🧠 Cyber-Superego · 赛博超我

An edge-cloud hybrid AI agent that watches you work — and punishes you when you don't.

隐私优先的边缘-云端混合 AI 监督 Agent，全天候监控你的行为，一旦摆烂立即惩罚。

Powered by LangGraph · MediaPipe · Moondream2 · DeepSeek · macOS Automation

English · 中文

---

English

What is this?

Cyber-Superego is a privacy-first, edge-cloud hybrid AI supervisor that monitors your behavior through your webcam 24/7 and intervenes with escalating punishments the moment it detects procrastination.

The core design insight: your camera image never leaves your machine. A local vision model describes what it sees in plain text; only that text description reaches the cloud LLM. This keeps API costs minimal and protects your privacy.

What can it do?

Detected Behavior	System Response
Scrolling phone / watching videos	TTS voice scolds you out loud
Still slacking after warning	Sends a shame message to your mom on WeChat
Gaming when you should be studying	Force-closes the game, opens LeetCode
Repeatedly ignoring warnings	Chaos mode: 50 terminal windows flood your screen, 5-language concurrent TTS
Actually studying	Leaves you alone (with a brief sarcastic comment)

Architecture

The system uses a Dual-Brain Synergy design to solve the fundamental tension between privacy, cost, and intelligence:

┌─────────────────────────────────────────────────────────────┐
│  LOCAL EDGE  (images never leave this machine)              │
│                                                             │
│  Webcam → MediaPipe    → skeleton overlay on screen         │
│         ↓ (every 30s)                                       │
│         → Moondream2   → plain-text behavior description    │
│         → qwen2.5:1.5b → healthy / procrastinating?         │
│                              ↓ (if procrastinating)         │
├──────────────────────────────┼──────────────────────────────┤
│  CLOUD  (text only, ~50 tokens per call)                    │
│                              ↓                              │
│              DeepSeek → ReAct reasoning loop                │
│                              ↓                              │
├──────────────────────────────┼──────────────────────────────┤
│  LOCAL EXECUTION             ↓                              │
│         TTS / WeChat automation / force-close / chaos mode  │
└─────────────────────────────────────────────────────────────┘

flowchart TB
    CAM["📷 Webcam · 1280×720"]

    subgraph EDGE["🖥️  Local Edge · images never leave this machine"]
        direction TB

        subgraph SENSE["Perception Pipeline · perception.py"]
            MP["MediaPipe\nPose + Gesture\n@30fps · skeleton overlay"]
            MD["Moondream2\nLocal VLM\nbehavior description @30s"]
        end

        subgraph CEREBELLUM["Cerebellum Classifier · qwen2.5:1.5b"]
            KW{"Python keyword\nfast-path filter"}
            KW -->|"clear healthy words\n(reading, studying, coding...)"| GOOD["✅ healthy · skip"]
            KW -->|"clear unhealthy words\n(scrolling, gaming...)"| BAD["❌ escalate"]
            KW -->|"ambiguous"| QWEN["qwen yes/no\ninnocent until proven guilty"]
        end

        subgraph EXEC["Execution Layer · tools.py"]
            T1["🔊 TTS Punishment\n(background thread, parallel)"]
            T2["💀 Force Close App\n(priority 0, first)"]
            T3["💥 Chaos Terminal\n(priority 1)"]
            T4["💬 WeChat Shame\n(priority 2)"]
            T5["👁️ Re-observe Camera\n(priority 3)"]
            T6["🌐 Open Webpage\n(priority 4, last — steals focus)"]
        end

        DB[("💾 SQLite · superego.db\nfull state persistence")]
    end

    subgraph CLOUD["☁️  Cloud · text only, ~50 tokens/call"]
        DS["DeepSeek\nAngry supervisor persona\nReAct reasoning loop\nmax 5 iterations"]
    end

    RPT["📄 memory/daily_reports.md\ndaily discipline report"]

    CAM -->|"every frame"| MP
    CAM -->|"every 30s · clean frame\nno UI overlay"| MD
    MP -->|"draw skeleton"| DISPLAY["🖥️  OpenCV Window"]
    MD -->|"behavior text"| KW
    BAD -->|"should_escalate=True"| DS
    QWEN -->|"result"| DS
    DS -->|"tool_calls\nserial by priority"| EXEC
    EXEC -->|"execution results"| DS
    DS <-->|"checkpoint"| DB
    DB -->|"day change"| RPT

    style EDGE fill:#0d1f2d,color:#adf
    style CLOUD fill:#1f0d2d,color:#daf
    style CEREBELLUM fill:#0d2d1a,color:#afd
    style EXEC fill:#2d0d0d,color:#faa

Loading

LangGraph State Machine

Every 30-second perception cycle triggers one full graph execution. The [B] ⇌ [C] loop runs up to 5 times, delivering escalating punishment until the subject complies or the limit is reached.

flowchart LR
    START(["▶ START"]) --> R

    subgraph R["[R] daily_reset"]
        Ra["Detect day change"]
        Rb["Generate yesterday's report\nvia DeepSeek (50 words)"]
        Rc["Clear message history\nReset counters"]
        Ra -->|"new day"| Rb --> Rc
        Ra -->|"same day · zero cost"| R_SKIP((" "))
    end

    subgraph A["[A] perception"]
        Aa["Wrap vision text\nas HumanMessage"]
    end

    subgraph B["[B] decision · DeepSeek"]
        Ba["Trim history (keep 20)\nRepair orphaned tool_calls"]
        Bb["Inject system prompt\nAngry supervisor + memory summary"]
        Bc["DeepSeek ReAct inference\ndecide next action"]
        Ba --> Bb --> Bc
    end

    subgraph C["[C] execution · tools"]
        Ca["TTS → background thread 🔊"]
        Cb["Serial by priority:\nforce_close → chaos → wechat → observe → webpage"]
    end

    END_N(["⏹ END"])

    R --> A
    A -->|"should_escalate = true\nprocrastination detected"| B
    A -->|"should_escalate = false\nhealthy → skip"| END_N
    B -->|"has tool_calls\nexecute punishment"| C
    C -->|"tool results\nevaluate and decide"| B
    B -->|"no tool_calls\nverdict reached\nmax 5 iterations"| END_N

    style R fill:#1a3a5c,color:#cce
    style A fill:#0d4d2e,color:#cfc
    style B fill:#4a2800,color:#fda
    style C fill:#4a0000,color:#faa

Loading

Cerebellum: Three-Layer Behavior Classifier

Before any cloud call, a local three-layer classifier filters behavior descriptions to minimize unnecessary API usage:

Vision text (e.g. "person reading a programming book at desk")
        │
        ▼
Layer 1 · Python whitelist (zero LLM cost)
  keywords: "reading a book", "studying", "coding", "working at desk"...
        → immediately healthy ✅ (most study sessions caught here)
        │
        ▼ (not matched)
Layer 2 · Python blacklist (zero LLM cost)
  keywords: "scrolling", "gaming", "watching tv", "lying in bed"...
        → immediately escalate ❌
        │
        ▼ (ambiguous)
Layer 3 · qwen2.5:1.5b yes/no classification
  "Is this person clearly doing something unproductive?"
  Rule: innocent until proven guilty — unclear answer → healthy default

What context reaches qwen? The current frame description is the primary input. The application can also provide a bounded text summary and recent observation/decision history to help disambiguate behavior. Camera images still remain local; only text is passed to the classifier.

Punishment Escalation

Round 1 · TTS voice warning          "你他妈在干嘛，给老子去学习！"
Round 2 · observe_camera             Wait 30s, re-check behavior
Round 3 · TTS + WeChat + webpage     Three-hit combo — mom gets a message
Round 4 · chaos_terminal_punishment  50 terminals + 5-language concurrent TTS
Round 5 · forced END                 Max iterations reached

Key Design Decisions

Decision	Rationale
Images stay local	Privacy + zero vision API cost
qwen2.5:1.5b as cerebellum	99% of classifications need no cloud call
DeepSeek for decisions	Reasoning quality at minimal token cost
TTS runs in background thread	Non-blocking; plays while other tools execute
Tools execute serially by priority	WeChat automation needs focus; browser runs last
_reorder_and_repair message repair	Crash-safe: orphaned tool_calls in SQLite are patched on restart

Setup Guide

Requirements

Requirement	Details
OS	macOS (required for say, osascript, open -a)
Python	3.12+
Package manager	uv
Ollama	ollama.com
DeepSeek API	platform.deepseek.com

Step 1 — Clone and install dependencies

git clone https://github.com/Leonxu6/wakeupagent.git
cd wakeupagent
uv sync

Step 2 — Pull local models via Ollama

# Start Ollama first
open /Applications/Ollama.app

# Pull the two required models (~2 GB total)
ollama pull moondream      # Vision model — describes what the camera sees
ollama pull qwen2.5:1.5b   # Cerebellum — classifies behavior as healthy/unhealthy

Step 3 — Verify MediaPipe model files

The repository already includes these two model files in its root directory. If either file is missing or corrupted, download a fresh copy from the links below:

File	Size	Link
pose_landmarker_lite.task	5.5 MB	Download
gesture_recognizer.task	8 MB	Download

Step 4 — Configure environment

cp .env.example .env

Edit .env:

DEEPSEEK_API_KEY=your_deepseek_api_key_here

Step 5 — Customize contacts in config.py

Open config.py and replace the placeholder WeChat contact names:

WECHAT_CONTACTS = {
    "老妈":   "YOUR_MOM_WECHAT_NAME",   # Exact name as shown in WeChat search
    "导师":   "YOUR_TUTOR_WECHAT_NAME",
    "班级群": "YOUR_CLASS_GROUP_NAME",
}

⚠️ These values must exactly match how the contact appears in WeChat's search bar.

Step 6 — Grant Accessibility permission (WeChat automation)

System Settings → Privacy & Security → Accessibility

Add your terminal app (Terminal / iTerm2 / Cursor / VS Code). This is required for the osascript WeChat automation to work.

Step 7 — Run

# Full system — live webcam + AI supervision
uv run main.py

# Test the LangGraph flow without a camera (mock input)
uv run main.py --graph

# Test perception pipeline only — camera + MediaPipe + Moondream, no cloud
uv run perception.py

Startup checklist

• Ollama is running with moondream and qwen2.5:1.5b pulled
• Both .task model files are in the project root
• .env contains a valid DEEPSEEK_API_KEY
• Terminal has Accessibility permission (for WeChat)
• WeChat Mac client is logged in and running
• WECHAT_CONTACTS in config.py has real contact names

Configuration Reference

All settings live in config.py. No other files need to be edited for normal use.

Parameter	Default	Description
CAMERA_INDEX	0	Webcam index. Use 1 or 2 for external cameras
CAPTURE_INTERVAL_SEC	30	Seconds between Moondream vision analyses
REACT_MAX_ITERATIONS	5	Max punishment rounds per session
CONTEXT_MAX_MESSAGES	20	Recent messages kept in LLM context
SUMMARIZE_THRESHOLD	30	Message count that triggers memory compression
LOCAL_CLASSIFIER_MODEL	qwen2.5:1.5b	Cerebellum model (must be available in Ollama)
DEEPSEEK_MODEL	deepseek-chat	Cloud brain model
MOONDREAM_PROMPT	"What is the person doing?"	Controls Moondream's description angle
WECHAT_CONTACTS	placeholders	Must be customized — WeChat contact names

File Structure

wakeupagent/
│
├── main.py                     # Entry point — wires perception callbacks to graph execution
├── graph.py                    # LangGraph state machine — 4 nodes, routing, memory compression
├── perception.py               # Perception pipeline — MediaPipe + Moondream + cerebellum
├── tools.py                    # Execution tool library — all 6 tools fully implemented
├── config.py                   # All configuration in one place
│
├── pose_landmarker_lite.task   # MediaPipe Pose model (included in the repository)
├── gesture_recognizer.task     # MediaPipe Gesture model (included in the repository)
│
├── pyproject.toml              # Dependencies (managed with uv)
├── .env.example                # Environment variable template
├── .env                        # Your API keys — never commit this
│
└── memory/
    └── daily_reports.md        # Auto-generated daily discipline reports (runtime)

FAQ

Q: The system keeps flagging me as procrastinating even when I'm studying. The cerebellum uses "innocent until proven guilty" — ambiguous cases default to healthy. If you're consistently misclassified, capture Moondream's exact description, check it for an unintended match in _UNHEALTHY_KEYWORDS, and adjust the keyword list or _CLASSIFIER_PROMPT in perception.py with a regression test.

Q: WeChat messages aren't sending. Check: (1) WeChat Mac is logged in and running; (2) your terminal has Accessibility permission; (3) WECHAT_CONTACTS values exactly match WeChat search results (including spaces and special characters).

Q: Can I use a different cloud LLM instead of DeepSeek? Yes — DeepSeek uses an OpenAI-compatible API. Change DEEPSEEK_BASE_URL and DEEPSEEK_MODEL in config.py to point at any OpenAI-compatible endpoint (OpenAI, Claude via proxy, etc.).

Q: The TTS voice sounds wrong / I want a different voice. Change _TTS_VOICE in tools.py to any voice installed on your system. Check available voices in: System Settings → Accessibility → Spoken Content → System Voice.

Q: Can I run this without WeChat? Yes — the system degrades gracefully. If WeChat automation fails, it logs the error and moves on to the next tool. You can also remove send_wechat_shame_message from ALL_TOOLS in tools.py.

Roadmap

• Human confirmation: interrupt_before checkpoint for high-risk tools (WeChat, chaos mode)
• Cross-platform: Windows/Linux support via alternative TTS and automation backends
• Web UI: Browser-based monitoring dashboard with AsyncSqliteSaver + astream
• Multi-camera: Monitor multiple rooms simultaneously
• Custom punishment plugins: Hot-reloadable tool modules
• Mobile companion app: Push notifications when punishment is triggered

License

MIT — do whatever you want, but the author takes no responsibility for family relationship damage caused by unsolicited WeChat messages.

---

中文

这是什么？

赛博超我是一个隐私优先的边缘-云端混合 AI 监督 Agent，通过摄像头全天候监控你的行为，一旦检测到摆烂立即介入并施以渐进式惩罚。

核心设计原则：摄像头画面永远不离开你的设备。 本地视觉模型将画面描述为纯文本，云端 LLM 只接收这段文字，既保护隐私，又将 API 成本压到极低。

它能做什么？

检测行为	系统响应
刷手机 / 看视频	TTS 语音当场骂你
警告后仍在摆烂	给你妈发微信告状
该学习时打游戏	强制关闭游戏，打开 LeetCode
屡教不改	混沌模式：50 个终端刷屏 + 5 语言 TTS 同时开轰
认真学习	冷嘲一句，不打扰

系统架构

系统采用双脑协同设计，从根本上解决隐私、成本、智能三者之间的矛盾：

┌─────────────────────────────────────────────────────────────┐
│  本地边缘端（摄像头画面永远不离开本机）                       │
│                                                             │
│  摄像头 → MediaPipe    → 屏幕骨架叠加                        │
│         ↓ (每 30 秒)                                        │
│         → Moondream2   → 纯文本行为描述                      │
│         → qwen2.5:1.5b → 健康 / 摆烂？                      │
│                              ↓ (若摆烂)                     │
├──────────────────────────────┼──────────────────────────────┤
│  云端（仅文本，每次约 50 tokens）                             │
│                              ↓                              │
│              DeepSeek → ReAct 推理循环                       │
│                              ↓                              │
├──────────────────────────────┼──────────────────────────────┤
│  本地执行                    ↓                              │
│         TTS / 微信自动化 / 强制关闭 / 混沌模式               │
└─────────────────────────────────────────────────────────────┘

flowchart TB
    CAM["📷 摄像头 · 1280×720"]

    subgraph EDGE["🖥️  本地边缘端 · 画面永不离开本机"]
        direction TB

        subgraph SENSE["感知流水线 · perception.py"]
            MP["MediaPipe\n姿态 + 手势\n@30fps · 骨架叠加"]
            MD["Moondream2\n本地视觉大模型\n每 30 秒行为描述"]
        end

        subgraph CEREBELLUM["小脑分类器 · qwen2.5:1.5b"]
            KW{"Python 关键词\n快速路径过滤"}
            KW -->|"明确健康词\n（阅读、学习、敲代码…）"| GOOD["✅ 健康 · 跳过"]
            KW -->|"明确不健康词\n（刷手机、打游戏…）"| BAD["❌ 上报惩罚"]
            KW -->|"模糊情况"| QWEN["qwen 是/否判断\n疑罪从无原则"]
        end

        subgraph EXEC["执行层 · tools.py"]
            T1["🔊 TTS 惩罚\n（后台线程并行）"]
            T2["💀 强制关闭应用\n（优先级 0，最先）"]
            T3["💥 混沌终端\n（优先级 1）"]
            T4["💬 微信告状\n（优先级 2）"]
            T5["👁️ 重新观察摄像头\n（优先级 3）"]
            T6["🌐 打开网页\n（优先级 4，最后——会抢焦点）"]
        end

        DB[("💾 SQLite · superego.db\n完整状态持久化")]
    end

    subgraph CLOUD["☁️  云端 · 仅文本，每次约 50 tokens"]
        DS["DeepSeek\n愤怒监督者人格\nReAct 推理循环\n最多 5 轮"]
    end

    RPT["📄 memory/daily_reports.md\n每日纪律报告"]

    CAM -->|"每帧"| MP
    CAM -->|"每 30 秒 · 无 UI 叠加的干净帧"| MD
    MP -->|"绘制骨架"| DISPLAY["🖥️  OpenCV 窗口"]
    MD -->|"行为文本"| KW
    BAD -->|"should_escalate=True"| DS
    QWEN -->|"判断结果"| DS
    DS -->|"工具调用\n按优先级串行"| EXEC
    EXEC -->|"执行结果"| DS
    DS <-->|"检查点"| DB
    DB -->|"日期变更"| RPT

    style EDGE fill:#0d1f2d,color:#adf
    style CLOUD fill:#1f0d2d,color:#daf
    style CEREBELLUM fill:#0d2d1a,color:#afd
    style EXEC fill:#2d0d0d,color:#faa

Loading

LangGraph 状态机

每隔 30 秒，感知周期触发一次完整的图执行。[B] ⇌ [C] 循环最多运行 5 轮，持续升级惩罚直到被监督者服从或达到上限。

flowchart LR
    START(["▶ 开始"]) --> R

    subgraph R["[R] 每日重置"]
        Ra["检测日期变更"]
        Rb["通过 DeepSeek 生成\n昨日纪律报告（50 词）"]
        Rc["清除消息历史\n重置计数器"]
        Ra -->|"新的一天"| Rb --> Rc
        Ra -->|"同一天 · 零开销"| R_SKIP((" "))
    end

    subgraph A["[A] 感知"]
        Aa["将视觉文本封装\n为 HumanMessage"]
    end

    subgraph B["[B] 决策 · DeepSeek"]
        Ba["裁剪历史（保留 20 条）\n修复孤立的 tool_calls"]
        Bb["注入系统提示\n愤怒监督者 + 记忆摘要"]
        Bc["DeepSeek ReAct 推理\n决定下一步行动"]
        Ba --> Bb --> Bc
    end

    subgraph C["[C] 执行 · 工具"]
        Ca["TTS → 后台线程 🔊"]
        Cb["按优先级串行：\n强制关闭 → 混沌 → 微信 → 观察 → 网页"]
    end

    END_N(["⏹ 结束"])

    R --> A
    A -->|"should_escalate = true\n检测到摆烂"| B
    A -->|"should_escalate = false\n健康 → 跳过"| END_N
    B -->|"有工具调用\n执行惩罚"| C
    C -->|"工具执行结果\n评估并决策"| B
    B -->|"无工具调用\n裁决完成\n或达到最大迭代次数"| END_N

    style R fill:#1a3a5c,color:#cce
    style A fill:#0d4d2e,color:#cfc
    style B fill:#4a2800,color:#fda
    style C fill:#4a0000,color:#faa

Loading

小脑：三层行为分类器

在任何云端调用之前，本地三层分类器会过滤行为描述，将不必要的 API 调用降到最低：

视觉文本（例如："person reading a programming book at desk"）
        │
        ▼
第一层 · Python 白名单（零 LLM 开销）
  关键词："reading a book"、"studying"、"coding"、"working at desk"…
        → 立即判定健康 ✅（大多数学习状态在此拦截）
        │
        ▼ （未命中）
第二层 · Python 黑名单（零 LLM 开销）
  关键词："scrolling"、"gaming"、"watching tv"、"lying in bed"…
        → 立即触发惩罚 ❌
        │
        ▼ （模糊情况）
第三层 · qwen2.5:1.5b 是/否分类
  "这个人是否明显在做无意义的事情？"
  原则：疑罪从无 —— 不确定 → 默认健康

qwen 会收到哪些上下文？ 当前帧的文字描述是主要输入；应用也可以提供有长度限制的摘要，以及近期观察/判决文字，帮助消除行为歧义。摄像头图像仍只留在本地，分类器收到的只有文字。

惩罚升级机制

第 1 轮 · TTS 语音警告          "你他妈在干嘛，给老子去学习！"
第 2 轮 · observe_camera         等待 30 秒，重新观察行为
第 3 轮 · TTS + 微信 + 网页      三连击 —— 家长收到告状消息
第 4 轮 · chaos_terminal          50 个终端刷屏 + 5 语言并发 TTS
第 5 轮 · 强制结束               达到最大迭代次数

关键设计决策

决策	理由
图像留在本地	保护隐私 + 视觉 API 零成本
qwen2.5:1.5b 作为小脑	99% 的分类无需云端调用
DeepSeek 负责决策	以极低 token 成本获得推理质量
TTS 在后台线程运行	非阻塞；播放音频同时其他工具并行执行
工具按优先级串行执行	微信自动化需要焦点；浏览器放最后
_reorder_and_repair 消息修复	崩溃安全：重启时修复 SQLite 中的孤立 tool_calls

部署教程

环境要求

需求	详情
操作系统	macOS（say、osascript、open -a 均依赖 macOS）
Python	3.12+
包管理器	uv
Ollama	ollama.com
DeepSeek API	platform.deepseek.com

第一步 — 克隆仓库并安装依赖

git clone https://github.com/Leonxu6/wakeupagent.git
cd wakeupagent
uv sync

第二步 — 通过 Ollama 拉取本地模型

# 先启动 Ollama
open /Applications/Ollama.app

# 拉取两个必需模型（共约 2 GB）
ollama pull moondream      # 视觉模型 —— 描述摄像头画面
ollama pull qwen2.5:1.5b   # 小脑分类器 —— 判断行为健康与否

第三步 — 确认 MediaPipe 模型文件

仓库根目录已经包含以下两个模型文件。仅当文件缺失或损坏时，才需要通过表中的链接重新下载：

文件	大小	链接
pose_landmarker_lite.task	5.5 MB	下载
gesture_recognizer.task	8 MB	下载

第四步 — 配置环境变量

cp .env.example .env

编辑 .env：

DEEPSEEK_API_KEY=你的_deepseek_api_key

第五步 — 在 config.py 中配置微信联系人

打开 config.py，将占位符替换为真实的微信联系人名称：

WECHAT_CONTACTS = {
    "老妈":   "妈妈",     # 在微信搜索栏中显示的精确名称
    "导师":   "导师",
    "班级群": "班级群",
}

⚠️ 这些值必须与微信搜索栏中显示的名称完全一致，包括空格和特殊字符。

第六步 — 授予辅助功能权限（微信自动化必需）

系统设置 → 隐私与安全性 → 辅助功能

添加你的终端应用（Terminal / iTerm2 / Cursor / VS Code）。这是 osascript 微信自动化正常工作的前提。

第七步 — 运行

# 完整系统 —— 实时摄像头 + AI 监督
uv run main.py

# 不需要摄像头，测试 LangGraph 图流转（mock 输入）
uv run main.py --graph

# 仅测试感知流水线 —— 摄像头 + MediaPipe + Moondream，不调用云端
uv run perception.py

启动前检查清单

• Ollama 正在运行，且已拉取 moondream 和 qwen2.5:1.5b
• 两个 .task 模型文件在项目根目录
• .env 中填写了有效的 DEEPSEEK_API_KEY
• 终端已获得辅助功能权限（微信自动化需要）
• 微信 Mac 客户端已登录并运行
• config.py 中的 WECHAT_CONTACTS 已填写真实联系人名称

配置参考

所有配置均在 config.py 中，正常使用无需修改其他文件。

参数	默认值	说明
CAMERA_INDEX	0	摄像头索引，外接摄像头用 1 或 2
CAPTURE_INTERVAL_SEC	30	Moondream 视觉分析的时间间隔（秒）
REACT_MAX_ITERATIONS	5	每次惩罚会话的最大推理轮数
CONTEXT_MAX_MESSAGES	20	LLM 上下文中保留的最近消息数
SUMMARIZE_THRESHOLD	30	触发历史压缩的消息数阈值
LOCAL_CLASSIFIER_MODEL	qwen2.5:1.5b	小脑模型（需在 Ollama 中可用）
DEEPSEEK_MODEL	deepseek-chat	云端大脑模型
MOONDREAM_PROMPT	"What is the person doing?"	Moondream 的描述提示词
WECHAT_CONTACTS	占位符	必须自定义 —— 微信联系人名称

文件结构

wakeupagent/
│
├── main.py                     # 入口 —— 感知回调与图执行的连接
├── graph.py                    # LangGraph 状态机 —— 4 节点 + 路由 + 记忆压缩
├── perception.py               # 感知流水线 —— MediaPipe + Moondream + 小脑分类器
├── tools.py                    # 执行工具库 —— 全部 6 个工具真实实现
├── config.py                   # 所有配置集中管理
│
├── pose_landmarker_lite.task   # MediaPipe 姿态模型（仓库已包含）
├── gesture_recognizer.task     # MediaPipe 手势模型（仓库已包含）
│
├── pyproject.toml              # 依赖管理（uv）
├── .env.example                # 环境变量模板
├── .env                        # 你的 API 密钥 —— 绝不提交此文件
│
└── memory/
    └── daily_reports.md        # 自动生成的每日纪律报告（运行时产生）

常见问题

Q: 我在认真学习，但系统总是把我判定为摆烂。 小脑使用"疑罪从无"原则 —— 模糊情况默认为健康。如果你持续被误判，先记录 Moondream 的原始描述，检查是否误命中 perception.py 中的 _UNHEALTHY_KEYWORDS，再通过回归测试调整关键词或 _CLASSIFIER_PROMPT。

Q: 微信消息发不出去。 检查：(1) 微信 Mac 已登录并在运行；(2) 终端已获得辅助功能权限；(3) WECHAT_CONTACTS 的值与微信搜索结果完全一致（包括空格和特殊字符）。

Q: 能用 DeepSeek 以外的云端 LLM 吗？ 可以 —— DeepSeek 使用 OpenAI 兼容接口。在 config.py 中修改 DEEPSEEK_BASE_URL 和 DEEPSEEK_MODEL，指向任意 OpenAI 兼容的端点（OpenAI、Claude 代理等）。

Q: TTS 声音不对 / 想换个声音。 将 tools.py 中的 _TTS_VOICE 改为系统已安装的任意声音。可在系统设置 → 辅助功能 → 朗读内容 → 系统声音中查看可用声音列表。

Q: 不用微信可以运行吗？ 可以 —— 系统会优雅降级。微信自动化失败时，系统记录错误并继续执行下一个工具。也可以直接将 send_wechat_shame_message 从 tools.py 的 ALL_TOOLS 中移除。

路线图

• 人工确认：为高风险工具（微信、混沌模式）添加 interrupt_before 检查点
• 跨平台支持：通过替代 TTS 和自动化后端支持 Windows/Linux
• Web UI：基于 AsyncSqliteSaver + astream 的浏览器监控面板
• 多摄像头：同时监控多个房间
• 自定义惩罚插件：热重载工具模块
• 移动端伴侣 App：惩罚触发时推送通知

许可证

MIT —— 随便用，但作者对任何因不请自来的微信消息导致的家庭关系损害不承担责任。