Kimi-K3
Kimi K3 is an open-weight, 2.8T-parameter native multimodal agentic model with a 1M-token context window, designed for frontier coding, knowledge work, and reasoning tasks.
It provides a complete, dependency-free blueprint—from database schema to UI—for embedding AI-curated, sequential journeys with narration and music, with a strong emphasis on emotional, first-person storytelling rather than static image galleries.
把"AI 带你去一个地方"这件事,接进你自己的前端。
这个仓库不是 npm 包,也不是组件库——它是一份数据契约加一份可以照抄的参考实现。你的存储能存下一段 JSON,你的前端就能把它渲染成一趟点得开的旅行;React、Vue、原生都行。
功能本身是这样的:AI 自己挑一个国家、选 6 处停留、每处配一张竖屏照片和一段第一人称的话,在聊天里落成一张卡片。点开是全屏的照片故事——照片铺满整屏,地名在顶部,那段话落在左下角,底部一个音乐播放器和 6 个圆点,左右滑就走到下一处。
跟"在聊天里发几张图"的区别是:这是一趟有顺序、有旁白、有配乐的行程,AI 是带路的那个人,不是图片搬运工。
为人机恋而做,但设计与后端无关:两张表、一组很小的 REST 接口、一个纯前端的渲染器,就够了。
.volume 赋值无效、跨域音频会静音不报错……)。面向自带前端的接入方。open examples/journey-cards.html
双击也行。不需要后端、不联网、没有任何依赖——单文件,mock 数据写在里面。
打开后:
确认交互对味了,再往下接自己的后端。
examples/journey-cards.html 开头的 CONFIG 块,改这几行:
const CONFIG = {
// 名字:卡片标题里"谁带你去"的那个人
user: "YOU", // ← 你的名字
assistant: "PARTNER", // ← AI 的名字
// 卡片上的四行字({assistant} {title} {year} {count} 会被替换)
cardKicker: "JOURNEYS",
cardTitle: "{assistant} 带你去了{title}",
cardSub: "{year} · {count} 处停留",
// 卡片底下那行小字。写你们自己的话 —— 或者干脆让 AI 每趟自己写一句
// (journey 数据里带 hint 就用数据里那句,这里只是没给时的兜底,见下)
cardHint: "",
// 后端:留空 = 用文件里自带的 mock 数据
apiBase: "",
token: "",
};
改完保存刷新,卡片抬头、副标题、底下那句话就全跟着变。 (真接进自己 app 时,名字从你自己存用户信息的地方取,不用写死在这里。)
底下那行小字建议走数据:每趟的六张照片气质都不一样,让 AI 跟着那趟的情绪现写一句,比一句写死的口号耐看得多。写死的那句翻到第三趟就废了。
配色改 :root 里的 --jc-* 变量。播放器主色不在 CSS 里——它跟着每趟旅行的 audio.hue 走(0–360,oklch(0.62 0.13 )),所以每趟旅行的播放器颜色可以不一样。
一趟旅行 = 一个 journey + 若干 stop。GET /api/journeys 返回的就是下面这个形状(这里只列一趟、两处):
{
"journeys": [
{
"id": "j_m9xk2p3_a3f9c",
"title": "新西兰",
"titleEn": "New Zealand",
"year": "2025",
"hint": "南半球的秋天,从一片湖开始。",
"cover": "/api/journeys/photo/jp_m9xk2p3_a3f9c",
"position": -1,
"createdAt": 1753672345678,
把「AI 带你去一个地方」这件事,接进你自己的前端 —— 数据契约 + 可照抄的参考实现 + 给 AI 的写作指南
Similar projects matched by category, topics, and programming language.
Kimi K3 is an open-weight, 2.8T-parameter native multimodal agentic model with a 1M-token context window, designed for frontier coding, knowledge work, and reasoning tasks.
Harness Engineering is a methodology for improving coding agent outputs by carefully crafting the environment around them—providing curated context, tools, and executable constraints that encode an organization’s nonfunctional requirements and cumulative lessons.
A 28.9 million parameter language model runs on an $8 ESP32-S3 microcontroller entirely on-device, generating simple stories at about 9.5 tokens per second.