基于 `ESP32-IDF` 的项目，先记录一下，也算给我后面做毕设留个档，顺便分享一点自己的经验。

项目名字叫《基于端云协同的智能温室 AI 控制系统》。

这个项目算是我目前做过最复杂的一个项目了。它本来其实是两个项目，一个偏底层传感器和控制，另一个偏联网和 AI 交互。后来在导师的鼓励下，我尝试把这两个东西合在一起，最后就做成了现在这个智能温室 AI 控制系统。

说实话，刚开始我也没想到会越做越大，做到后面发现它已经不是单纯“读几个传感器”或者“接一个 AI”那么简单了，而是真的变成了一个比较完整的小系统。

我目前用到的技术和硬件大概有这些：

`ESP32-S3` 开发板、`ESP-IDF` 框架、`FreeRTOS` 多任务调度、`WiFi` 通信、`MQTT`、`OneNET` 云平台、`WebSocket`、网页配网、`SGP30`、`GY30/BH1750`、`DHT11`、土壤湿度传感器、麦克风、音频放大器这些。

整个项目我自己大概把它分成两大块来看。

第一块就是 AI 交互这一块，主要做的是云端 AI 的接入和语音对话功能。

第二块就是底层硬件这一块，主要是四个传感器、风扇这类执行模块，还有数据采集和控制。

后面如果有时间的话，我也会按这两个方向慢慢整理，不然全堆在一篇里真的有点乱。

先说底层传感器这部分。

我这里用了四个比较基础、也比较常见的传感器，分别负责采集温室环境里的不同数据。

`SGP30` 是空气质量传感器，用来检测空气相关的数据，它走的是 `I2C`。

`DHT11` 用来测空气温度和湿度，这个大家应该都比较熟。

`GY30` 其实对应的就是 `BH1750` 光照传感器，也是 `I2C`，它和 `SGP30` 可以挂在同一条总线上，只要地址不一样就行。它主要用来检测环境光照强度。

土壤湿度这一块，我用的是土壤湿度传感器，通过 `ADC` 去采样读取数值，主要就是看土壤干不干。

这四个传感器基本就是整个系统的数据来源。可以简单理解成，它们负责“产出数据”，后面所有的显示、分析、远程查看、AI 问答，都是建立在这些数据基础上的。没有这部分，后面的功能其实都没法成立。

除了传感器，底层还有执行部分。

比如风扇模块。我这里做的思路就是，系统不只是能“看见”环境变化，还要能“做出反应”。比如温度高了、空气不流通了，或者 AI 收到用户指令了，就可以去控制风扇运行。这样整个系统才不只是监测，而是有一点“智能控制”的感觉。

然后就是网络部分。

ESP32-S3 本身自带 `WiFi` 和蓝牙，所以做联网项目确实很方便。要实现和云端 AI 交互，最基础的一步肯定还是先连网。

如果只是为了快速测试，其实最简单的方法就是在代码里直接写死 WiFi 名称和密码。不过为了让整个项目更完整一点，我最后采用的是网页配网的方式。也就是说，设备先开一个热点，用户连接这个热点后，在网页里输入家里的 WiFi 名称和密码，设备再拿这些信息去连接路由器。

这样做的好处就是不用每次换网络都重新烧程序，而且演示起来也更像一个真正的产品，体验上会好很多。这一点其实和很多智能设备的思路都差不多。

设备连上 WiFi 之后，接下来就要和云端通信了。

我这里主要用了两个方向，一个是 `MQTT`，一个是 `WebSocket`。

`MQTT` 这一块，我主要是拿来接 `OneNET` 云平台。它的作用说白了就是做远程数据上传和远程控制。

比如传感器采集到的温湿度、空气质量、光照、土壤湿度这些数据，都可以上传到云平台上。这样即使人不在设备旁边，也可以远程看到当前温室的状态。这个感觉有点像远程看监控，只不过我这里看的不是画面，而是环境数据。

除了上传数据，它也可以接收云端下发的命令。比如我现在已经可以做到远程下发指令，让风扇转动，也可以在远端查看设备当前采集到的数据。做到这一步之后，这个系统其实就已经不只是本地小实验了，而是有一点“端云协同”的味道了。

再说 `WebSocket`。

这一块主要是为了接入 AI，实现实时交互。因为语音对话这种场景，对实时性要求还是比较高的，所以我这边是通过 `WebSocket` 去和 AI 服务建立连接。

你可以把它理解成，设备和 AI 之间建立了一条比较实时的通道。人说话，设备把音频或者文本传过去，AI 再把结果返回来。这样整个交互过程才会比较自然。

不过这里还有一个问题，就是 AI 本身其实不知道你这个设备有什么能力。它并不知道你有哪些传感器，也不知道你能不能控制风扇。所以如果只是单纯把 AI 接上，它很多时候也只是“会聊天”，但不一定真的能帮你控制设备。

所以我后面又加了 `MCP` 这一层。

这个东西你可以简单理解成，是给 AI 注册它能调用的功能。比如：

- 它可以读取传感器数据
- 它可以查询当前环境状态
- 它可以控制风扇开关
- 它可以根据已有数据给出回答

加上这层之后，AI 就不只是一个聊天模型了，而是真的能和设备结合起来。

举个例子，如果我问一句：“现在温室里的空气怎么样？”  
那 AI 就不是随便回一句，而是会去读取当前传感器的数据，再组织成一句正常的话告诉我。

如果我说：“把风扇打开。”  
它就可以调用已经注册好的控制功能，去真正执行这个动作。

做到这里之后，我个人感觉这个系统才算真正有点完整了。因为它不只是采集数据，也不只是联网传数据，而是已经能做到“人和设备自然交互”了。

当然，要实现语音对话，光有 AI 和联网还不够，还需要音频这一整套东西。

所以项目里我还接了麦克风和音频放大器。麦克风负责采集人的声音，设备收到语音之后，会先做处理，再发给 AI；AI 返回结果以后，再通过喇叭或者音频输出模块播出来。

这一部分其实也很复杂，因为音频这块本身数据量就比较大，而且实时性要求比较高，调起来挺折磨人的。这里只能先简单带一下，不然如果细讲的话，内容会一下子变得特别硬核，对新手也不太友好。

不过从效果上来说，音频模块一旦跑通，整个项目的完成度会一下子高很多。因为它不再只是“传感器 + 云平台”，而是真的可以听、可以说、可以互动，整体感觉会更像一个完整的智能设备。

总结一下的话，我觉得这个项目最难的地方，不在某一个单独模块，而在于它涉及的东西真的很多，而且最后还得把这些东西真正整合到一起。

单独做传感器采集，其实还好。
单独做网页配网，也还能接受。
单独做云平台上传，慢慢调也能跑起来。
单独做 AI 接入，虽然麻烦，但也能一点点解决。

但当这些东西全部放在一个项目里一起跑的时候，问题就会一下子多起来。比如任务之间会不会互相影响，联网会不会卡住采集，AI 读到的数据是不是最新的，控制逻辑和云端显示能不能对应上，这些其实才是最花时间的地方。

所以这个项目给我最大的感受就是，做复杂项目的时候，真正重要的已经不只是“会不会写代码”，而是你能不能把整个系统理顺，能不能让不同模块稳定地协同工作。

目前这个项目的代码量已经有六七千行了，里面涉及的东西确实挺多的，所以这篇也只能算是一个比较粗略的经验分享，不可能一下子全讲完。

后面如果我继续整理的话，大概率会拆成几个部分慢慢写，比如：

- 传感器数据采集这一块
- 网页配网和 WiFi 连接这一块
- OneNET 云平台这一块
- AI 语音交互这一块
- MCP 功能调用这一块

这样写起来会更清楚一点，别人看起来也不会那么累。

如果有人对其中某个部分感兴趣，也可以留言交流。只要我后面还记得，我会尽量继续补。

如果有设计需求也可以找我，本人大三，还在继续学习中，最近也确实比较缺项目经费和学习资金。求大佬给点建议，本人投简历都是已读不回！！！

最后我再放一张流程图，这样整体结构会更直观一些。