ESP LLM Baidu
简介
esp_llm_baidu 是 ESP LLM Service 的百度适配器，使用百度 RTC（BRTC）。创建会话前需要先同步时间。官方文档：百度 RTC。
功能清单
语音对话：
ESP_LLM_BAIDU_SCENE_VOICE_CHAT，只使用音频，不创建摄像头和显示。对话中智能体可以下发音乐 HTTP URL，应用在独立播放流上播放，并与语音混音图像理解：
ESP_LLM_BAIDU_SCENE_IMAGE_UNDERSTANDING，把摄像头画面发给云端。云端请求时抓拍一张，也可以连续发送图像生成：
ESP_LLM_BAIDU_SCENE_IMAGE_GENERATION，接收并显示云端生成的图像多模态：
ESP_LLM_BAIDU_SCENE_MULTI_MODAL，同时发送摄像头画面并显示云端生成的图像房间对讲：
ESP_LLM_BAIDU_MODE_INTERCOM，与智能体场景分开
技术拆解
esp_llm_baidu_create() 读取 esp_llm_baidu_cfg_t。先用 ESP_LLM_BAIDU_CFG_AGENT_DEFAULT() 填入默认值，再写入账号和场景。结构在 esp_llm_baidu.h。平台字符串默认值在 esp_llm_baidu_config.h，包括 workflow、llm、语言和引擎 JSON。音频、视频编码默认值在 esp_llm_baidu_defaults.h，由 Kconfig 选择。
智能体模式填写 cfg.agent.account。app_id、user_id、server_url 和 instance_id 需要设置。workflow 默认 VoiceChat，llm 默认 ernie-4.0，lang 默认 zh。license_key 可以为空字符串。场景写入 cfg.agent.scene。图像理解还要在 cfg.service.streams[] 中打开摄像头项，图像生成打开显示项，多模态两者都打开。摄像头画面默认抓拍一张。连续发送时把 cfg.vision.vision_mode 设为 ESP_LLM_BAIDU_VISION_MODE_STREAM。
音频在 menuconfig 的 Agent audio profile 中选择，默认 OPUS 16 kHz。选择 PCM 16 kHz 时，应用收发 PCM，百度库在线上使用 G.722。视频在 Video profile 中选择 JPEG 或 H.264，默认 JPEG。语音打断由 ESP_LLM_BAIDU_VOICE_INTERRUPT_ENABLE 控制，默认开启。设置 cfg.agent.engine.config_json_raw 时，用这份 JSON 替换适配器生成的引擎配置。房间对讲改用 ESP_LLM_BAIDU_CFG_INTERCOM_DEFAULT()，填写 cfg.intercom 的 app_id、server_url、room_name 和证书路径。
esp_llm_baidu_cfg_t cfg = ESP_LLM_BAIDU_CFG_AGENT_DEFAULT();
cfg.agent.scene = ESP_LLM_BAIDU_SCENE_VOICE_CHAT_CFG_DEFAULT();
cfg.agent.account.app_id = CONFIG_BAIDU_APP_ID;
cfg.agent.account.user_id = CONFIG_BAIDU_USER_ID;
cfg.agent.account.server_url = CONFIG_BAIDU_SERVER_URL;
cfg.agent.account.instance_id = CONFIG_BAIDU_INSTANCE_ID;
esp_llm_service_t *llm = NULL;
ESP_ERROR_CHECK(esp_llm_baidu_create(&cfg, &llm));
图像生成、图像理解和多模态分别使用 ESP_LLM_BAIDU_SCENE_IMAGE_GENERATION_CFG_DEFAULT()、ESP_LLM_BAIDU_SCENE_IMAGE_UNDERSTANDING_CFG_DEFAULT() 和 ESP_LLM_BAIDU_SCENE_MULTI_MODAL_CFG_DEFAULT()。链接和启动顺序见 ESP LLM Service。
应用示例
esp_llm_baidu_agent_app 在 menuconfig 中选择场景。语音对话包含音乐 URL 播放。