先弄清楚功能需求：
你自己想要得到什么需求，有什么前景，商业可能性
架构与模块设计：
与ai进行沟通。并且让ai生成一个工程项目文件夹结构
环境配置：
先自己创建一个anaconda虚拟环境
然后问一下ai需要什么环境，什么依赖，什么库
创建一个requirements.txt， 把他们都放在这里面
硬件连接与驱动检查：
设计，编写功能模块：下方为例
文件 1：audio_recorder.py (负责录音)
这个脚本负责调用麦克风录制 5 秒钟音频并保存。下达指令后，大概有 5-8 秒的空白期，。这段时间用户会很慌："它听到了吗？它死机了吗？" 所以在audio_recorder.py加入 TTS（文字转语音），让机器人在执行动作前，把它的决定说出来。
在编写文件的时候，不要使用一堆表情，给每一行适当加一些注释，告诉我这份代码的作用是什么，这个函数的作用是什么，在别的py文件中应该如何调用，调用的时候会返回什么
在主函数中调用它的时候，能够有比较友好的交互画面，提示开始录音，录音结束，并返回一段Whisper API本地版可以处理的录音。
文件2：yolo_see.py(负责查看摄像头图像中存在什么物体)
这个脚本负责查看摄像头图像中的所有物体的种类与坐标。增加坐标平滑或有效性过滤（比如剔除距离太远的噪点）。在电脑屏幕上弹出一个窗口，实时显示摄像头画面，并在物体上画框，实时显示坐标。参考recognize_return3d_grab.py，该脚本已经实现了大部分算法功能与yolo调用功能
并且编写一个函数把所有物体的像素坐标利用内参矩阵进行转换，得到这些物体在相机坐标系下的3d坐标（苹果的3d坐标，鼠标的3d坐标，电池的3d坐标。使用字典 (Dictionary) 作为数据流的核心载体，把物体的种类与3d坐标一一对应拼成一个字典，后续程序想要查坐标，直接 data['apple'] 就拿到了
在编写文件的时候，不要使用一堆表情，给每一行适当加一些注释，告诉我这份代码的作用是什么，这个函数的作用是什么，在别的py文件中应该如何调用，调用的时候会返回什么
文件 3：listen_and_think.py (负责听和想)
这个脚本封装了 OpenAI Whisper (听) 和 LLM (想)。调用 Whisper API 将音频转为文字，再把文字交给llm，llm根据yolo_see.py提供的物体字典，经过思考后应该返回一个合适的类别（比如，我有点饿，桌面上有什么可以吃的水果吗，llm应该返回苹果）。大模型有时候很罗嗦，它可能会返回："根据分析，用户想要的是 apple。" 这会导致后续程序拿不到纯净的 apple 字符串，程序会报错崩溃。强制要求 LLM 返回 JSON 格式，这样解析极其稳定。
DeepSeek API Key（或者 Kimi/OpenAI）：用于大脑思考。
OpenAI API Key（如果你用 Whisper API）：用于语音转文字。
省钱技巧：如果你不想花钱买 Whisper API，可以安装本地版 Whisper： pip install openai-whisper (注意还要安装 ffmpeg)，然后在代码里改用本地模型。
在编写文件的时候，不要使用一堆表情，给每一行适当加一些注释，告诉我这份代码的作用是什么，这个函数的作用是什么，在别的py文件中应该如何调用，调用的时候会返回什么
文件4："门字形"轨迹移动控制抓取
根据listen_and_think.py思考出来的答案（假如是苹果），获取yolo_see.py提供的字典，提取苹果的3d坐标，再通过逆运动学求解，获取对应的抓取姿态，并执行控制，抓取
增加"Home 点复位"逻辑 (Safety & Reset)
痛点：如果上一次抓取结束，机械臂停在了桌面上方很低的位置。下一次识别时，机械臂本身可能会挡住摄像头的视线（如果相机是固定的），或者在移动去下一个点时撞倒旁边的水杯。 优化：在 main.py 的循环开始或结束时，加入 "回安全点 (Home)" 的动作。
在编写文件的时候，不要使用一堆表情，给每一行适当加一些注释，告诉我这份代码的作用是什么，这个函数的作用是什么，在别的py文件中应该如何调用，调用的时候会返回什么
文件5：main.py
职责：整合所有资源，处理异常，控制流程。 核心优化：加入语音反馈，让用户时刻知道进度。
在编写文件的时候，不要使用一堆表情，给每一行适当加一些注释，告诉我这份代码的作用是什么，这个函数的作用是什么，在别的py文件中应该如何调用，调用的时候会返回什么
开始编写代码
优化工程，提高产品性能
鲁棒性+可读性+交互友好+迁移性+维护方便性+安全性
将配置参数抽离为 config.py
你的 IP 地址、API Key、相机内参、手眼标定矩阵现在散落在各个文件里。如果要换个环境演示（比如换了 wifi，IP变了），你要打开好几个文件去改，很容易漏。
纯净的数据流（你的架构）
YOLO -> Dict (字典)
YOLO 不废话，直接打包成Python字典：
数据包：{'apple': [-0.15, 0.20, 0.55], 'mouse': [0.1, 0.1, 0.4]}
优势：后续程序想要查坐标，直接 data['apple'] 就拿到了，绝对不会错。
LLM -> JSON
LLM 不废话，强制输出JSON格式：
数据包：{"target": "apple"}
优势：程序用 json.loads() 解析，直接提取出 "apple" 这个字符串，完全过滤掉"好的"、"根据分析"等废话。
Control
拿到 "apple" -> 去 Dict 里查 -> 拿到 [-0.15, 0.20, 0.55] -> 逆解 -> 运动。
优势：全程没有模糊地带，机器只处理结构化数据。