夜雨聆风最近买了块 M5Stack StickS3，一百多块钱。
它很小，带屏幕、按钮、Wi-Fi、麦克风、扬声器和电池。
单看参数，它是一个全能的可以塞进口袋里的 ESP32的开发板。
但如果把它和桌面端 Codex 连起来，它就可以变成一个很有意思的“AI 工作状态控制器”。
我最后做出来的效果是：
屏幕上能显示 Codex 当前状态：待命、运行中、已完成、离线等。
能显示 Codex 5 小时和 7 天额度。
Codex完成任务之后，会有提示音告知。
长按设备上的蓝色按钮，可以语音输入。
松开按钮后，语音会被识别成文字，自动填入桌面端 Codex。
支持自动按 Enter，语音说完后直接让 Codex 执行。
已关注关注重播 分享 赞设备上还有一个 Result 页面，可以翻页查看最近一次 Codex 回复。
这篇文章就记录一下这个小产品从想法到实现的过程。
为什么要做一个实体 Codex 控制器
第一，尝试做嵌入式开发的小起点。
这点是最原始的动力。毕竟这个codex的小助手做出来也算是点脱裤子放屁的美丽的小废物。但是这给了我用AI做嵌入式开发的信心，也算是为以后做些其他的小东西打下基础吧。
第二，额度可见。
Codex 的 5 小时和 7 天额度对重度使用很重要。把额度显示在小屏上，小玩意放到桌面，随时可以查看，比每次自己去电脑端点账号、点剩余用量等操作找状态更方便。
第三，快速语音输入。
很多时候我脑子里已经想好了要让 Codex 做什么，但有其他事情忙，懒得切窗口、点输入框、打字。按住一个实体按钮说话，松手后直接识别并提交，这个交互非常自然。
第四，结果回看。
Codex 的回答有时很长，但我不一定一直盯着电脑。让小屏幕显示最近一次回答摘要，哪怕只是几页短文本，也很适合做“低打扰”的结果提示。
整体架构
这个方案里，StickS3 不直接访问 Codex，也不直接访问云端 AI 服务。
它只和电脑上的本地 bridge 通信。
这样的好处是：
设备端逻辑简单
API key、token、桌面输入权限都留在电脑上
以后换 ASR、换输入方式、换状态来源，不需要大改固件
StickS3 只需要稳定连上电脑 bridg
电脑端 bridge 做了什么
bridge 是整个系统的中枢。
它主要负责四件事。
第一，提供 HTTP API。
StickS3 会轮询：
GET /state也会在按钮、录音等事件发生时调用：
POST /eventPOST /recording/startPOST /recording/audioPOST /recording/stop
第二，观察 Codex 状态和额度。
bridge 会读取本机 Codex 的活动状态和会话信息，同时通过 Codex app-server 获取额度。现在设备上显示的 5H、7D 额度就是这么来的。
第三，处理语音识别。
StickS3 上传音频后，bridge 负责调用 ASR，把音频变成文字。
第四，把文字输入到桌面端 Codex。
这里没有用慢速逐字输入，而是用 Windows 原生剪贴板 API，先把文字写入剪贴板，再触发粘贴。这样速度明显更快，也更接近正常用户输入。
固件端做了什么
StickS3 固件主要负责硬件交互。
它做的事情包括：
现在固件里还加了中文字体，否则中文会显示成方块。
Result 页用的是 GB2312 字体，覆盖大部分常用中文。它不是完整 Unicode 字库，所以遇到极少数字符仍然可能显示不出来。考虑到 StickS3 的固件体积和屏幕大小，这个折中目前够用。
开源项目与作者
这个项目基于开源方案继续改造和适配。
原始开源项目：
https://github.com/GaryGaryyy/VibeStick作者 GitHub：
https://github.com/GaryGaryyy如果你也想复现或继续改造，可以从这个仓库开始看。
另外这个小设备淘宝上搜索M5stack StickS3即可，149块不加运费。
源方案的功能没有这个那么多，而且是基于MacOS进行的适配。本文里的 Windows 适配、语音自动提交、Result 页翻页、中文字体和稳定性修复，是在这个开源方案基础上继续扩展出来的。
