前面，分享了小智 AI 服务端的系列文章：
最近把 服务端 拆成独立的微服务，支持动态扩缩容，极致压缩成本。
目前，这套方案已经成功部署，成本低至 1.5 元/天：
今日分享，聊聊这套方案的具体实现，希望给感兴趣的朋友一点参考。
1. 系统架构
架构特点：模块化设计和微服务架构，支持弹性扩展和负载均衡。
图中，
终端设备层：以AtomS3R举例，支持任意接入小智AI客户端的开发板。
服务端，目前最新支持到客户端的1.8.5版本，持续跟进中。
云端服务层：集成语音识别、LLM、语音合成等独立管线，支持高并发、低延迟的智能对话。架构如下：
管理服务层：管理后台与用户前端，采用Vue3搭建，支持多终端、多角色的灵活管理和可视化。
数据存储层：
- MySQL 数据库：密钥和配置持久化；用户认证；资源管理；日志存储；
- Redis 缓存：密钥状态缓存；常用资源缓存；音色缓存；
- EMQX 消息队列：MQTT 协议交互；
基础设施层：支持单机部署和集群部署
整个服务端，拆解成 6 大功能模块，独立打包，docker 镜像大小如下：
单机部署 docker-compose 一键拉起；
集群部署基于 K8s，包含 6 个 Deployment，每个最低1个副本：
2. 支持功能
用户前端:
- 设备管理：验证码添加设备；配置角色；声纹识别；对话记忆；
- 角色管理：自定义角色提示词；
- 大模型管理：接入自定义的 LLM，支持 OpenAI/Coze API 格式；
- 音色管理：支持 3s 音色克隆；
管理后台:
- 系统管理：
- 资源管理：
AI服务：
- 主服务端：支持 WebSocket / MQTT+UDP 通信协议；
- LLM 端：支持 OpenAI / Coze 两种协议，流式/非流式输出，接入 MCP；
- ASR 端：支持 VAD + ASR + 声纹识别，双向流式；
- TTS 端：支持 Dashscope / Volcengine / 本地部署，双向流式；
3. 部署方案
为了满足高可用、可扩展的设计原则，完整方案部署在 k8s 集群上。
进一步，为了满足低成本、少运维的原则，这里选择了 sealos。
关于 sealos & 注册体验：https://bja.sealos.run/?uid=QDGJoX2_Qp
3.1 数据库
首先是数据库：
主要用到 Mysql 和 Redis:
测试阶段，单节点即可：
3.2 应用
然后，新建应用：
以新建 espbot-frontend为例：
你只需要在前端页面点点点，sealos 帮你写好了一堆 yaml 文件，底层调用 kubectl apply -f 拉起应用：
- 镜像源：选择镜像，可以是私有仓库；
- 部署模式：弹性伸缩，可根据 cpu/内存 使用率进行弹性扩展实例；
- 极低成本：配置选择0.1c/128M，而阿里云ACS上最小得0.25c/512M；
你看，每天仅需 0.07 元，即可部署一个前端应用的pod，包括：用户前端和管理后台，只需放开两个端口：
公网访问，可以用 sealos 的二级域名，连域名费用都省了；如果用自己域名，只需添加一条 DNS。
最后，一起来看下资源占用！
整个服务端，6 个应用 + 2 个数据库：
按照最低成本原则，总计资源消耗 2.3C/2.5G：
合计每天成本：
这个成本，完全可以覆盖测试阶段使用。
一旦流量上来，只需切换到弹性伸缩模式即可，极致丝滑~
写在最后
本文分享了，小智AI服务端的一种低成本、高可用的完整解决方案。
如果对你有帮助，不妨点赞收藏备用。
下一篇，
打算聊聊 AI 语音对话背后的技术路线选择。
愿你我都能在 AI 落地的路上，少踩坑、多复用，把精力留给真正的业务创新。