英伟达 DGX Spark Reachy Mini 入门教程（一）

系列文章目录

目录

系列文章目录

前言

一、所需材料

二、赋予Reachy自主行动能力

三、构建智能体

3.1 设置并获取模型与服务访问权限

3.2 构建聊天界面

3.3 添加 NeMo Agent Toolkit 内置的 ReAct 代理用于工具调用

3.4 添加路由器将查询导向不同模型

3.5 添加Pipecat机器人实现实时语音+视觉交互

3.6 将所有组件连接至Reachy（硬件或模拟环境）

3.7 运行完整系统

3.7.1 终端 1：Reachy 守护进程

3.7.2 终端 2：机器人服务

3.7.3 终端 3：NeMo Agent Toolkit 服务

3.8 尝试以下示例提示

3.9 后续探索方向

前言

在2026年国际消费电子展上，英伟达今日揭晓了一系列全新开放模型，为线上与现实世界的智能代理未来铺就道路。从新近发布的NVIDIA Nemotron推理大型语言模型，到全新NVIDIA Isaac GR00T N1.6开放推理VLA及NVIDIA Cosmos世界基础模型，所有构建模块现已就位，助力AI开发者打造专属智能代理。

但若能在办公桌前唤醒专属智能体呢？一个既能提供实用帮助又能私密处理数据的AI伙伴？

在今日CES主题演讲中，黄仁勋展示了如何通过NVIDIA DGX Spark与Reachy Mini的协同运算能力，打造可对话协作的迷你办公助手——专属你的办公版R2D2。

本文提供了一份分步指南，指导您如何在家中使用DGX Spark和Reachy Mini复制这一非凡体验。

一、所需材料

若想立即开始烹饪，请参阅演示源代码。

我们将使用以下组件：

1. 推理模型：演示采用NVIDIA Nemotron 3 Nano
2. 视觉模型：演示采用NVIDIA Nemotron Nano 2 VL
3. 文本转语音模型：演示使用ElevenLabs
4. Reachy Mini（或Reachy Mini仿真）
5. Python v3.10+环境，需安装uv库

欢迎自由调整配方，打造专属方案——您可通过多种方式将模型集成至应用程序：

1. 本地部署——在自有硬件上运行（DGX Spark或配备充足显存的GPU）。本方案需约65GB磁盘空间用于推理模型，约28GB用于视觉模型。
2. 云端部署——通过NVIDIA Brev或Hugging Face推理端点等服务将模型部署至云GPU。
3. 无服务器模型端点——向NVIDIA或Hugging Face推理服务商发送请求。

二、赋予Reachy自主行动能力

将AI助手从简单的聊天界面转变为可自然交互的存在，能让对话更具真实感。当AI助手能通过摄像头观察、发出声音并执行动作时，体验将更加引人入胜。这正是Reachy Mini实现的可能性。

Reachy Mini的设计注重可定制性。通过接入传感器、执行器和API，您可轻松将其接入现有智能体架构——无论是通过模拟环境还是直接用Python操控真实硬件。

本文聚焦于组合现有构建模块而非重新发明轮子。我们整合了用于推理与视觉的开源模型、用于协调的智能体框架，以及执行动作的工具处理器。各组件采用松耦合设计，便于随时替换模型、调整路由逻辑或添加新行为。

与封闭式个人助手不同，本架构保持完全开放。您可自主掌控模型、提示词、工具及机器人的动作。Reachy Mini 仅作为智能体物理终端，实现感知、推理与行动的融合。

三、构建智能体

本示例采用 NVIDIA NeMo Agent Toolkit——这款灵活轻量、框架无关的开源库，将智能体所有组件无缝连接。它能无缝对接LangChain、LangGraph、CrewAI等其他智能体框架，处理模型间的交互、输入输出路由，让您轻松尝试不同配置或添加新功能，无需重写核心逻辑。该工具包还内置性能分析与优化功能，可追踪跨工具和智能体的令牌使用效率及延迟，识别瓶颈，并自动调整超参数以在降低成本和延迟的同时最大化准确率。

3.1 设置并获取模型与服务访问权限

首先，克隆包含所有所需代码的仓库：

git clone git@github.com/brevdev/reachy-personal-assistant cd reachy-personal-assistant

要访问由 NVIDIA Nemotron 模型驱动的智能层，您可以通过 NVIDIA NIM 或 vLLM 进行部署，或通过 build.nvidia.com 提供的远程端点进行连接。

以下说明假设您是通过端点访问 Nemotron 模型。请在主目录中创建一个包含 API 密钥的 .env 文件。对于本地部署，您无需指定 API 密钥，可跳过此步骤。

NVIDIA_API_KEY=your_nvidia_api_key_here ELEVENLABS_API_KEY=your_elevenlabs_api_key_here

3.2 构建聊天界面

首先通过 NeMo Agent Toolkit 的 API 服务器运行基础 LLM 聊天工作流。NeMo Agent Toolkit 支持通过 `nat serve` 运行工作流并提供配置文件。此处传递的配置文件包含代理所需的所有必要设置信息，包括用于聊天和图像理解的模型，以及代理使用的路由器模型。NeMo Agent Toolkit 用户界面可通过 HTTP/WebSocket 连接，使您能像使用标准聊天产品那样与工作流对话。在此实现中，NeMo Agent Toolkit 服务器在端口 8001 上启动（以便您的机器人和用户界面均可调用）：

cd nat uv venv uv sync uv run --env-file ../.env nat serve --config_file src/ces_tutorial/config.yml --port 8001

接下来，请通过另一个终端验证能否发送纯文本提示，以确保所有设置均正确无误：

curl -s http://localhost:8001/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{"model": "test", "messages": [{"role": "user", "content": "What is the capital of France?"}]}'

在审查代理配置时，您会发现其定义的功能远不止简单的聊天补全。后续步骤将详细说明这些功能。

3.3 添加 NeMo Agent Toolkit 内置的 ReAct 代理用于工具调用

工具调用是 AI 代理的核心功能。NeMo Agent Toolkit 内置的 ReAct 代理能够在工具调用间进行推理，并在响应前调用多个工具。我们将“操作请求”路由至具备工具调用权限的ReAct代理（例如触发机器人行为或获取当前状态的工具）。

需注意以下实用要点：

• 保持工具架构简洁（明确名称/描述/参数），代理将据此决定调用对象。
• 为步骤设置硬性上限（max_tool_calls），防止智能体陷入无限循环。
• 若使用实体机器人，建议采用“执行前确认”模式处理物理动作，确保运动安全。

请参阅配置文件的此部分：它定义了工具（如维基百科搜索），并指定了用于管理工具的ReAct智能体模式。

functions: wikipedia_search: _type: wiki_search max_results: 2 .. react_agent: _type: react_agent llm_name: agent_llm verbose: true parse_agent_response_max_retries: 3 tool_names: [wikipedia_search] ​​workflow: _type: ces_tutorial_router_agent agent: react_agent

3.4 添加路由器将查询导向不同模型

核心理念：避免单一模型处理所有需求。转而基于意图进行路由：

• 文本查询可使用快速文本模型
• 视觉查询必须通过视觉语言模型处理
• 操作/工具请求路由至ReAct智能体+工具集

路由实现方式多样（启发式算法、轻量级分类器或专用路由服务）。若需生产级方案，NVIDIA LLM路由器开发者示例提供完整参考实现，包含评估与监控模式。

基础路由策略示例如下：

• 若用户提出环境相关问题，则将请求连同摄像头（或Reachy）采集的图像发送至VLM。
• 若用户提出需实时信息的问题，则将输入发送至ReACT智能体，通过工具调用执行网络搜索。
• 若用户提出简单问题，则将请求发送至专为闲聊优化的轻量级快速模型。

配置文件的这些部分定义了路由拓扑结构并指定路由器模型。

functions: .. router: _type: router route_config: - name: other description: Any question that requires careful thought, outside information, image understanding, or tool calling to take actions. - name: chit_chat description: Any simple chit chat, small talk, or casual conversation. - name: image_understanding description: A question that requires the assistant to see the user eg a question about their appearance, environment, scene or surroundings. Examples what am I holding, what am I wearing, what do I look like, what is in my surroundings, what does it say on the whiteboard. Questions about attire eg what color is my shirt/hat/jacket/etc llm_name: routing_llm llms: .. routing_llm: _type: nim model_name: microsoft/phi-3-mini-128k-instruct temperature: 0.0

注意：若需降低延迟/成本或离线运行，可自行托管其中一个路由模型（通常为“fast text”模型），同时保持VLM远程运行。常见方案是通过NVIDIA NIM或vLLM提供服务，并将NeMo Agent Toolkit指向兼容OpenAI的端点。

3.5 添加Pipecat机器人实现实时语音+视觉交互

现在进入实时环节。Pipecat是专为低延迟语音/多模态智能体设计的框架：它协调音视频流、AI服务及传输协议，助您构建自然对话。在此项目中，机器人服务负责：

• 视觉采集（机器人摄像头）
• 语音识别与文本转语音
• 协调机器人动作与表情行为

所有Pipecat机器人代码位于`reachy-personal-assistant/bot`文件夹。

3.6 将所有组件连接至Reachy（硬件或模拟环境）

Reachy Mini 提供一个守护进程供系统其他组件连接。该仓库默认在模拟环境中运行守护进程（--sim）。若您拥有实体 Reachy 设备，可移除此参数，相同代码即可控制您的机器人。

3.7 运行完整系统

您需要三个终端来运行整个系统：

3.7.1 终端 1：Reachy 守护进程

cd bot # macOS: uv run mjpython -m reachy_mini.daemon.app.main --sim --no-localhost-only # Linux: uv run -m reachy_mini.daemon.app.main --sim --no-localhost-only

若使用物理硬件，请记得从命令中省略 --sim 标志。

3.7.2 终端 2：机器人服务

cd bot uv venv uv sync uv run --env-file ../.env python main.py

3.7.3 终端 3：NeMo Agent Toolkit 服务

如果 NeMo Agent Toolkit 服务尚未在步骤 1 中运行，请现在在终端 3 中启动它。

cd nat uv venv uv sync uv run --env-file ../.env nat serve --config_file src/ces_tutorial/config.yml --port 8001

所有终端配置完成后，需重点关注两个主窗口：

1. Reachy Sim – 在终端1启动模拟器守护进程时自动显示此窗口。当您使用Reachy mini模拟器替代实体设备运行时适用。
2. Pipecat Playground – 此客户端界面可用于连接智能体、启用麦克风和摄像头输入，并查看实时转录内容。在终端2中，打开机器人服务暴露的URL：http://localhost:7860/。点击浏览器中的“CONNECT”按钮。初始化可能需要几秒钟，系统将提示您授予麦克风（及可选摄像头）访问权限。

   当两个窗口均启动运行后：

   1. 客户端与代理的状态指示器应显示READY（就绪）

   2. 机器人将以欢迎语“您好，今天需要什么帮助？”开启对话

此时即可开始与您的智能助手互动！

3.8 尝试以下示例提示

以下简单提示可帮助您测试个人助理功能。您可从这些示例开始，随后添加自定义提示语观察助手的响应效果！

纯文本指令（调用快速文本模型）

• “用一句话说明你能做什么”
• “总结我刚才说的内容”

视觉指令（调用视觉语言模型）

• “我举在摄像头前的物品是什么？”
• “读取此页面的文字并进行总结”

3.9 后续探索方向

这并非“黑盒”助手，而是构建了可私有化、可定制的系统基础，您可同时掌控智能与硬件。支持本地化检查、扩展及运行，全面掌握数据流向、工具权限以及机器人的感知与行为机制。

根据您的目标，可探索以下方向：

• 性能优化：运用LLM路由器开发者示例，通过智能调度查询任务在不同模型间平衡成本、延迟与质量。
• 参阅教程，使用Nemotron开源模型构建带防护机制的语音驱动RAG智能体。
• 硬件掌控：探索Reachy Mini SDK及仿真文档，在部署至实体系统前设计并测试高级机器人行为。
• 探索并参与社区为Reachy开发的应用程序。

想立即尝试？在此部署完整环境。一键启动，即刻运行。