架构总览

qwen-audio-agent 是一个实时语音运行时，让 AI Agent 持续交流、持续工作、持续在场。整体分为三层，层与层之间只有两个协议面。

三层架构

三层模型

客户端——环境本身。 TUI、WebUI、桌面悬浮球，或你自己的客户端。客户端拥有 I/O 与展示，上报环境状态（窗口焦点、在场、休眠/唤醒），承载用户信号。用户如何唤醒助手（唤醒词、快捷键、点击）完全是客户端的事。客户端不持有记忆，只转发信号。
网关——对话层与状态平面。 一个进程内的两部分：
- Realtime 前台是轻量语音智能体：全双工对话、即时回答，配一套刻意收敛的对话工具（搜索、记忆、提醒与工作控制）。
- Gateway 控制平面是确定性的——路由路径上不额外引入 LLM。它掌管任务台账、权限裁决、播报策略，以及前后台之间的注入防线。
后台——执行层。 任何 BackendPort 之后的执行体：ACP 智能体（OpenCode、OpenClaw、Qoder、Qwen Code、Kimi Code、Claude Code、 Codex、DeepSeek、Pi，或你自己的）、远程 A2A 智能体，或用 Backend Adapter SDK 编写的自定义适配器。ACP 接入通过固定协调 Session 保持工作的连续性；后台内部的工具、技能、子会话都是后台私有实现，不会变成新的层。

客户端 ↔ 网关——稳定性契约与客户端协议：单条 WebSocket 上的类型化事件。
网关 ↔ 后台——BackendPort。协议细节留在 ACP、A2A 或自定义适配器内部；启动与能力行为由注册的 driver 承载。见支持的后台与 Backend Adapter SDK。

把运行时适配到新场景 = 换客户端（环境）+ 换后台（操作环境的工具）。网关只通过声明式接缝变化：人设文件、播报策略、前台 MCP 工具与 OpenAPI 操作、知识/记忆 Provider。见场景示例。

当请求需要真正干活时，前台调用 spawn_thinking，对话立即继续—— 任务在后台会话里异步执行，结果在安全的插入窗口自然回流到同一场对话。语音链路上的任何环节都不会等待后台。