使用 NE503 和 Claude Code 构建边缘 AI 逗留警报

大多数 AI 编码演示仅停留在生成的 Python 代码层面。真正的嵌入式部署通常会遇到问题：错误的摄像头流无法返回可用帧，占位符模型 ID 始终无法开始推理，缺少沙盒权限会阻断运行时访问，即使构建干净，也无法证明应用确实已在硬件上运行。

我想测试一下 Claude Code 是否能从一个简单的一句话需求，真正实现一个在真实设备上运行的验证性边缘 AI 应用，而不仅仅是在仓库中生成源文件。目标平台是 CamThink NE503，这是一款内置 Hailo 加速器并配有 Web 控制台用于部署和运行时检查的边缘 AI 摄像头。

本项目的作用

该项目为 NE503 构建了一个“逗留警报”应用程序。当有人在画面中停留足够长时间后，程序将启动停留计时器，并在 10 秒后触发警报。该警报以事件形式发布到设备上，同时还会开启摄像头的白光作为物理响应。

输入要求非常简单：

有趣的是，实现这个句子在真实硬件上运行所需的一切。

真正的问题

在嵌入式硬件上构建边缘AI应用速度很慢，而缓慢的部分往往并非应用程序逻辑本身。真正脆弱的环节是那些设备特定的规则，这些规则通常从未被记录在文档中。

- 哪个流传输原始推理帧而非编码视频

- 哪个已部署的模型ID实际上在实时运行时可用

- 当解析对象未提供时，检测器输出如何编码

- 应用程序清单中的沙箱权限必须与SDK调用匹配

- 如何打包、上传、安装、启动并验证应用在设备上的运行

本项目之所以可行，是因为这些规则被编码为Claude Code技能，而不是留存在他人脑海中。

系统概览

在应用程序内部，推理流程如下：

所使用的硬件和软件

- CamThink NE503边缘AI摄像头

- 开发机器使用Docker buildx(适用于linux/arm64)

- Claude Code

- 从NE503源代码仓库自定义的ne503-dev技能

- NE503 SDK和运行时环境

- 模型：hailo_yolov8n_384_640

开始前的注意事项

- NE503必须可通过网络访问

- 设备应运行HALv2

AI运行时必须正常运行。

模型 hailo_yolov8n_384_640 必须在实时运行时注册表中被扫描并加载。

对于 ARM64 包装，开发机器上必须安装 Docker。

如果模型仅存在于磁盘上但未加载到实时运行时环境中，部署可能成功，但在推理时仍无法输出结果。

1：为 Claude 提供需求

我从一句话开始，在 Claude Code 中调用了 ne503-dev 技能。该技能将请求路由至正确的 NE503 工作流，并根据实际设备限制调整应用程序模板。

此处有三个关键决策：

- 使用真实部署的模型 ID：hailo_yolov8n_384_640

- 使用子流(sub stream)进行原始推理帧，而非编码后的主流

- 启用原始输出订阅，并直接解码检测器输出

2：生成应用程序和清单

生成的应用程序包含两个重要部分：app.py 中的推理逻辑，以及 app.yaml 中的沙箱/运行时合约。

该应用程序订阅 NE503 的推理流，将类为 0 的检测结果视为人，首次检测后启动停留计时器，并在计时器超过 10 秒后触发一次警报。

清单文件声明了对原始视频访问、推理访问、事件发布和设备灯光控制的匹配权限。如果代码与清单文件不一致，运行时沙箱将拒绝该应用程序。

3：构建与部署

ne503-dev 工作流包含一个一次性部署脚本，用于处理构建、上传、安装、启动和验证。

该脚本会生成 ARM64 包，上传到设备，完成安装并启动应用，同时检查实时推理而非仅在 API 调用成功后停止。

首次运行时，启动时间可能稍长，因为运行时需要加载图像。首次启动超时是正常现象;重新启动应用通常可解决此问题。

4：在真实硬件上验证

最终结果不仅是一个正在运行的容器。Web控制台显示了实时日志，应用程序报告了首个推理结果，约10秒后触发了滞留警报。当警报触发时，NE503的白灯按预期亮起。

•已完成3个警报周期

•平均触发时间为约10.1秒

•该会话中未记录0次误报

•每次警报都会亮起白灯

这为何值得关注

应用程序的逻辑本身很简单：整个设备工作流程实现了可重复性——需求分析、生成、打包、部署和验证。而这正是大多数编码演示所忽略的关键环节。

对于边缘AI团队而言，这种工作流程至关重要，因为实际部署中的摩擦往往源于平台隐藏的规则，而非模型代码本身。

限制

•这是一个专为NE503设计的工作流，而非适用于所有边缘AI设备的通用方案。

•演示版本使用了简化的全局停留计时器：当人超过10秒后触发一次，且在人离开时不会重置。

•该演示依赖于已加载的检测模型已在NE503运行环境中可用。

•本项目仅专注于人体检测功能。

最终成果

从一句意图中，Claude Code生成了一款可部署的NE503应用程序，并在真实硬件上完成构建、安装、启动和验证。这才是该项目的真正成果：不仅生成了代码，更实现了一个可运行的边缘AI部署路径。

本文编译自hackster.io