），无字幕短路。流式 ASR （streaming_asr.rs）：partial 节流推送（≥150ms）→ 端点断句 final → 重建流（支持热词）→ SenseVoice 整句重打分（懒加载）。会话数据 ：sessions / session_segments / session_ocr_blocks 三表；时间戳统一会话纪元；句起时间戳 = Final 后首个非静音块。模型 ：SenseVoice int8（离线）+ streaming-zipformer fp16（流式，~650MB）+ Silero VAD + oar-ocr（PP-OCRv6，ONNX）+ ffmpeg（外部二进制）。
1.3 已实现机制清单（v0.1.0–v0.3.0，勿重复提出）
域
已实现机制
采集
WASAPI 环回（SubFormat 防御、墙钟时间戳、指数退避重连）；DXGI Desktop Duplication + GDI 降级（远程/锁屏）；窗口裁剪 + DPI；关闭保护；周期重建自愈
ASR
流式 Zipformer（partial 节流/端点断句/静音隔块喂入/尾句 flush 去重）+ SenseVoice 重打分 + hotwords 注入（空热词防崩溃）
OCR
底部 1/4 字幕区裁剪 + 全帧兜底；双速率采样；变化检测漏斗；多帧投票纠错；滚动字幕过滤雏形；960px 输入缩小；内存图像识别（免磁盘）
融合
纯规则四规则融合；停止异步化 + 无字幕短路；会话纪元统一时间戳；句起/句尾校正
存储
SQLite 三表 + 批量原子事务；会话 CRUD/检索（FTS5 基础）；崩溃 failed 状态；50MB 字幕上限
前端
实时活动面板（最近 6 条转写/4 条画面要点）；停止过渡态超时兜底；事件携带后端时间戳
1.4 已排期机制（v0.4.0 M0–M6，勿重复提出）
里程碑
机制
M0
v0.3.0 收尾：真机验收、TD-033（窗口跨显示器重建）
M1
OCR GPU 卸载：DirectML EP + 三层检测（DXGI 硬件门槛/ORT 原生回退/微基准校准）+ 回退链 + 状态 UI
M2
动态字幕区域：det 驱动 ROI 锁定 + 周期重扫 + 底部先验
M3
实时字幕体验：partial 先行上屏（灰→黑静默替换）+ hash 去重短路
M4
采样预算制（字幕区 ≤2fps / 全帧 ≤0.5fps）+ 高负载/电池降级 + VAD 采样旋钮
M5
热词/替换词表 CRUD + ASR hotwords 注入 + OCR 替换纠错 + OCR 高频词一键入热词
v0.4.0 明确不做 ：闪卡（REQ-019/020）；时间轴回放与可编辑（REQ-023，V1.0）；AI 问答与云端精修（REQ-024/025，V1.0）；零拷贝（已裁决无收益）；ASR GPU（预留 DeviceConfig 扩展位）。
1.5 已否决 / 搁置清单（勿重复提出，除非有新的突破性依据）
项
否决/搁置理由
mpv IPC 信号源
已决策不做（用户覆盖面窄、ROI 低，2026-08-18）
信号源插件抽象
无第一实例，随 mpv 否决搁置
剪贴板捕获（白名单）
隐私设计未决（涉安全红线），须 ADR + 授权交互后方可重启
浏览器扩展（B站/YouTube CC 直取）
交付物形态变重（签名/更新渠道），远期
说话人嵌入（完整 diarization）
本地质量待验证（可考虑降级为"说话人变化检测"，见 A3）
跨会话去重（embedding 相似度合并）
搁置（无本地 embedding 选型）
实时增量融合
语义不成立（字幕 end_ms 靠下一字幕补齐、gap 判断需字幕全集）
静音降频
与笔记目标相悖，已裁决不做（v0.4.0 M4 只做"静音期全帧提频"）
零拷贝帧传递
当前负载下无收益
2.1 流式 ASR 前沿（sherpa-onnx 生态）
热词/上下文偏置（contextual biasing）是流式识别准确率的主流提升手段 ，本项目 M5 已排期；更深一层是"上下文无关的自举语言模型"（会话内 n-gram 统计重排，见 B1）。两遍解码（two-pass） ：流式粗识别 + 离线模型精修，本项目已有 SenseVoice 重打分雏形；完整版是"会话结束全量两遍解码"（D2）。sherpa-onnx 提供 speaker embedding / 说话人变化检测（SCD）ONNX 模型 ，可在 VAD 间隙做音色相似度比对 → 轻量"谁在讲"标记（A3 前置 spike 即可验证质量）。forced alignment（强制对齐） 可产出词级时间戳 ，用于精确句边界（替代 end_ms 近似）、关键词时间轴、融合 gap 判断（B8）。
RNNoise ：10ms 帧、~3ms 延迟、单核 ~3-5% CPU，广泛用于键盘/风扇/环境噪声抑制，常兼作 VAD 信号。注意 ：环回捕获的是"成品音频"（播放器已混好），降噪收益需实测校准——应做成可开关 + 微基准对比 （A1）。AGC（自动增益）对音量忽大忽小的课程（多人发言、远近麦克风差异）有实测收益；直流偏置/削波检测为廉价防御。
DXGI Desktop Duplication 是本地会话性能最优路径（OBS 主力），但远程桌面/锁屏不可用（本项目已 GDI 降级）；Windows.Graphics.Capture（WGC） 更稳健（含远程桌面），但 WinRT 异步模型与 Rust 线程集成成本高、帧回调性能略逊——作为长期演进方向保留，不构成当前替换理由 。帧元数据（DXGI_OUTDUPL_FRAME_INFO.AccumulatedFrames）可做"未变化帧跳过"的零成本二次判断（E7）。
关键帧思路（OBS 式）：只在变化矩形内拷贝/检测，可进一步降低采集 CPU（当前为全帧 BGRA 转换 + 分块 hash）。
2.4 OCR 与 ONNX Runtime 性能
DirectML 不挑显卡 （本项目 M1 正做）；量化（int8/fp16）与输入缩小 （近似平方级降延迟，本项目已做 960px）是确定性收益项。ORT 运行时存在多个零成本调优点 ：intra-op 线程数、enable_cpu_mem_arena、图优化级别（默认可能非 ENABLE_ALL）、线程亲和性——需核对 oar-ocr/sherpa crate 是否暴露 SessionOptions（oar-ocr 0.9.1 已确认暴露 ort_session 配置，M1 已用）（E2）。
版面分析/表格/公式识别（PaddleOCR 系）是板书/幻灯片结构化的现成路径 （B4）；公式可 LaTeX 化（纯规则渲染）。
崩溃恢复的行业基线：段级落库 + 幂等续传 （本项目已有 failed 状态与批量事务）；导入任务应可断点续跑（F1）。
资源健康监测（磁盘/模型完整性/引擎存活）→ 状态徽标，是长会话产品的必备项（F2）。
编号规则：A=信号源与输入前端 / B=提取与识别质量 / C=内容组织与产物形态 / D=反馈闭环与学习回路 / E=性能与资源 / F=可靠性与韧性 / G=架构与可扩展性。
时机标注：[v0.4] = 可低成本并入 v0.4.0；[v0.5] = v0.4.0 之后下一个版本；[V1.0] = 已排 V1.0 或需前置；[远期] 。
#
机制
原理
为什么有效
成本
风险
时机
A1
音频预处理链（可选） ：RNNoise 降噪 + AGC 自动增益 + 削波检测采集后、VAD 前插入 DSP 纯函数；可开关
键盘/风扇/环境噪声是 ASR 主要错误源；音量差异破坏 VAD 阈值
低（RNNoise ~1MB 模型 + 纯函数封装；需微基准）
环回是成品音频，降噪可能损伤音质——必须实测校准 + 默认关 [v0.4]
A2
声道策略 ：立体声环回能量选优/合并采集后按 RMS 选能量高的声道
单声道混入杂音时另一声道更干净；零模型成本
极低
声道语义因播放器而异，需实测
[v0.4]
A3
说话人变化检测（SCD 弱化版 diarization） ：sherpa-onnx speaker 模型在 VAD 间隙对比音色向量 → "讲者切换"事件转写段标注讲者，多讲者课堂可读性大增；为会议类档案（V1）铺路
中（新模型 + 特征提取；前置 spike 验证质量）
完整 diarization 质量不佳，但"变化检测"弱化版（不聚类身份，只标记切换）成功率显著更高
[v0.5]
A4
课件预热（课前导入） ：课前导入 PPT/PDF → 本地文本提取 → 自动生成热词/替换词预热 + 章节先验把学习内容前置到"课前 5 分钟"，实时链路零成本受益
中（PPT/PDF 解析 + 词表预热管线）
PDF 解析（文本/图像混合）质量不一
[v0.5]
A5
窗口标题/元数据信号 ：捕获目标窗口标题 → 章节语义暗示（"PPT-第3章"/IDE 文件名）零成本辅助信号，可进章节检测投票（C1）
极低
标题噪声大，需白名单规则
[v0.4]
#
机制
原理
为什么有效
成本
风险
时机
B1
会话自举 n-gram 语言模型校正 ：会话内已确认文本构建统计 LM → 对后续 OCR/ASR 结果做候选重排专业术语在会话内反复出现，自举比外部语料更贴合
中（统计 LM 纯 Rust 可做）
冷启动期样本不足；与热词机制（M5）部分重叠，需区分定位（热词=词级加权，LM=句级重排）
[v0.5]
B2
跨信道交叉验证（RAID 思路） ：ASR / 字幕 OCR / 字幕文件三源按时间轴对齐互校冗余信道互相纠错，超出 ADR-005 的编辑距离 ≤2 浅层版本
中（对齐 + 投票纯函数；需 ADR-006 派生视图配合才不污染原始段）
三源时间戳对齐复杂
[V1.0]
B3
置信度落库 + 低置信标记 ：OCR block score / ASR 置信度 → 段级 confidence → "需人工校对"视图把"提取物定位"从成品笔记改为可校对学习原料 （O1），用户信任度提升
中（模型是否暴露置信度需 spike）
oar-ocr 只有 score 无置信度时退化为启发式
[v0.5]
B4
板书/幻灯片结构化 ：版面分析 + 表格/公式/代码块识别（PaddleOCR 系模型）实操/课件课的核心信息在画面不在语音；公式 LaTeX 化、代码块结构化存储
中高（新模型 + 结构化 schema）
模型体积与准确率权衡
[V1.0]
B5
口语书面化（本地规则版） ：语气词过滤、重复整理、标点恢复（纯规则+统计，无 LLM）转写产物从"语音流"变"可读文本"，笔记质量直观提升
中（规则工程，需语料校准）
过激改写损伤原意——必须可逆（保留原文段）
[v0.5]
B6
关键帧图集 / 步骤卡 ：感知哈希聚类相似帧 → 画面簇 = 一个操作步骤 = 簇首帧 + 时间范围实操类视频（化妆/手工/软件操作）唯一有效形态（S4，上轮评估第 1 名）
中（聚类纯函数 + 前端画廊 UI）
独立前端工作量；簇边界质量需 spike
[v0.5]
B7
滚动字幕/弹幕强过滤 ：长公共子串检测 + 滚动方向判定歌词/弹幕污染字幕权威源
低（纯函数增强）
误杀正常切换字幕（阈值需校准）
[v0.4]
B8
词级时间戳（forced alignment） ：离线对齐产出词级时间戳精确句边界（替代近似）、关键词时间轴、融合 gap 判断、未来"点击词跳转"
中（离线路径跑对齐；sherpa-onnx 已支持）
流式路径无对齐（仅离线/课后精修路径可用）
[v0.5]
#
机制
原理
为什么有效
成本
风险
时机
C1
三信号章节检测 ：画面切换（已有）+ 长静音（已有）+ n-gram 话题重合度下降，三票同刻 → 章节边界长视频结构化刚需（S1）；全部信号已存在，纯规则融合
低中
阈值调参需样本
[v0.5]
C2
重点候选标注 ：重复短语 ≥2 次 / 音量语速骤变（DSP）/ OCR 文本持续停留 N 帧 → 重点标记笔记初稿直接带重点（S2），学习回路（D3）前置
中（DSP 特征 + 规则）
误标率需用户反馈校准（接 D1）
[v0.5]
C3
术语表自动构建 ：OCR 高频词 × ASR 低频词交叉 → 候选术语 → 用户确认 → 反哺 hotwords + 笔记词汇表M5 只做"一键加入"，本机制做自动发现 （S3），闭环更完整
中
候选质量需确认 UI 把关
[v0.5]
C4
大纲视图生成（纯规则） ：OCR 大字块/固定位置标题检测 + 幻灯片标题提取 → 课程大纲规则可做的"章节速览"（REQ-026 前置），零 LLM
低中
标题检测误判需阈值校准
[v0.5]
C5
会话检索 + 时间回跳 ：FTS5 已有基础，补"搜索结果 → 点击跳转视频时刻"知识回找的核心体验（O3/REQ-023 前置）
中（依赖 C6 或实时录制）
无录制则只能跳转"转录时刻"无画面
[V1.0]
C6
会话视频录制（可选） ：采集中可选录制低帧率视频（H.264 或关键帧序列）+ 时间戳对齐存储回放/回跳/步骤卡的地基；实时链路已有帧流，增量成本
中高（编码器 + 磁盘管理）
磁盘占用；隐私（用户自选开启）
[V1.0]
C7
导出体系 ：SRT/VTT 字幕导出、Markdown 笔记导出、带时间戳引用格式学习产物可携带（进 Anki/其他工具），生态价值
低
—
[v0.5]
C8
跨会话合并去重 ：n-gram 相似度聚类 → 课程级知识体多遍观看同一课程时合并（O5）
中高
无本地 embedding 选型（上轮搁置）
[远期]
#
机制
原理
为什么有效
成本
风险
时机
D1
用户确认回路 ：校对编辑 → 反哺规则参数（去重窗/编辑距离阈值/hotwords 权重/替换词）无 LLM 的"学习"（O2）；用户编辑是最廉价的高质量标注
中（UX + 参数化改造）
参数自动调整需"可回滚 + 透明展示"，防失控
[v0.5]
D2
会话结束离线精修 ：实时粗稿 + 后台两遍解码 + 全量融合 + 多帧投票 + 词级对齐 → 离线级产物实时体验与离线质量兼得（O4）；M3 的静默修正从"句级"升"会话级"
中（后台任务 + 派生视图前置）
与 ADR-006（REQ-032）强耦合
[V1.0]
D3
重点标记 → 闪卡联动 ：C2 重点 → 一键生成闪卡（REQ-027）；闪卡本体（REQ-019/020）顺延后跟进从"提取"到"记住"的闭环，竞品无此链路
中（闪卡顺延后重排期）
依赖 C2 质量
[V1.0]
D4
学习统计 ：会话时长/语音占比/停顿频率/OCR 要点数 → 学习报告轻量差异化，成本低
低
指标定义需产品确认
[v0.5]
#
机制
原理
为什么有效
成本
风险
时机
E1
ORT 运行时调优 ：intra-op 线程数 / CPU memory arena / 图优化级别 / 线程亲和性零成本确定性收益；M1 已确认 oar-ocr 暴露 SessionOptions，sherpa 侧需核对
低（配置项 + 基准对比）
线程数配置不当反伤实时性（需基准）
[v0.4]
E2
ASR 模型档位 ：设备能力检测（核数/内存/AVX）→ 选择 int8/小模型/关闭重打分低配机可用性；与 M1 的 DeviceConfig 扩展位合并
中（模型分发复杂度上升）
多档位 = 多模型体积/测试面
[v0.5]
E3
启动加速 ：模型 mmap/预加载 + 首会话前后台预热 + WebView 懒加载"双击到能录"秒级体验；引擎池已常驻，补预热窗口
低中
预热与用户手动启停的时序竞态
[v0.4]
E4
内存有界 ：会话窗口滑出即弃内存（落库即弃）；SenseVoice 重打分引擎按需加载/卸载长会话内存稳定（ADR-003 遗留评估项）
低
重打分卸载策略影响修正延迟
[v0.5]
E5
OCR 结果缓存（LRU） ：区域感知哈希 → 结果缓存；A→B→A 帧变化不重复识别变化检测只过滤"无变化"，本机制过滤"变回去了"；PPT 翻页往返典型场景
低（纯增量）
缓存键设计（区域+缩略哈希）需防碰撞
[v0.4]
E6
电量感知降级 ：电池模式 → 采样降档 + 禁 GPU OCRM4 已有负载降级，补电源维度（P8 扩展）
低
Windows 电源事件 API 细节
[v0.5]
E7
采集链路零分配 ：staging 纹理复用、BGRA→RGB 内联、DXGI AccumulatedFrames 跳过判断采集 CPU 占比下降（当前为开销排序第 3 位）
低中
零拷贝已否决，本项是"低分配"不越界
[v0.5]
E8
前端渲染性能 ：时间轴/转写流虚拟列表、详情页分页查询、事件合并长会话（数千段）UI 卡顿预防
中
—
[v0.5]
E9
视频类型档案（VideoProfile） ：按内容类型（实操/代码/会议/PPT）预设采样策略与产物形态管线配置化（V1 全面版）：一次调优多处受益；v0.4.0 已显式化"字幕/无字幕"二态
中
档案数量与维护成本权衡
[v0.5]
#
机制
原理
为什么有效
成本
风险
时机
F1
导入任务断点续跑 ：分段转写进度持久化 + 中断恢复大视频导入（30 分钟+）中断不重来
中（进度状态机 + 恢复路径）
与现有导入管线耦合
[v0.5]
F2
资源健康监测 ：磁盘空间 / 模型完整性 / 引擎存活巡检 → 状态徽标长会话产品的必备项；磁盘写满崩溃是最常见隐性故障
低
—
[v0.4]
F3
静默失败可见化 ：OCR/ASR 失败计数 → 会话摘要提示TD-001 已做笔记侧警告段落，扩展到会话详情
低
—
[v0.4]
F4
崩溃恢复增强 ：崩溃后"恢复会话"提示 + 续传（段级落库已有）长时间课堂崩溃不丢已提取内容
中
恢复 UI 与现有会话列表集成
[v0.5]
#
机制
原理
为什么有效
成本
风险
时机
G1
会话派生视图 （原始段与融合轴分离 + fused_at）B2/D2 的地基；支持重算融合/可信度审计（REQ-032/ADR-006 已立项）
中高（数据模型变更，涉 ADR-004/005）
迁移兼容
[V1.0]
G2
本地诊断面板 ：帧率/延迟/CPU 曲线/预算命中率（开发期可隐藏）优化决策的数据基础（P 系列机制全部依赖实测）；当前开销排序是代码推断非实测
中（指标埋点 + 面板）
埋点性能开销需自控
[v0.4]
G3
性能基准护栏（CI） ：合成音频/合成帧 golden 测试 + 延迟/CPU 基准回归门禁防止优化回退（本项目测试文化强，缺口在性能维度）
中
基准机器差异需归一化
[v0.5]
G4
模型按需分发 ：只下载设备所需档位（int8/完整/DML 包），增量校验安装/首启体验（当前流式模型 650MB 全量）
中
分发矩阵复杂化
[v0.5]
排名
机制
可行性
影响力
创新性
时机建议
一句话理由
1
E1 ORT 运行时调优
5
4
2
[v0.4]
零成本确定性收益，立即做
2
E5 OCR 结果缓存
5
3
3
[v0.4]
小增量，PPT 往返场景显著
3
A1 音频预处理链（可开关）
4
4
3
[v0.4]
课堂环境噪声是 CER 主要来源，需实测校准
4
G2 本地诊断面板
4
4
3
[v0.4]
一切优化决策的数据前提
5
A5 窗口标题信号
5
2
3
[v0.4]
零成本辅助信号
6
B7 滚动字幕强过滤
4
3
2
[v0.4]
纯函数增强
7
F2/F3 健康监测与失败可见化
4
3
2
[v0.4]
长会话可靠性基线
8
C1 三信号章节检测
4
4
3
[v0.5]
结构化刚需，信号全现成
9
B6 关键帧图集/步骤卡
4
5
4
[v0.5]
实操类唯一有效形态（上轮第 1 名）
10
A3 说话人变化检测
3
4
4
[v0.5]
多讲者课堂可读性，spike 决定去留
11
B3 置信度落库
3
4
3
[v0.5]
"可校对原料"定位的产品基石
12
B5 口语书面化（本地版）
4
4
2
[v0.5]
笔记可读性直观提升
13
C3 术语表自动构建
4
3
3
[v0.5]
M5 闭环的自然延伸
14
D1 用户确认回路
3
4
4
[v0.5]
无 LLM 的自我进化
15
B8 词级时间戳
3
4
3
[v0.5]
精确对齐的地基
本摘要的机制清单是v0.4.0 规划之外 的增量空间；v0.4.0 内已有 M0–M6 的机制（§1.4）不应重复提出，但可与新机制组合 （如 B3 依赖 M1 的 device status、C3 依赖 M5 的热词基础设施）。
全部机制遵循本地优先铁律：任何"云端可选"方案必须带本地兜底（当前唯一云端项是 V1.0 的 Qwen-VL 可选增强，默认关闭）。
性能类机制的共同前提是先测量后优化 （G2 诊断面板优先于一切 P 系列机制）。