纯语音文字记录可能还得依附于另一个应用，透过其做日内整理，单纯的规划和辅助用的 Agent 单纯基于 asr 准确度不太高并且信息传达效率上可能也会有些问题，比较致命的还是即时响应的耗时上，说话 -> ASR -> 意图分析 -> 命令执行 or 回复，整个过程下来至少需要 10s 😳