同事凑过来看屏幕，盯了三秒，说了一句：你这壁纸挺高级啊。我还没答，他接着问：那你刚才是跟它说话吗？

他以为我换了个 4K 动态壁纸。实际上那是跑在电脑上的3D 虚拟人，是“活”的：鼠标划过去，她的眼睛会跟着你转；喊一声名字她会应；说话的时候，她的嘴型会一帧一帧照着声音动。

有意思的地方不在"她像不像人"，而在于——她就站在桌面上，却没挡住桌面。

她不是壁纸，是一块「会看你的玻璃」

动态壁纸也能动，但它是铺满整块屏幕的一整张图，图标压在图上，点不动。她不是图。

她更像是浮在桌面上的一小块透明玻璃：玻璃上只"印"了一个人，玻璃以外的区域，鼠标点击全部穿过去，落到桌面。

语音对话：一条能单独换零件的链路

能聊天这件事，最容易高估。很多人以为接一个大模型就完事了，跑起来才发现：识别听不懂、嘴型对不上、说两句就断。

拆开看其实很直白，是一条四节链路：

耳朵（语音识别，听你在说啥） → 大脑（大模型，想怎么回） → 嗓子（语音合成，把回话念出来） → 说（口型，跟着声音一帧帧对齐）。

预设动作不够，就现场拼一个

她会转头、点头、挥手、鞠躬、转圈、跳舞、蹲下、鼓掌——内置预设动作一共 19 个。

但对照着玩久了，问题就冒出来了：动作表里没有的那句话怎么办？硬演一个像的，比不演更假。

所以多了一层判断——表里有，就按表演；表里没有，她会去拆句拼动作：把你的话拆成几个动作片段，重新组合成一个新动作。拼不出来的，就老实回话，不硬演。

她会记住你，但记的不是聊天记录

"有记忆"这三个字已经被说烂了。她这里记的是另一回事：不存你们聊了什么，而是把关于你本人的事挑出来写进去——职业、作息、喜好、正在忙的事。

差别在哪？聊天记录是流水，存着存着又贵又没用；挑出来的是"事实"。下次不用你重新自我介绍一遍，她记得你周三要交方案、你早高峰不想被打扰。

她能调工具，还能自己试新工具

自带三个基础技能：时间、天气、网页搜索。直接问就行，不用先下指令。

往上还留了一个口子— MCP。

这条决定了她以后能长多大——工具是接进来的，不是一开始就写死在代码里的。

脑子可以换：本机模型还是云端，自己挑

她的识别、大脑、嗓子三处，都在设置里能换，本机和云端都行，填过的配置一键切回。

本地跑的好处是完全不依赖网络；云端跑的好处是脑子更灵。

形象本身也能换，不喜欢就换个 3D 虚拟形象。名字同样随时改，改完后记忆要重新写。

附：开发提示词，可以参考修改

这条是折腾完之后提炼出来的整体需求，想自己跑一个的，可以参考：

帮我做一个 Windows 桌面互动的 3D 虚拟人物，跑在我这台电脑上，人物形象可以更换。她只占人像那么大一块，身体以外的点击全穿到桌面，指针落到她身上才收回，图标和任务栏照常能用；背景用系统壁纸。可拖她、滚轮缩放、双击开聊天窗，脚边小牌显示她的状态。她听得见我、能被我打断，喊她名字才应。名字我随时能改，改后凡同音的写法都要认得。她说话要有口型、眨眼、呼吸，眼睛跟鼠标走；会转头、点头、挥手、鞠躬、转圈、跳舞、蹲下、鼓掌。我点名要动作她就演，表里没有的也得现场拼，拼不像就只回话。她的AI大模型、识别、嗓子都能在设置里换，本机和云端都行，填过的配置一键切回。她要有记忆，按名字各存一本。她要有连接 MCP 的功能。

桌面 AI 难的不是模型，是让它待在一个不属于它的地方，还不碍事。模型再灵，窗口一挡，桌面就废了；点击一穿透、呼吸一补上，"活着"的感觉就来了。

这篇算是我踩完坑整理出来的笔记，功能描述以实际跑得起来的版本为准。好了，就讲到这了，我们下期再见。