在人工智慧與穿戴式裝置日益融合的當下，X平台上一位名為 @_seanliu（xiaoan/Sean Liu）的開發者日前在 GitHub 上發布了一項令人矚目的開源專案：VisionClaw。這款基於 OpenClaw 開源 AI 助理專門針對 Meta Ray-Ban 智慧眼鏡量身打造，巧妙結合了 Meta Wearables SDK、Google Gemini Live API 以及 OpenClaw Gateway 三大核心技術，讓使用者能夠透過語音與視覺互動，體驗真正的隨身智慧助手。
結合智慧眼鏡 × Gemini × OpenClaw，「看的到」的隨身 AI 助理 VisionClaw
三層架構：從感知到執行的完整智慧鏈
VisionClaw 的設計採用了清晰的三層架構，將穿戴裝置的感知能力、雲端 AI 的大腦運算，以及開源工具的執行力完美串連。
- 感知層（Meta Ray-Ban）： 眼鏡相機以每秒約一張的頻率拍攝影像，麥克風則持續收錄使用者的語音指令。這些原始數據隨即被傳送至下一層進行處理。
- 大腦層（Gemini Live API）： 透過 WebSocket 連線，Gemini 能夠即時處理音訊與視覺資訊，實現毫秒級的回應速度。值得注意的是，這並非傳統的語音轉文字（STT）→ 大型語言模型（LLM）→ 語音合成（TTS）流程，而是一種更為直接的低延遲處理方式，讓對話體驗更加自然流暢 。
- 執行層（OpenClaw Gateway）： 當 Gemini 分析完使用者的需求後，會透過 Tool Calling 機制發送指令給 OpenClaw，進而調用其提供的 56 種以上 Skills 來完成實際任務。這種設計將 AI 的「思考」與「行動」有效分離，確保每一個指令都能被精準執行。
多元應用場景：生活、商務、學習一手掌握
VisionClaw 的應用潛力極為廣泛，涵蓋了日常生活的各個層面：
• 場景辨識：詢問「我在看什麼？」，Gemini 透過眼鏡相機即時辨識周圍場景並給出描述
• 訊息傳送：「傳訊息給 John 說我遲到 5 分鐘」→ 自動透過 WhatsApp 或 iMessage 完成發送
• 語音購物：「幫我買牛奶」自動加入購物清單；看到商品直接語音下單
• 演講記錄：聆聽演講或會議時，即時記錄投影片與語音，傳回電腦整理成結構化筆記
直接讓 AI 以看見的物品去亞馬遜上搜尋商品：
now my clawdbot lives in my ray-ban meta glasses so i can just buy whatever i’m looking at pic.twitter.com/gWrijyTRhE
— xiaoan (@_seanliu) February 6, 2026
iPhone 模式：降低門檻，歡迎所有人體驗
考量到並非所有使用者都擁有 Meta Ray-Ban 智慧眼鏡，VisionClaw 也特別設計了 iPhone 模式。使用者可以透過 iPhone 的鏡頭模擬眼鏡的視覺輸入，測試完整的互動流程，大幅降低了體驗門檻。
系統需求方面，VisionClaw 需要 iOS 17.0 或更高版本、Xcode 15.0 以上，以及使用者自己的 Gemini API key。OpenClaw Gateway 為可選安裝：裝了才有 56 種以上 Skills 的執行能力。
技術規格：為效率而生的音視訊處理
在音訊處理方面，VisionClaw 採用 PCM Int16 格式、16kHz 採樣率的音訊輸入，回傳則使用 PCM 24kHz 格式，確保語音互動的清晰度。視訊方面，眼鏡相機原本的 30fps 影片被降速至約每秒一張，並以 JPEG 50% 品質壓縮後傳送給 Gemini，既保留了足夠的視覺資訊，又不會造成頻寬負擔。
Tool Calling 的實現方式同樣值得關注：開發者僅需宣告一個 execute 工具，所有複雜的任務便會自動路由至 OpenClaw 處理，簡化了整體系統的擴展性與維護性。
VisionClaw GitHub
總結
VisionClaw 的開源釋出，不僅是一項開源技術成果的展示，更預告了 AI 應用開發的新範式。當硬體、雲端 AI 與開源工具能夠自由組合，每一位開發者都有機會成為下一代智慧助理的創造者。這或許正是開源精神在 AI 時代的最佳體現：打破藩籬，讓創意自由流動。我個人也很期待有公司或作者能將其產品化，也許能讓 OpenClaw 造福更多人且更好用。