我平时爱拿电烙铁折腾，换鼠标微动这类手工活干过不少，但 ESP32 和 AI 硬件还是第一次正经研究。前段时间被一个会转头的桌面 AI 小机器人种草，做了一番功课，今天它到货了。
接下来我会开一个系列，每折腾完一件事就写一篇。这是开篇，先把选购这件事讲清楚，几十块的开发板和几百块的成品都会讲到。
一、先搞懂原理：芯片只负责听和说
ESP32 跑不动 Claude 这种大模型，真正"思考"的是云端。整套系统可以想象成一个人：
耳朵、嘴巴和手脚：ESP32 设备。负责听你说话、播放声音，有的还能转头、发红外信号。
神经：小智服务端，跑在你电脑上的一个 Python 程序，负责在耳朵、大脑和手脚之间传话。
大脑：云端的 Claude。只负责想和做决定，自己碰不到任何东西。
这里说的小智，是目前 ESP32 AI 硬件圈最火的开源项目之一，在 GitHub 上就能找到。它分成两部分：
设备固件：烧进 ESP32 里，负责录音、播放、显示表情、控制硬件。已经适配了几十种开发板，StackChan 的出厂固件底层用的也是它。
服务端：跑在电脑或服务器上，负责语音识别、调用大模型、语音合成。社区有现成的开源版本，可以自己部署，国内外很多大模型都能接。
不想自己部署的话，小智也提供官方的公共服务器，烧完固件、连上 Wi-Fi 就能直接聊，只是能选的模型有限。
一次对话大概是这样走的：
① 你说话，ESP32 用麦克风录下来，通过 Wi-Fi 发给小智。
② 小智把语音转成文字，交给云端的 Claude。
③ Claude 想好怎么回答；如果需要动手，比如转头、开空调，就让小智给设备下指令。
④ 小智把回答转成语音，发回 ESP32。
⑤ ESP32 用喇叭播出来，顺便在屏幕上显示字幕、做个表情。
不过别误会，设备能做的远不止对话：设备有什么硬件，Claude 就能用什么。摄像头能看，传感器能感受环境；舵机能转头，红外能遥控空调电视，蓝牙能控制手机。
这意味着两件事：第一，设备的算力不用追求最强，够用就行；第二，换大模型只需要改服务端配置，不用动设备。
所以选硬件时，真正要看的是：有没有麦克风和喇叭、内存够不够、带了哪些传感器和扩展接口、社区有没有现成固件。
二、先认识四个层级
逛商品页之前，先分清你买的到底是什么：
芯片：指甲盖大小的一颗，CPU、内存、Wi-Fi、蓝牙都在里面。普通人不会单买。
模组：芯片加上闪存、天线，焊在一块小铁片上，给厂家做产品用。
开发板：模组加上 USB 接口和针脚，插电脑就能烧程序，几十块钱，适合自己接线做实验。
成品：开发板再配上屏幕、喇叭、外壳、电池，拿到手就能用，价格高一些。
打个比方，ESP32 芯片就像手机里的骁龙，成品就像一台完整的手机。商品标题里写的"ESP32-S3"，多半指的是用了这颗芯片的开发板或成品。
还有一点要知道：ESP32 不像电脑那样装软件，换功能靠的是"烧录固件"，也就是把整个程序重新写进芯片里。
三、选芯片：认准 ESP32-S3
ESP32 是上海乐鑫设计的芯片，型号很多。做 AI 语音，新手直接选 S3 就不会错。
型号
特点
适不适合做 AI 语音
ESP32-S3
双核 240MHz，可外挂大内存，生态最成熟
首选
ESP32（初代）
经典老款，资料多
能用，但内存吃紧
ESP32-C 系列
便宜省电，性能较弱
适合做开关、传感器
ESP32-P4
主频约 400MHz，适合大屏和摄像头
不带 Wi-Fi，要搭别的芯片
ESP32-S31
2026 年新出，性能和无线都升级了
太新，教程和固件还少
选 S3 最大的理由不是性能，而是生态：小智等主流开源项目都围绕它做，遇到问题网上基本都能搜到答案。
四、按预算分三档
三档都能玩 AI，差别在你要自己动手做多少事。下面价格是我做功课时看到的大概区间，以实际售价为准。
档位
大概价格
买什么
你需要做的
适合谁
入门
几十元
ESP32-S3 N16R8 裸板，另配麦克风、喇叭模块
自己接线、可能要焊接、烧固件
爱动手、想搞懂底层的人
进阶
一两百元
小智已适配的带屏开发板
烧录现成固件、配网
想快速体验 AI 对话的人
成品
几百元
StackChan、乐鑫 EchoEar 这类桌面机器人
开箱即用，想深度定制再刷机
想要外观、动作和陪伴感的人
这三档跑的是同一套原理，后面系列里讲的服务端教程，三档都能用。
五、品牌和购买渠道
前面说过，芯片只有乐鑫一家在做，大家比较的其实是用这颗芯片做开发板和成品的品牌：
乐鑫官方：芯片原厂出的开发板，最权威、兼容性最好，但偏裸板。
M5Stack：做成品最出名，外壳精致、即插即用，价格偏高。StackChan 就是它家的。
Seeed（矽递）：做开源硬件的老牌公司，拇指大小的 XIAO 系列很受欢迎。
微雪：带屏开发板种类最多，性价比高。
正点原子：中文教程和视频特别详细，适合零基础跟着学。
立创：主打便宜和开源，很多 DIY 项目用的就是它家的板子。
这几家在淘宝都有店，但直接搜名字，出来的不一定是官方店。最稳妥的办法是打开品牌官网，在页面底部的购买渠道里点淘宝链接跳过去。
六、除了设备，还要准备什么
很多人以为买回设备就完事了，其实还差两样东西。
一台跑服务端的机器
前面说的"服务器"不用专门去买，一开始用你自己的电脑就行，装个 Docker 跑开源的小智服务端，设备和电脑连同一个 Wi-Fi。缺点是电脑得开着。想 24 小时随叫随到，再把服务端搬到树莓派、NAS 或云服务器上。
一个大模型的 API Key
想接 Claude、Grok 这些模型，需要去对应平台申请 API Key，按用量付费，日常聊天花不了多少钱。国内用户如果申请不到 Claude 的 API，可以先用 DeepSeek、通义千问这类国内大模型把流程跑通，小智都支持。不想花钱的话，也可以先用小智的官方服务器体验，只是能选的模型有限。
七、避坑清单
认准 S3：商品标题里只写"ESP32"的，多半是初代或 C 系列，做语音会很吃力。
要带 PSRAM：型号里 N16R8 的意思是 16MB 闪存加 8MB PSRAM，R 后面没数字的就是没有外挂内存，跑语音容易爆内存。
先查小智适配列表：买之前去小智的 GitHub 仓库看看有没有这块板子，有的话烧录现成固件就能用，没有就得自己改代码。
没有麦克风和喇叭做不了语音：有些带屏小设备很好看，但只能显示，比如部分旋钮屏。
不用为本地 AI 芯片多花钱：大模型在云端，带 AI 加速芯片、能本地跑模型的设备更贵，对这种玩法来说用不上。
成品和实验板分开买：成品的引脚大多被屏幕、舵机占用了，想接线做硬件实验，另买一块几十块的开发板更划算，也不心疼。
成品不等于完美：成品机器人的出厂固件往往功能有限，想深度玩还是要刷机和自建服务端。
八、我为什么选了 StackChan
先说清楚：自己掏钱买的，699 元，没有任何合作。
我最后在 StackChan、M5Stack Tab5 和 Sipeed MaixCAM2 之间纠结了很久。Tab5 屏幕大，MaixCAM2 跑 Linux、摄像头强，但我第一眼被打动的是一个会转头、有表情的小家伙，这种陪伴感另外两台给不了。
它的配置、能玩出什么花样，下一篇详细说。
总结
✅ 设备只负责听和说，大脑在云端，算力够用就行
✅ 芯片认准 ESP32-S3，型号带 R8 这种 PSRAM 标记
✅ 几十块裸板、一两百带屏板、几百块成品，三档跑的是同一套原理
✅ 买之前先查小智适配列表，有现成固件省一半事
💡 最重要的坑：标题只写"ESP32"不写 S3 的别买，做语音会很吃力