本书使用四个规范性词汇。

“必须”表示核心要求。实现缺少该行为时，不能声称核心符合。

“不得”表示禁止行为。实现出现该行为时，构成不符合或需要公开偏离。

“应当”表示强要求。实现可以在有明确理由时偏离，但偏离必须被声明，并说明对用户体验和符合性判断的影响。

“可以”表示可选能力。实现不提供该能力时，不影响核心符合；实现提供该能力时，必须不破坏核心要求。

规范性词汇只在影响符合性的位置使用。解释、例子、参考产品事实和背景说明不自动形成规范性要求。

核心符合表示实现满足本书定义的实时全模态视频通话体验的根条件。

核心符合要求实现至少满足以下条件：用户能够在同一会话中提供实时语音和当前视觉现场；AI 能以自然语音回应；用户能在 AI 回答期间打断；系统能承接会话内相关上下文；系统能把采集、回应、错误和限制投影给用户；实现不把相邻对象冒充为核心体验。

核心符合还要求通过核心流断言。核心流断言覆盖会话进入、设备授权、语音问答、视觉问答、语音与视觉联动、打断、关闭采集和结束会话。

核心符合不要求所有扩展能力。一个没有屏幕共享、数字人形象、长期记忆、多人协作或业务工具的实现，仍可在满足核心条件时核心符合。

条件符合表示实现满足核心符合，但其适用范围受到公开条件限制。

条件可以来自平台、设备、地区、账号权限、网络环境、输入模态、会话时长、视觉来源或工具权限。条件符合不是不符合；它要求限制被明确声明，并且限制内的行为仍满足核心要求。

例如，一个实现只支持移动端摄像头，不支持桌面浏览器，可以声明移动端条件符合。一个实现只支持单人用户与 AI 会话，不支持多人会话，可以声明单人条件符合。一个实现只支持摄像头视觉，不支持屏幕共享，可以声明核心符合而不声明屏幕共享扩展符合。

条件不得掩盖核心缺失。一个实现如果只支持语音、不支持当前视觉现场，不能通过声明“语音条件符合”来声称实时全模态视频通话核心符合。它只能声称相邻对象能力。

扩展符合表示实现满足核心符合，并额外满足某个扩展能力的规约和断言。

扩展能力可以包括屏幕共享、工具调用、长期记忆、多人会话、数字人形象、录制回放、专用视觉检测、业务系统联动或可访问性增强。扩展能力进入符合性判断时，必须有自己的公共投影、失败语义和偏离声明。

扩展符合不能补偿核心不符合。一个实现如果不能打断 AI 回答，即使提供数字人形象和业务知识库，也不能声称核心符合。一个实现如果无法使用当前视觉现场，即使支持高质量语音，也不能声称核心符合。

不符合表示实现未满足核心要求、违反禁止行为、未通过核心断言，或使用误导性声明覆盖缺失。

以下行为构成典型不符合：只支持拍照上传却声称实时视觉；只支持语音对话却声称全模态视频通话；AI 回答期间用户无法通过新输入改变当前回答；摄像头或麦克风采集时没有用户可见状态；视觉输入不可用时仍声称正在看；系统在看不清或听不清时作确定回答；工具调用失败时仍把工具结果当作事实；供应商以模型能力列表替代用户可观察体验证据。

不符合不是道德评价。它只是说明某个实现不满足本书定义的对象。实现可以提供其他有价值产品，但不能借用本书对象名称。

偏离声明记录实现未满足某项“应当”要求、条件范围或扩展能力要求时的公开说明。偏离声明应说明偏离项、影响范围、用户可见表现、替代行为和证据。

偏离声明不能用于取消“必须”要求。缺少核心构成性条件时，实现不能通过偏离声明取得核心符合。偏离声明的作用，是让评审者理解限制，而不是把不符合改名为符合。

符合性证据来自可观察行为。证据可以是人工验收记录、自动化测试结果、屏幕录制、日志摘录、供应商符合性声明、用户操作脚本或第三方评审材料。证据必须映射到本书的要求或断言。

证据不得只停留在内部能力描述。模型支持视频输入、系统使用某协议、代码仓库存在某模块、演示中出现一次成功回答，都不是充分证据。充分证据需要说明：给定什么前置状态，用户做了什么，系统出现了什么可观察结果，结果对应本书哪项要求。

本书的符合性模型因此形成一个链条：对象定义给出根条件；规范性要求给出承诺；公共投影给出观察面；断言给出判定场景；证据把具体实现映射回断言。

输入反馈说明系统当前能接收什么。麦克风可用时，用户需要知道自己可以说话。麦克风正在采集时，用户需要知道系统正在听。麦克风静音、拒绝、撤回或不可用时，用户需要知道系统听不到。

视觉输入可用时，用户需要知道 AI 可以使用摄像头、屏幕共享或等价视觉输入。视觉输入正在采集时，用户需要知道自己正在被看见。视觉输入关闭或受限时，用户需要知道 AI 不再拥有当前视觉现场。

输入反馈必须随状态变化更新。用户关闭摄像头后，视觉采集反馈必须消失或转为关闭状态。用户重新开启摄像头后，视觉可用状态必须恢复。状态滞后会使用户误判系统能力。

处理反馈说明系统已经收到输入并正在生成回应。用户提出问题后，系统如果需要等待，应当让用户知道它仍在处理。处理反馈可以很轻量，但不能让用户误以为系统已经丢失输入。

处理反馈不能伪装成回答。系统正在处理时，不应给出没有内容的确定状态，也不应让用户误以为 AI 已经理解当前视觉现场。处理反馈只表达进行中，不表达结果已经成立。

处理状态过长时，系统应当提供可理解反馈。长时间无声或无状态会被用户理解为失败。系统可以提示网络慢、模型处理中、工具调用中或需要用户补充信息。

回应反馈说明 AI 正在输出自然语音回应。用户应当能够通过声音本身或可见状态知道 AI 正在说话。回应结束时，系统应当回到可继续输入状态。

回应反馈需要支持打断。用户插话或制止时，反馈应当体现旧回答停止或失去会话支配地位。旧回答声音停止但状态仍显示 AI 在说，或状态停止但声音继续播放，都会造成状态冲突。

回应反馈也需要区分输出通道。语音回应、字幕增量、文字记录和工具结果不是同一对象。用户需要知道当前是 AI 正在说话、字幕正在补全、还是记录正在生成。

限制反馈说明系统当前不能做什么。视觉不可用、麦克风不可用、输出不可用、网络异常、模型不可用、工具失败或上下文缺失，都需要被投影。

限制反馈应当具体。只说“出错了”不能帮助用户恢复。更好的反馈说明能力边界：当前无法使用摄像头、当前听不到麦克风、当前画面不清、当前网络不稳定、当前不能访问工具。

限制反馈不得羞辱用户，也不得把内部错误暴露为不可理解的技术细节。它的职责是降低用户不确定性，让用户知道系统为什么不能继续，以及可以采取什么动作。

用户可见反馈必须与实际状态一致。系统不得显示正在听但没有麦克风权限，不得显示正在看但摄像头关闭，不得显示正在回应但音频已结束，不得显示会话结束但继续采集输入。

反馈一致性也是信任条件。实时全模态视频通话体验处理高敏输入，用户依赖反馈决定是否说话、是否展示画面、是否停止采集。反馈错误会直接破坏用户控制权。

符合实现应当优先保证采集状态、能力限制和错误状态的准确性。装饰性动效可以缺失；采集状态和限制反馈不能缺失。

语音开始表示 AI 从处理状态进入回应状态。用户应当能够感知回应已经开始。感知可以来自声音、说话状态、字幕起始或其他反馈。

语音开始应当与当前交互焦点一致。用户刚刚询问当前画面时，语音回应应围绕当前画面。用户打断并提出新问题后，语音回应应围绕新输入，而不是继续旧回答。

语音开始不应过早伪装完成。系统可以播放短反馈表示正在处理，但这类反馈不能替代实质回答，也不能让用户误以为问题已经被理解并回答。

语音持续期间，AI 正在输出回答。持续输出应当保持与会话状态一致。用户仍然可以说话、纠正、打断或改变视觉现场。

长回答需要尊重通话节奏。系统不应把用户锁在不可中断的长段输出中。回答可以分段，可以停顿，可以接受用户插话。通话体验要求用户和 AI 共同控制节奏，而不是由 AI 独占输出通道。

语音持续期间的字幕或文字记录应当与语音关系清楚。字幕可以滞后或增量出现，但不应和语音表达出互相矛盾的内容。

语音停止表示当前语音输出结束、被取消或被打断。正常结束后，系统应回到可继续输入状态。取消或打断后，系统应转向新输入、等待用户或表达限制。

语音停止必须和状态投影一致。声音已经停止但状态仍显示 AI 在说，会误导用户。状态显示已停止但声音继续播放，会破坏打断语义。

正常停止和打断停止需要区分。正常停止表示回答完成。打断停止表示回答未按原路径完成，用户新输入改变了会话。系统不必用显式文案区分每次停止，但随后行为必须体现差异。

语音替代发生在系统无法提供自然语音回应时。替代输出可以是文字、字幕、提示音或其他辅助形式。替代输出必须被标记为受限状态。

语音替代不能悄悄冒充核心语音体验。系统如果因为设备、网络、模型服务或用户设置无法播放语音，应当说明语音输出不可用。只返回文本而不说明语音受限，不符合核心体验。

用户主动选择静音阅读模式时，语音替代可以成为条件路径。该路径需要用户理解自己选择了非语音输出。用户选择不能被系统假定。

语音重叠指 AI 输出与用户说话同时发生。现实通话允许短暂重叠，但系统不能让重叠变成用户无法打断的噪音。

用户开始说话时，系统应识别可能的打断或补充。AI 可以短暂继续直到打断判定成立，但不得长期覆盖用户语音。用户如果明确制止，系统应停止当前回答。

回声、环境声和旁人说话会造成误判。符合实现可以有保护机制，但保护机制不能取消用户打断权。系统如果无法区分，应通过反馈或澄清降低歧义。

语音输出应当表达 AI 当前回答，而不是过期回答、被取消回答或其他会话的回答。输出串话会破坏会话身份。

系统应避免同时播放多个 AI 回答。旧回答、工具提示、系统错误和新回答如果同时出声，用户无法理解当前交互焦点。必要时，系统应排序、取消或转为可见投影。

输出完整性不要求回答完美。它要求用户听到的声音与当前会话状态对应。错误回答可以被纠正；错位输出会破坏体验结构。

用户语音转录把用户说的话投影为文字。它可以帮助用户确认系统听到了什么，也可以帮助测试工程师判断系统是否把用户输入纳入会话。

用户语音转录如果显示，应当区分临时识别和最终识别。临时识别可能变化，不能被系统或用户误认为最终意图。最终识别仍可能错误，用户应有纠正路径。

不显示用户语音转录不自动构成核心不符合。核心体验可以只用语音状态和 AI 回应证明输入被接收。但实现如果声明提供转录，就必须处理转录错误、延迟和隐私边界。

AI 回答字幕把 AI 语音回应投影为文字。字幕可以帮助听障用户、嘈杂环境中的用户、测试人员和审查者理解回答内容。

AI 回答字幕应当与语音回应一致。字幕可以增量显示，但不应表达与语音相反的意思。语音被打断时，字幕也应停止或标记中断，不能继续补全被取消回答。

字幕不是语音的无声替代。系统如果只显示字幕而没有语音回应，必须进入语音受限状态并说明限制。否则不满足自然语音回应条件。

会话记录保存或展示会话中的语音转录、AI 回答、视觉引用、工具结果或状态事件。会话记录属于治理和查阅对象，不等于实时对话本身。

会话记录可能包含敏感信息。用户语音、画面描述、工具结果和错误信息都可能泄露个人或业务内容。实现声明保存记录时，必须提供保存范围、访问范围和删除语义。

会话记录不得伪造实时上下文。记录可以帮助回看，但不能让系统声称自己在会话中看见了未采集的画面，或听见了未授权的语音。

字幕可以滞后于语音。滞后本身不构成不符合。滞后造成用户误判时，系统需要避免把字幕当成实时状态依据。

用户语音转录滞后时，系统不应让用户以为输入丢失。AI 回答字幕滞后时，系统不应在语音已打断后继续显示未发生的完整回答。

字幕延迟的关键问题是状态一致。字幕、语音和会话状态可以不同步片刻，但不能长期互相矛盾。

转录可能错误。用户应能通过继续说话、纠正语句或其他交互方式修正系统理解。符合体验关注纠正是否进入会话，而不是转录文字是否永远准确。

当用户纠正转录或理解错误时，系统应把纠正作为有效输入。用户说“我不是说这个，我说的是左边那个”时，系统需要改变解释，而不是固守先前转录。

转录纠正也影响符合性证据。测试和评审不能只看转录文本；必须看系统对用户纠正后的可观察行为。

权限错误发生在麦克风、摄像头、屏幕共享或其他输入无法授权、被拒绝、被撤回或被系统阻止时。用户需要知道是哪项权限影响了会话。

麦克风权限错误应说明系统听不到用户。摄像头权限错误应说明系统无法使用当前视觉现场。屏幕共享权限错误应说明屏幕内容没有进入会话。

权限错误投影应给出可行动路径。用户可以重新授权、切换设备、继续受限模式或结束会话。系统不得在权限错误下继续显示正在听或正在看。

网络错误发生在连接断开、延迟过高、媒体传输受阻、模型服务不可达或工具调用超时时。用户需要知道会话是否仍可继续。

网络错误投影应区分等待、重连和失败。短暂等待可以显示处理中或网络不稳定；重连应显示恢复中；无法恢复应显示会话受限或结束。

网络错误不得伪装成 AI 思考。用户提出问题后长时间无回应，如果系统知道网络异常，就应投影网络限制。把网络失败表现为 AI 正在思考，会误导用户。

设备错误发生在麦克风、摄像头、扬声器、耳机、屏幕共享源或浏览器媒体能力不可用时。设备错误直接影响输入或输出。

设备错误投影应说明受影响的能力。麦克风不可用影响语音输入；摄像头不可用影响视觉现场；扬声器不可用影响自然语音输出；屏幕源不可用影响屏幕共享条件能力。

设备错误不应把责任模糊成通用失败。用户需要知道可以检查设备、切换设备、授权系统权限或选择受限模式。

模型错误发生在 AI 服务无法生成回应、无法处理音频、无法处理视觉现场、输出失败、上下文不可用或被限流时。模型错误需要转换成用户可理解语义。

用户不需要知道内部模型栈。用户需要知道 AI 当前不能回答、不能看见、不能听见、不能继续说话或需要重试。系统可以说明“当前无法生成语音回答”“当前无法使用画面”“服务暂时不可用”。

模型错误不得输出伪结果。系统如果无法处理视觉现场，却给出确定视觉判断，构成比直接报错更严重的不符合。

工具错误发生在搜索、位置、业务 API、知识库或其他外部工具调用失败时。工具失败不能被隐藏在 AI 回答中。

如果回答依赖工具结果，工具失败应被投影。系统可以回答不依赖工具的部分，也可以说明无法获取外部信息。它不得把工具未返回的数据当作事实。

工具错误也需要边界说明。用户需要知道失败影响的是外部信息、业务操作还是核心听看说能力。工具失败通常不应终止核心会话，但会限制某类回答。

错误恢复是错误投影的一部分。用户需要知道是否可以重试、重新授权、调整画面、切换设备、等待重连、继续受限模式或结束会话。

恢复动作应与错误类型相关。摄像头权限错误提示重新授权；画面不清提示调整画面；网络错误提示等待或重连；模型服务错误提示重试或稍后继续。

无法恢复时，系统应结束或限制会话，并停止不再合法的采集。错误恢复不得让用户陷入无限等待。

采集提示说明麦克风、摄像头或屏幕共享正在被当前会话使用。提示必须与实际采集一致。系统不得采集而不提示，也不得提示采集但实际没有对应能力。

麦克风采集提示应让用户知道系统正在听。摄像头采集提示应让用户知道系统正在看。屏幕共享提示应让用户知道屏幕内容正在进入会话。

采集提示应在采集期间持续可观察，或通过宿主系统提供同等强度的持续指示。一次性弹窗不能替代持续采集状态。

用户必须能够停止麦克风、摄像头或屏幕共享采集。停止采集动作需要可见，停止结果需要可观察。

停止摄像头后，系统不得继续把实时画面作为当前视觉现场。停止麦克风后，系统不得继续接收用户语音。停止屏幕共享后，系统不得继续使用共享屏幕作为当前输入。

停止采集不自动删除历史上下文。系统可以保留已经进入会话的内容作为历史，除非用户或产品隐私承诺另有规定。历史使用需要与当前输入区分。

数据使用提示说明语音、视觉、转录、字幕、工具结果或日志如何被用于当前会话。核心体验至少需要用户知道这些输入用于 AI 回答。

如果实现保存会话记录、上传图像帧、存储转录、生成摘要、训练模型、联动业务系统或调用第三方工具，必须有相应的公共说明。说明可以分层展示，但不能完全隐藏。

用户不需要阅读复杂技术协议才能理解当前体验中的基本数据使用。实时采集、保存、共享和删除是不同语义，不能用一个笼统“同意使用”遮蔽。

摄像头和屏幕共享可能包含证件、医疗信息、儿童、人脸、住址、聊天记录、账号、合同、源代码或商业秘密。系统应当把视觉输入视为高敏输入。

屏幕共享需要更强提示。用户可能在共享过程中切换窗口或暴露通知。系统应持续提示共享状态，并提供清晰停止动作。

敏感视觉内容也影响 AI 回应。系统在不确定是否应处理敏感内容时，可以提示用户确认、避免复述敏感细节或拒绝不适当请求。拒绝或限制需要可理解投影。

会话结束后，系统应停止当前会话采集。任何记录、摘要、转录、截图、工具结果或日志的保存，都属于结束后的数据处理。

用户需要知道会话结束后哪些内容仍然存在。实现可以提供删除、导出、隐藏或保留策略。没有保存时，应避免让用户误以为系统仍能跨会话记住视觉或语音内容。

结束后的隐私投影保护上下文边界。系统不能因为曾经在会话中看见某物，就在未声明长期记忆的情况下跨会话使用该信息。

工具参与表示 AI 回答使用了会话外部的信息或动作。搜索网页、查询商品库、读取订单、调用日历、获取位置、控制设备都属于工具参与。

用户不一定需要看到每个低层请求，但需要知道回答是否依赖外部工具，尤其当工具结果影响事实判断、业务操作或隐私边界时。

工具参与不得伪装成模型常识。系统如果基于搜索结果、业务接口或用户位置回答，应避免让用户误以为这些信息来自当前视觉现场或普通对话上下文。

某些工具需要用户授权。位置、通讯录、日历、文件、订单、支付、业务系统和设备控制都可能涉及权限。工具授权必须与摄像头和麦克风授权一样，具有可理解边界。

用户拒绝工具授权时，系统不得继续声称拥有该工具能力。系统可以给出不依赖工具的回答，也可以说明需要授权才能完成请求。

工具授权不应被全局模糊化。用户授权摄像头，不等于授权搜索；授权语音输入，不等于授权业务系统查询；授权位置一次，不等于永久授权所有位置使用。

工具结果进入回答时，应保持来源可解释。用户不一定需要看到原始 JSON、接口字段或搜索日志，但需要理解回答基于外部信息。

工具结果可能过期、失败、不完整或与视觉现场冲突。系统应在必要时表达不确定性。工具返回失败时，系统不得把缺失结果编造成事实。

工具结果也可能改变会话上下文。用户基于工具结果继续追问时，系统可以承接该结果；但工具结果的使用范围应受授权、隐私和会话边界约束。

工具动作会改变外部世界。例如提交工单、发送消息、下单、保存记录、控制设备、修改日程。工具动作比工具查询承担更高责任。

执行工具动作前，系统应当让用户理解将发生什么。高风险动作需要确认。动作执行后，系统应当投影结果：成功、失败、等待、需要授权或需要人工处理。

工具动作失败不得隐藏。用户需要知道外部世界是否已经改变。系统不能在动作未执行时说已完成，也不能在动作不确定时给出确定成功。

工具调用可能产生费用、配额消耗、延迟或业务资源占用。系统不需要对每个低成本内部调用都打扰用户，但当工具调用影响用户权益、费用、等待时间或业务状态时，必须提供可理解说明。

成本控制不能秘密改变体验承诺。如果系统因成本限制不调用搜索或业务工具，它应当避免给出依赖该工具的确定回答。它可以说明当前未使用外部信息。

工具调用投影使外部能力保持可审查。没有工具投影，用户无法判断 AI 回答来自当前画面、模型常识、搜索结果还是业务系统。

每条断言使用小一级标题表达。标题前的 attrlist 提供稳定 ID、role 和规范强度。标题文本是读者可见的断言名称。

#current-visible-object-answerable 是交叉引用地址。.assertion 表示标题身份。normative=must 表示规范强度。其他章节引用该断言时，使用 当前可见对象可被询问。

断言不使用孤立字面量编号作为主要引用对象。编号字符串容易脱离书稿结构；标题 ID 能与目录、交叉引用和投影工具共同工作。

断言正文使用稳定字段描述场景。字段包括前置状态、用户动作、期望结果、不符合表现和覆盖对象。

前置状态描述用户和系统在动作发生前可观察到的状态。用户动作描述用户做了什么。期望结果描述系统应当出现的可观察结果。不符合表现列出会导致断言失败的典型行为。覆盖对象通过 xref 指向被验证的要求、流程或公共投影。

字段服务断言，不服务装饰。字段不应写内部实现细节，也不应写无法观察的心理状态。例如“模型内部收到事件”不是黑盒期望结果；“用户界面显示正在听，AI 随后回应基于用户语音”才是可观察结果。

断言强度来自规范性语言。normative=must 的断言验证核心要求。失败时，实现不能核心符合。normative=should 的断言验证强要求。失败时，实现需要偏离声明。normative=may 的断言验证可选或扩展能力。实现未声明该能力时，不适用。

断言强度不是测试优先级。一个 must 断言即使执行简单，也比一个复杂的 may 断言更重要。符合性先看核心条件，再看扩展能力。

断言以外部观察为准。观察可以来自用户界面、可听语音、字幕、状态指示、错误提示、会话记录、屏幕录制或测试工具记录。观察必须映射到用户可依赖的行为。

内部日志可以作为辅助证据，但不能替代用户可观察结果。系统内部记录“已打开摄像头”而用户界面无采集状态，不满足采集状态断言。内部记录“已取消回答”而用户仍听到旧回答继续播放，不满足打断断言。

断言适用于实现声明的范围。核心断言适用于所有核心符合声明。条件断言适用于实现声明的条件能力。扩展断言适用于实现声明的扩展能力。

实现可以声明条件范围，但条件范围必须清楚。例如只支持移动端摄像头的实现，不接受桌面摄像头断言；但它仍必须通过移动端核心断言。声明条件范围不能取消核心构成性条件。

断言失败表示实现没有满足该场景的可观察结果。失败可以来自功能缺失、状态冲突、错误沉默、输出错位、权限误导、上下文伪装或打断失效。

断言失败应被记录为不符合、条件限制或偏离声明。失败不能被演示成功案例抵消。一个实现偶尔成功回答视觉问题，不代表它通过所有视觉指代断言。

会话生命周期由 会话入口可观察、回应后会话可继续 和 会话结束停止采集 覆盖。

输入权限流由 麦克风授权状态可见、摄像头授权状态可见、采集状态持续可见、权限拒绝进入受限状态、权限撤回更新状态 和 权限恢复重新投影能力 覆盖。

视觉指代流由 当前可见对象可被询问、多候选视觉对象触发澄清、视觉现场变化更新焦点、摄像头关闭后的视觉问题受限 和 历史视觉指代有边界 覆盖。

打断流由 用户语音打断 AI 回应、纠正打断错误焦点、视觉切换可中断旧回答、被打断回答不得补全 和 打断反馈可观察 覆盖。

错误与恢复由 权限错误提供可行动路径、网络错误不伪装成思考、视觉不确定性被诚实表达、工具失败被说明 和 恢复后状态一致 覆盖。

成本治理对象由 成本降级影响能力时可见、模式切换后能力边界可见 和 单位经济证据可追踪 覆盖。

体验预算与硬门槛由 成本降级影响能力时可见、上下文压缩保持诚实 和 成本受限工具不得产生工具事实 覆盖。

模态预算模型由 模式切换后能力边界可见 覆盖。

视觉证据与引用资产由 快照引用不得冒充当前视觉、片段引用具有明确起止 和 用户停止采集后当前输入停止 覆盖。

用户控制与自动调度边界由 用户停止采集后当前输入停止 和 模式切换后能力边界可见 覆盖。

成本降级与公共投影由 成本降级影响能力时可见、会话时长限制被投影、上下文压缩保持诚实 和 成本受限工具不得产生工具事实 覆盖。

单位经济与成本分摊由 单位经济证据可追踪 覆盖。

本覆盖映射覆盖核心体验和成本治理。扩展能力需要额外断言。屏幕共享、长期记忆、多人会话、数字人形象、业务工具动作和录制回放只有在实现声明扩展符合时，才需要进入扩展覆盖。

覆盖映射不替代测试执行。它说明书内断言与对象条件的关系。具体实现需要提交证据，说明这些断言在声明范围内如何通过。

首次回应延迟是用户提出问题后，到 AI 开始可感知回应之间的时间。可感知回应可以是语音开始，也可以是明确处理状态。核心体验要求用户知道系统没有丢失输入。

短延迟有利于通话感。长延迟不必然不符合，但必须被状态投影覆盖。长时间无状态沉默会让用户无法区分系统正在处理、网络失败、麦克风未听到还是模型不可用。

首次回应延迟也受问题类型影响。普通语音问题、视觉指代问题、工具调用问题和复杂推理问题可以有不同响应时间。实现应避免用最慢路径定义所有交互。

打断延迟是用户触发打断后，到旧回答停止或失去会话支配地位之间的时间。打断延迟比普通回应延迟更影响通话控制感。

用户可以接受极短残留。用户不能接受 AI 在打断后继续完成长段旧回答。打断延迟过长时，系统应投影限制或失败。

打断延迟的判定看用户可听结果。内部取消事件发生但旧音频继续播放，不满足打断响应性。旧音频停止但新输入没有进入会话，也不满足打断流。

视觉更新延迟是用户改变画面后，AI 对当前视觉现场的解释更新所需时间。用户移动摄像头到新对象并提问时，系统应围绕新对象回答，或说明画面尚不可用。

视觉更新不要求每一帧都被模型处理。实现可以采样、节流或事件触发。符合性关注用户当前问题是否使用了正确的视觉现场，以及系统在无法使用时是否诚实说明。

视觉更新延迟过大时，系统容易使用旧画面回答新问题。旧画面冒充当前画面构成体验破坏。

实现可以声明自己的响应性范围，例如典型网络条件、设备条件、模型服务区域、工具调用路径和受限模式。声明应当对应用户可观察时刻，而不是只给内部请求耗时。

响应性声明不能掩盖核心缺陷。一个实现如果正常条件下无法打断、无法及时投影视觉受限或长期沉默，不能通过声明“响应可能较慢”取得核心符合。

嘈杂环境会影响语音输入和输出。系统可能听不清用户，也可能让用户听不清 AI。符合实现应当在识别不可靠时表达限制，而不是伪装听懂。

字幕、转录、耳机提示、重新说话请求和降噪能力都可以帮助嘈杂环境。实现声明这些能力时，需要保持状态一致。

听障用户可能依赖字幕或文字记录。视障用户可能依赖语音状态和非视觉反馈。实现可以通过字幕、语音提示、键盘操作、屏幕阅读器支持和高对比状态增强可访问性。

可访问性增强属于重要质量能力。它不取消自然语音核心，但可以为不同用户提供等价理解路径。实现声明可访问性扩展时，应给出可观察行为。

移动端和桌面端的权限、摄像头、麦克风、屏幕共享、后台运行和系统隐私指示不同。实现可以声明支持范围。

支持范围必须进入条件符合声明。只支持移动端的实现不需要通过桌面端断言；但它必须在移动端满足核心体验。支持桌面端屏幕共享的实现需要处理屏幕共享条件责任。

弱网环境会影响语音连续性、视觉更新、模型响应和工具调用。系统可以降级，但降级必须可见。

弱网下合理行为包括提示网络不稳定、降低视觉更新、请求用户等待、转入语音受限或结束会话。不合理行为包括无状态沉默、旧画面回答新问题、继续显示能力正常。

声明范围说明实现在哪些平台、设备、地区、账号、网络条件、输入模态和业务场景中声称符合。范围应明确到足以选择对应断言。

范围可以有限。有限范围不是问题；未声明范围才是问题。一个移动端实现可以声明移动端核心符合；一个只支持摄像头不支持屏幕共享的实现可以声明核心符合但不声明屏幕共享扩展符合。

符合性声明应列出适用断言及其结果。结果可以是通过、不适用、偏离或失败。每个不适用和偏离都需要理由。

断言结果应链接到证据。证据可以是测试记录、人工验收、屏幕录制、用户操作脚本或审查材料。证据必须能让评审者观察用户动作和系统结果。

偏离项说明实现未满足某项应当要求、条件要求或扩展要求的情况。偏离项应说明影响用户、影响断言和替代行为。

偏离项不能取消核心必须项。缺少实时语音、当前视觉现场、自然语音回应、打断或公共投影时，实现不能用偏离项获得核心符合。

证据材料应围绕黑盒行为组织。优先证据是可重复操作脚本和可观察结果记录。内部架构图、模型能力列表和宣传视频只能作为辅助材料。

证据材料需要版本、环境和范围。没有环境范围的证据不能说明条件符合。没有版本的证据无法支持持续审查。

符合性声明需要随实现变化维护。新增平台、新增工具、修改权限流、改变模型服务、改变采样策略、改变隐私保存，都可能影响符合性。

声明维护不是版本流水账。它只记录影响本书要求、断言、范围或证据的变化。无关内部重构不需要进入符合性声明。

产品负责人使用本部判断一个用户场景需要哪种模态预算。连续实时视觉、事件触发视觉、快照、短视频片段、语音优先和工具增强不是同一成本等级的界面变体；它们是不同的体验承诺。

产品负责人通过模态预算模型判断任务是否具有实时必要性，通过视觉证据与引用资产判断是否需要稳定指称对象，通过用户控制与自动调度边界判断哪些控制面应交给用户。

没有本部时，产品讨论容易在“全部实时更强”和“降低成本更省”之间摆动。有了本部，产品负责人可以说明：某个花草识别场景适合快照指称，因为对象静态、实时必要性低、指称稳定性高；某个维修指导场景适合连续实时或事件触发视觉，因为操作过程动态、视觉新鲜度要求高、打断控制重要。

架构师使用本部划分执行位置和资源责任。端侧、边缘和云侧分别承担不同成本：端侧控制采集、预处理和用户动作；边缘承担实时连接、带宽适配和会话路由；云侧承担高质量模型推理、工具调用、长上下文和成本归因。

架构师通过成本与资源账本确定哪些资源需要计量，通过端云协同与执行位置确定哪些处理可以前移、后移或分层，通过成本降级与公共投影确定哪些内部调度会改变用户可依赖行为。

没有本部时，架构优化容易只追求吞吐、延迟或账单。有了本部，架构师需要同时回答：这个优化是否改变当前视觉现场、语音输出、工具依据、打断能力、上下文承接或隐私保存。

开发者使用本部审查成本策略的设计点资格。一个策略进入实现前，需要说明它回应的成本事实、服务的体验目标、改变的规约、带来的成本和验证方式。

开发者通过体验预算与硬门槛判断策略是否触碰核心符合，通过成本与资源账本判断策略减少哪类成本，通过成本符合性断言判断策略如何被外部观察。

例如，降低视觉采样频率不是一个独立完成声明。开发者需要说明采样降低影响什么场景，用户提出当前视觉问题时如何保证视觉新鲜度，无法保证时如何投影限制，测试如何证明旧画面不会冒充当前画面。

测试工程师使用本部把成本治理转化为黑盒断言。成本策略不是只看内部指标；它必须在用户动作和可观察结果中成立。

测试工程师通过成本符合性断言验证快照是否冒充当前视觉、片段是否有明确起止、成本降级是否投影、工具限制是否诚实、会话时长限制是否可见、上下文压缩是否伪装完整记忆。

没有本部时，测试只能检查“功能是否能跑”。有了本部，测试可以检查“成本策略是否仍然符合体验契约”。

运营与财务负责人使用本部建立单位经济和成本归因。实时全模态体验的价值单位不是单一会话分钟，也不是模型请求次数。一次成功视觉回答、一次稳定引用资产、一次工具增强回答、一次成功打断恢复，都可能成为更适合的成本单位。

运营与财务负责人通过单位经济与成本分摊把成本关联到用户、租户、平台、场景、模态、模型、工具和任务结果。这样可以识别高成本高价值路径、高成本低价值路径和低成本可替代路径。

没有本部时，成本优化容易变成整体压缩。有了本部，运营可以判断哪些场景值得高成本连续实时，哪些场景应转入快照、片段或语音优先。

安全隐私负责人使用本部审查成本策略对采集、保存、删除和外部传输的影响。降低成本的快照和片段策略，可能减少持续采集，也可能增加保存视觉证据的隐私责任。

安全隐私负责人通过视觉证据与引用资产审查快照和片段保存范围，通过用户控制与自动调度边界审查用户停止、删除和撤回动作，通过隐私投影审查采集提示和结束后数据处理。

成本降低不能绕过隐私边界。一个策略如果减少实时视频传输，却默默保存截图或片段，仍然需要公共说明和删除语义。

供应商评审者使用本部要求实现者提交可审查的成本声明。声明应说明适用范围、模态策略、采样边界、工具限制、模型路由、保存策略、单位经济口径和断言证据。

供应商评审者通过符合性声明追踪范围和偏离，通过成本符合性断言检查黑盒证据，通过成本不符合案例识别典型误导。

模型能力列表、演示视频和账单截图都不能单独证明成本治理成立。成本治理证据必须说明：给定什么场景、使用什么模态策略、消耗什么资源、用户看见什么状态、断言如何通过。

金钱成本是供应商、基础设施或业务系统对资源使用产生的费用。它可以来自模型输入、模型输出、音频处理、视觉输入、语音合成、实时连接、带宽、存储、工具调用、日志、监控、边缘转发和第三方服务。

金钱成本应按可归因单位记录。一次会话、一轮回答、一张快照、一个视频片段、一次工具调用、一次语音输出和一次上下文摘要，可能属于不同的成本单位。只记录月度总账单，无法支持体验预算决策。

金钱成本不自动决定体验策略。高成本路径可能服务高价值场景，低成本路径也可能破坏核心体验。符合实现应把金钱成本放入后续的单位经济与成本分摊，而不是只按单次调用价格排序。

现代实时 AI 服务通常按输入模态、输出模态、缓存输入和实时会话等维度计价。此事实支持本书采用模态级资源账本；具体价格、供应商和模型名称不进入核心符合判断。参见 [openai-pricing]、[openai-prompt-caching] 与 [openai-realtime-costs]。

延迟成本是用户等待系统承担体验承诺时付出的时间和控制感损失。它来自音频输入、视觉采样、模型处理、工具调用、语音合成、网络传输、排队、重试和恢复。

延迟成本应按用户可感知时刻记录。首次回应延迟、打断延迟、视觉更新延迟和错误投影延迟，比内部请求耗时更接近本书对象。

延迟成本不是单一数字。一个工具增强回答可以等待更久，只要等待被投影并且任务需要外部信息；一个打断动作不能等待旧回答讲完，因为打断延迟直接影响用户重新取得交互控制权。

质量损失成本是成本策略降低回答可靠性、语音可懂度、视觉理解质量、上下文连续性或工具依据完整性时产生的体验损失。

降低分辨率、降低采样频率、切换低成本模型、压缩上下文、减少工具调用、降低语音质量或缩短输出，都可能降低质量。质量损失不一定导致不符合；它必须与任务需要、用户预期和公共投影一致。

质量损失成本应与失败诚实性共同判断。系统看不清时请求用户调整画面，可以是合格的质量边界；系统看不清却作确定回答，是不符合。系统未调用工具而说明未使用外部信息，可以是合格的成本控制；系统未调用工具却给出工具事实，是不符合。

隐私暴露成本是会话采集、传输、保存、引用和外部调用对用户敏感信息产生的暴露面。麦克风、摄像头、屏幕共享、快照、视频片段、转录、字幕、工具结果、日志和摘要都可能包含敏感信息。

隐私暴露成本不等同于金钱成本。一个快照策略可能降低持续视频传输费用，却增加视觉证据保存和删除责任。一个端侧预处理策略可能降低云端视觉暴露，却增加端侧权限和设备处理责任。

隐私暴露成本应进入隐私投影。用户需要知道哪些输入正在采集，哪些内容被保存，哪些内容进入工具或云端，如何停止采集，以及会话结束后哪些内容仍然存在。

用户控制成本是用户为了节省资源、稳定指称或保护隐私而承担的理解、选择、操作和恢复负担。拍照、长按录制、选择模式、确认工具、删除引用资产和恢复权限，都可能增加用户控制成本。

用户控制成本不是负面词。恰当的控制面可以让用户明确开始和停止采集，可以把动态视觉转换成稳定引用对象，也可以减少后台猜测和隐私暴露。不恰当的控制面会让用户被迫理解系统调度细节，破坏通话感。

用户控制面进入公共投影后，就成为公共契约。系统必须让用户知道动作是否开始、是否结束、生成了什么对象、是否仍在采集、是否可以撤回，以及后续回答依据什么。

工程复杂度成本是成本策略给实现、测试、观测、维护、迁移和解释带来的结构负担。端云协同、模型路由、引用资产、缓存、摘要、工具网关和多模式界面都可能降低运行成本，同时增加工程复杂度。

工程复杂度成本应被显式纳入设计点准入。一个策略如果需要新的状态机、新的权限流、新的断言、新的隐私保存规则和新的运营指标，它节省的运行费用必须足以支持这些持续成本。

工程复杂度成本不应由用户承担。内部复杂度增加时，用户表面仍应保持状态清楚、动作可理解、错误可恢复。

容量机会成本是一个会话占用实时连接、模型并发、GPU 队列、工具配额、带宽、边缘节点或存储资源后，对其他用户和其他任务产生的机会损失。

连续实时视觉通常具有更高容量机会成本。它可能占用更长会话时间、更高带宽、更高模型并发和更多视觉处理预算。快照、短片段、事件触发视觉和语音优先模式，可以在适合场景中降低容量机会成本。

容量机会成本应与业务价值关联。高价值实时指导场景可以占用更多容量；低实时必要性场景应优先使用较低容量占用的模式。

能源与碳成本是设备、网络和云端计算在会话中产生的电量消耗和环境影响。移动端电量、设备发热、网络传输、模型推理和存储都会影响这一维度。

本书不要求实现计算统一碳排放数值。实现可以在符合性声明或运营材料中声明能源和碳的估算口径。该维度的作用，是提醒实现者不要把成本治理只理解为账单优化。

能源与碳成本不应压倒核心体验边界。实现可以通过端侧预处理、事件触发视觉、快照引用、缓存和会话时长控制降低能源消耗；它不得因此隐藏采集、伪装视觉能力或破坏打断语义。

能源与碳成本的参考坐标可来自软件碳强度等既有度量框架。此类框架提供估算语言，不替代本书的体验符合性断言。参见 [green-software-sci]。

成本与资源账本至少应回答八个问题。

第一，钱花在哪里。第二，用户等在哪里。第三，质量损失在哪里。第四，敏感信息暴露在哪里。第五，用户承担了什么控制动作。第六，工程系统增加了什么复杂度。第七，容量被哪个场景占用。第八，能源和设备负担在哪里出现。

符合实现不必用同一套内部字段实现账本，但其成本声明和证据应能映射到这些问题。不能映射的成本策略，不能支持本书意义上的成本治理。

核心符合门槛是成本策略进入比较前必须通过的判断。一个策略如果破坏核心符合，就不是低分策略，而是不适用策略。

核心符合门槛至少包括七项。

第一，采集状态必须可观察。系统不得为了节省界面或实现成本而隐藏麦克风、摄像头或屏幕共享采集。

第二，当前视觉不得被伪装。视觉输入不可用、采样过旧、快照或片段不代表当前画面时，系统不得继续声称正在使用当前视觉现场。

第三，自然语音回应不得被无说明替代。成本限制导致语音不可用时，系统必须进入输出受限状态，而不是只返回文字并声称核心体验成立。

第四，打断语义不得失效。为了节省模型取消、音频缓冲清理或实时检测成本而让用户无法打断，不符合本书对象。

第五，上下文缺失不得伪装成记忆。压缩、裁剪、摘要或缓存策略导致上下文不可用时，系统必须表达限制。

第六，工具事实不得伪造。工具因成本、配额或授权限制未被调用时，系统不得给出依赖该工具的确定结果。

第七，错误和降级必须投影。成本策略导致能力受限时，系统不能把受限表现为正常。

这些门槛来自构成性条件、用户可见反馈、错误投影和符合性模型。

通过核心符合门槛以后，成本策略可以进入优化比较。优化比较可以考虑金钱成本、延迟成本、质量损失、隐私暴露、用户控制成本、工程复杂度、容量机会成本和能源成本。

优化评分可以表达为：

CoreConformanceGate 表示核心符合门槛。它只能通过或失败。OptimizationScore 表示通过门槛后的综合优化结果。门槛失败时，策略不可采纳；门槛通过后，策略才可以按照场景权重比较。

本公式是判断结构，不是统一数学标准。不同产品、平台、场景和风险等级可以使用不同权重。权重差异必须进入实现范围、运营策略或符合性声明，不能在评审时临时改变。

体验预算应围绕用户可感知的会话时刻定义，而不是只围绕内部资源定义。

首次可感知反馈预算，约束用户提出问题后系统多久让用户知道输入已被接收或正在处理。它来自首次回应延迟。

打断停止预算，约束用户触发打断后旧回答多久停止或失去会话支配地位。它来自打断延迟。

视觉更新预算，约束用户改变画面并提出视觉问题时，系统多久使用新视觉现场或表达视觉不可用。它来自视觉更新延迟。

错误投影预算，约束系统检测到权限、网络、设备、模型、工具或成本限制后多久向用户表达受限状态。

工具等待预算，约束工具调用对会话节奏的影响。工具增强回答可以等待，但等待必须与任务价值、工具必要性和用户反馈一致。

上下文承接预算，约束系统在会话内承接历史语音、视觉、回答和工具结果的范围。成本策略可以压缩上下文，但不能把不可承接内容伪装成已知事实。

体验预算的权重来自场景，而不是来自实现偏好。不同场景对成本维度的敏感度不同。

静态识别场景通常具有低实时必要性、高指称稳定性和中等视觉质量要求。快照模式可能比连续实时模式更合适。

实时操作指导场景通常具有高实时必要性、高视觉新鲜度要求和高打断敏感度。连续实时或事件触发视觉可能比快照模式更合适。

高敏屏幕共享场景通常具有高隐私暴露成本。即使持续视觉在技术上可行，也需要更强的采集提示、停止动作和工具授权边界。

工具执行场景通常具有高外部动作风险。降低工具调用频率可以控制成本，但不能让系统伪造工具结果或隐藏动作失败。

场景权重应在产品范围、运营策略或符合性声明中保持稳定。实现不能在成本压力下临时改变权重，并继续声称同一体验范围。

预算表示可声明、可测量、可消耗的范围。边界表示不得突破的体验契约。成本治理必须区分两者。

字幕可以短暂滞后，这是预算问题。摄像头关闭后仍显示正在看，这是边界问题。

工具可以等待，这是预算问题。工具失败后声称已取得结果，这是边界问题。

视觉采样可以降低，这是预算问题。旧画面冒充当前画面，这是边界问题。

语音输出可以因设备故障进入受限，这是预算问题。只返回文字而不说明语音受限，这是边界问题。

预算可以用于优化；边界只能用于判定。符合实现不得用预算语言掩盖边界失败。

实时必要性表示当前任务对持续当前视觉、即时语音回应、可打断输出和同步操作指导的依赖程度。它不是产品宣传词，而是成本决策中的场景属性。

实时必要性高的场景包括实时维修指导、操作过程纠错、动态手势说明、屏幕操作陪伴、故障灯闪烁观察和需要用户边做边听的任务。此类场景通常需要连续实时模式或事件触发视觉模式。

实时必要性低的场景包括静态物体识别、菜单阅读、药盒说明、植物识别、单张故障界面解释和文档局部问答。此类场景通常可以使用快照指称模式，或在需要动作过程时使用片段指称模式。

实时必要性应由任务事实决定。实现不得为了展示高级能力而在低实时必要性场景中默认消耗持续视觉预算，也不得为了节省成本在高实时必要性场景中悄悄退化为离散图片问答。

视觉新鲜度表示回答依据的视觉证据与用户当前视觉现场之间的时间、场景和指称一致性。视觉新鲜度不是单纯的帧率，也不是单纯的时间差。

画面长时间静止时，较旧视觉证据仍可能支持回答。用户移动摄像头、切换对象、翻页、靠近文字、停止屏幕共享或说出“现在这个”时，较新的视觉证据才有资格支撑当前视觉回答。

视觉新鲜度受四个因素影响：场景变化速度、用户指称强度、任务实时必要性和视觉证据质量。用户说“这个”“现在这里”“你看我这一步”时，指称强度高；系统应使用当前视觉现场，或说明视觉证据不足。

降低采样频率可以节省资源，但不得长期使用旧视觉证据回答当前视觉问题。无法保证视觉新鲜度时，系统应请求用户稳定画面、重新捕获快照、录制片段或进入视觉受限状态。

指称稳定性表示用户能否在多轮会话中稳定指向同一视觉对象或证据。实时画面中的“这个”可能随摄像头移动而改变；快照、片段和工具结果可以提供更稳定的指称对象。

指称稳定性高的任务适合使用编号引用。用户拍摄一张植物照片后，可以围绕 图 1 多轮追问；用户录制一个操作片段后，可以围绕 片段 1 讨论错误步骤。系统后续回答应基于被引用资产，而不是被后续画面干扰。

指称稳定性也带来边界。图 1 和 片段 1 不是当前视觉现场。用户问“现在这个”时，系统不能只拿旧引用资产回答；用户问“图 1 里的这个”时，系统不应被当前摄像头画面转移焦点。

连续实时模式表示系统在会话中持续接收或准备使用用户语音和当前视觉现场，并以自然语音回应。它最接近本书定义的核心通话表面。

连续实时模式适用于实时必要性高、视觉现场动态、用户需要同步操作指导或频繁打断的场景。它承担最高的视觉新鲜度承诺，也通常具有较高金钱成本、隐私暴露成本、容量机会成本和能源成本。

连续实时模式必须提供强公共投影。用户需要知道麦克风、摄像头或屏幕共享正在采集，AI 是否正在听、看、处理、回应或受限。连续实时模式不得在后台长期不使用视觉，却继续投影“正在看”。

事件触发视觉模式表示系统持续维持会话，但只在用户动作、语义指称、画面变化或系统判定需要时使用视觉资源。它位于连续实时模式和离散视觉资产之间。

事件可以来自用户说“你看这个”、点击视觉按钮、画面显著变化、屏幕共享窗口切换、用户靠近物体或任务进入视觉依赖阶段。事件触发可以降低无关视觉处理成本，但仍需维护当前视觉承诺。

事件触发视觉模式的风险，是系统错过用户认为重要的画面变化。符合实现应在视觉证据不足时表达限制，而不是把未触发采样的旧画面当作当前事实。

快照指称模式表示用户或系统在会话中捕获单张视觉证据，并把它作为可编号、可引用的会话内对象。它适用于静态视觉对象和低实时必要性任务。

快照指称模式可以降低持续视觉传输、持续视觉处理和视觉新鲜度维护成本。它还提高指称稳定性：用户可以说“图 1 这个标志是什么意思”“图 2 和图 1 有什么区别”。

快照指称模式必须公开它的边界。系统基于快照回答时，应让用户能够知道回答依据的是该快照，而不是当前摄像头。快照过期、模糊、裁剪不足或对象不在图中时，系统应请求重新拍摄或说明无法判断。

片段指称模式表示用户或系统捕获一段有限时长的视频、屏幕录制或等价动态视觉证据，并把它作为可编号、可引用的会话内对象。它适用于短动作、故障复现、屏幕操作过程、手势说明和闪烁状态观察。

片段指称模式比连续实时模式更容易控制成本和隐私暴露，也比快照模式保留更多时间信息。用户长按录制一段过程并生成 片段 1 后，可以围绕该片段继续追问，系统不需要持续处理后续无关画面。

片段指称模式必须有明确起止。用户需要知道何时开始录制、何时结束、片段是否已经进入会话、后续回答是否基于该片段。片段结束后，系统不得把片段之后的现实变化当作已知事实。

语音优先模式表示会话主要使用语音输入和自然语音输出，当前视觉现场不参与或只在用户明确触发时参与。它适用于一般问答、概念解释、计划讨论和无需视觉的任务。

语音优先模式可以降低视觉输入成本和隐私暴露成本。它仍然属于实时会话的一种受限或条件路径，前提是用户知道当前视觉是否可用。

用户在语音优先模式下提出“你看这个”时，系统必须说明当前没有视觉输入，或提示用户开启视觉、拍摄快照或录制片段。语音优先模式不得冒充全模态视觉通话。

工具增强模式表示 AI 回答依赖搜索、位置、业务 API、知识库、设备控制或其他外部能力。工具不是核心体验的必要条件，但工具参与会改变成本、延迟、权限、事实来源和失败语义。

工具增强模式适用于当前视觉、语音和会话上下文不足以完成任务的场景。例如用户要求查询订单、搜索最新资料、读取业务系统、控制设备或提交外部动作。

工具增强模式必须遵守工具调用投影。系统应让用户知道回答是否依赖外部工具，工具失败是否影响事实，工具动作是否改变外部世界，以及工具因成本或授权限制未被使用时回答依据是什么。

模式选择应根据场景事实进行，而不是根据实现偏好进行。符合实现可以自动选择模式，也可以给用户控制面；无论哪种方式，用户都需要理解当前 AI 能使用什么输入、不能使用什么输入、回答依据什么证据。

模式选择至少应考虑实时必要性、视觉新鲜度要求、指称稳定性需求、隐私敏感度、工具依赖度、用户控制成本、网络条件和单位经济。

模式可以组合。一个会话可以在语音优先模式中捕获快照，也可以在连续实时模式中生成片段引用资产。组合模式需要保持状态清楚，不能让用户无法判断当前回答依据实时画面、快照、片段、工具结果还是普通会话上下文。

成本分摊对象是成本归属的目标。符合实现可以按用户、租户、平台、设备、地区、会话、任务、模态、模型、工具、引用资产或业务流程分摊成本。

不同分摊对象服务不同判断。按会话分摊可以观察总体运营压力；按任务分摊可以判断业务价值；按模态分摊可以判断视觉或语音是否过度消耗；按工具分摊可以判断外部能力是否值得；按引用资产分摊可以判断快照和片段是否降低了持续实时成本。

成本分摊不应改变用户承诺。实现可以在后台把成本归属给某个租户或功能，但用户表面仍应保持状态、权限、错误和降级语义一致。

资源单位指标描述底层资源效率。它们适合工程和运营使用，但不能单独证明用户价值。

资源单位指标可以包括每分钟实时连接成本、每分钟音频输入成本、每张快照处理成本、每秒片段处理成本、每次语音输出成本、每次工具调用成本、每轮模型推理成本、每 MB 传输成本、每 MB 存储成本和每次上下文摘要成本。

资源单位指标能够定位浪费。例如某平台每张快照处理成本异常高，可能说明图像压缩、模型路由或缓存策略存在问题。资源单位指标不能单独决定产品策略，因为低成本资源路径可能没有完成用户任务。

业务单位指标描述资源消耗与用户任务结果之间的关系。它们更适合产品、运营、财务和供应商评审。

业务单位指标可以包括每个成功会话成本、每个成功视觉回答成本、每个完成任务成本、每个工具增强有效回答成本、每个被用户继续追问的引用资产成本、每个成功打断恢复成本、每个受限后恢复成功成本和每个业务动作成功成本。

业务单位指标帮助识别策略价值。连续实时模式成本高，但如果它显著提高操作指导成功率，可能合理。快照模式成本低，但如果用户需要频繁重拍且任务失败率高，可能只是表面省钱。

单位经济可以使用简单公式表达成本与结果的关系。公式服务比较，不服务装饰。

公式中的分母必须有可观察定义。ValidVisualAnswerCount 不能只表示模型生成过视觉回答；它应表示回答在声明范围内基于正确视觉证据、没有状态误导，并通过相应断言。SuccessfulTaskCount 也应基于产品定义的任务完成条件。

单位经济公式不替代符合性断言。一个路径即使单位成本低，只要它失败于核心断言，就不能作为核心符合策略。

成本分摊结果可能影响符合性声明。实现改变采样策略、模型服务、工具限制、会话时长、保存策略或平台范围时，可能改变适用断言和证据。

符合性声明不需要公开全部商业成本，但应说明影响体验范围的成本边界。例如某账号层级限制连续实时视觉时长，某地区不支持低延迟模型服务，某平台不支持屏幕共享，某工具因配额限制仅在确认后调用，这些都属于范围或条件信息。

成本分摊也应支持异常发现。某类任务成本异常升高，可能说明用户被迫使用错误模式；某类工具成本高但有效回答低，可能说明工具触发条件不合格；某类快照资产很少被引用，可能说明控制面没有服务真实动作。

单位经济原则是：成本必须与体验结果和业务结果关联，不能只与资源消耗关联。符合实现应同时观察资源单位指标和业务单位指标，并把成本优化指向高成本低价值路径，而不是平均压低所有能力。

这个原则保护高价值体验。实时全模态会话中的某些路径天然昂贵，例如高风险维修、远程教学、业务工具动作和高敏屏幕协助。成本治理要判断这些路径是否值得，而不是因为它们昂贵就自动降级。

视觉成本降级包括降低采样频率、降低分辨率、关闭连续视觉、切换为事件触发视觉、要求快照、要求片段、限制屏幕共享或停止视觉处理。

视觉成本降级必须保护视觉新鲜度。用户提出当前视觉问题时，系统应使用足够新的视觉证据，或说明当前视觉不可用、不清楚、过期或需要重新捕获。

视觉成本降级不得制造状态冲突。摄像头仍在采集但 AI 不再使用视觉时，状态应区分“摄像头开启”和“AI 正在使用当前画面”。视觉处理暂停时，系统不得继续投影正在看。

语音输出成本降级包括降低语音质量、缩短回答、分段输出、延迟合成、转为文字或字幕替代。自然语音回应是构成性条件，不能被无说明替代。

系统因成本、设备、网络或服务限制无法提供自然语音回应时，应进入语音输出受限状态。文字可以作为临时替代或用户选择路径，但不能在无说明情况下冒充核心语音体验。

语音输出降级仍需支持打断语义。系统缩短回答或分段输出可以降低成本；它不能因此忽略用户插话、纠正或停止请求。

工具成本降级包括限制工具频率、关闭高成本工具、推迟工具调用、要求确认、使用缓存结果、仅回答不依赖工具的部分，或因配额不足进入受限状态。

工具成本降级必须遵守工具成本。如果回答依赖工具结果，工具未调用、失败、超时或被限流时，系统应说明外部信息不可用，避免把缺失结果当作事实。

工具动作比工具查询承担更高投影责任。提交工单、发送消息、下单、控制设备或修改业务状态时，成本限制不能隐藏动作是否执行、是否失败或是否等待人工处理。

上下文成本降级包括裁剪历史、摘要压缩、丢弃旧视觉、压缩工具结果、限制长期记忆、减少会话记录或只保留引用资产 ID。

上下文成本降级必须保持上下文诚实。系统无法承接历史内容时，应说明无法确定、没有保留、已删除或需要用户重新提供。

摘要不是原文，引用 ID 不是完整上下文。系统基于摘要回答时，应避免过度确定；系统只保留 图 1 标识而没有图像内容时，不得继续基于该图作视觉判断。

时长与配额降级包括限制会话时长、限制连续实时视觉分钟数、限制工具调用次数、限制快照或片段数量、限制保存空间或限制高成本模型使用。

时长与配额限制应在接近影响用户动作前投影。会话突然结束、视觉突然不可用、工具突然失效或保存突然失败，会破坏用户对会话边界的理解。

限制可以进入条件符合声明。有限范围不是问题；未声明限制才是问题。实现应说明限制影响哪些平台、账号、地区、网络、场景或扩展能力。

成本降级的公共投影阈值，是判断内部优化是否进入用户表面的规则。

降级只改变内部资源消耗，不改变用户可依赖行为时，可以不投影。例如缓存命中、无损压缩、后台批量计费归因和不影响输出的调度优化。

降级改变用户可依赖行为时，必须投影。例如视觉不再实时、语音输出不可用、工具未调用、上下文被裁剪、引用资产被删除、会话时长即将耗尽或屏幕共享处理被暂停。

降级改变符合性范围时，必须进入声明。例如某平台只支持快照视觉，某地区不支持低延迟模型，某账号层级不支持工具增强，某模式不保存引用资产。

体验预算可以参考服务可靠性领域对 SLO 和错误预算的区分：可消耗预算服务决策，不可突破边界服务判定。本书借用该区分说明成本降级的预算与边界，不把服务可靠性指标直接等同于体验符合性。参见 [google-sre-slo] 与 [google-sre-implementing-slos]。

成本降级可以恢复。网络恢复、配额恢复、用户授权、用户确认高成本工具、切换网络、重新捕获视觉证据或升级账号范围，都可能使系统恢复能力。

恢复必须与实际能力一致。视觉处理恢复后，系统可以重新声明视觉可用；工具配额恢复后，系统可以重新调用工具；上下文被裁剪后，恢复模型容量不自动恢复已丢失内容。

恢复路径应避免误导。系统不能因为降级解除，就把降级期间未采集、未处理、未调用或未保存的信息当作已知事实。