Người mới làm quen ESP32 như thế nào? Chip, dự án mã nguồn mở và bo mạch, giải thích rõ ràng trong một bài

Link bài viết gốc： https://x.com/xiaomovps/status/211235712...

Tiểu Mặc Đồng Học · X · @xiaomovps · 2026-10-20 09:35

Bài viết này được chia sẻ lại, bản quyền thuộc về tác giả gốc, toàn văn căn cứ theo link bài gốc

Dạo gần đây trên X tràn ngập các món đồ nhỏ làm từ ESP32: robot để bàn biết trò chuyện, bộ đàm AI bấm để nói, bo mạch nhỏ thay AI chạm màn hình điện thoại.

Muốn tự mình tậu một chiếc, mở app mua sắm lên tìm kiếm thì thấy hàng trăm kết quả, sau tên gắn liền với S3, C6, N16R8; lên GitHub tìm dự án thì cái nào cũng hot.

Ngày 12 tháng 10, tôi đã đặt mua một bo mạch Lập Sáng Thực Chiến Phái ESP32-S3, trong một tuần từ việc nạp firmware Tiểu Trí cho đến việc làm một trợ lý duyệt việc để bàn cho Pi. Trong hơn hai mươi bài đăng tuần này, bài được lưu lại nhiều nhất không phải là bài thực hành của tôi, mà là “cách chọn model thế nào”, “tổng hợp các dự án mã nguồn mở”, “danh sách tài nguyên học tập”. Điểm nghẽn của người mới bắt đầu hầu như đều nằm ở chữ “chọn”.

Vì vậy, bài viết này chỉ làm rõ một điều duy nhất: Chọn ESP32: trước tiên hãy xác định rõ mình muốn làm gì, sau đó chọn dự án mã nguồn mở, và cuối cùng để dự án quyết định nên mua bo mạch nào.

Muốn làm gì → Chọn dự án mã nguồn mở → Mua bo mạch theo dự án

Xin đặt kết luận ở ngay đây trước, các chương sau đều nhằm triển khai chi tiết kết luận này:

• Trợ lý để bàn biết trò chuyện : Hãy thử Tiểu Trí AI trước, chọn bo mạch S3 từ danh sách hỗ trợ của Tiểu Trí, hoặc mua trực tiếp sản phẩm Tiểu Trí hoàn thiện trên Taobao;
• Nhà thông minh : Hãy thử ESPHome trước, bo mạch phát triển ESP32 thông thường, C3, C6 đều được;
• Trang bị một cơ thể cho Agent của bạn : Tùy thuộc vào Agent bạn đang dùng, Muse Gadgets, Hermes Gadget SDK, pi-buddy đều có thể dùng bo mạch phát triển S3, trong đó pi-buddy chỉ hỗ trợ Lập Sáng Thực Chiến Phái;
• Robot để bàn biết quay đầu : Groki Bot, cần M5Stack CoreS3 cộng thêm đế Stack-chan;
• Để AI điều khiển điện thoại : esp32-iphone-agent, tác giả sử dụng Seeed XIAO ESP32S3;
• Kính AI : Omi Glass, cần phần cứng đi kèm như XIAO ESP32-S3 Sense.

Muốn chơi AI, hãy nhắm chuẩn ESP32-S3 N16R8, người mới bắt đầu từ Tiểu Trí.

Mức giá trong bài được ghi nhận vào giữa tháng 10 năm 2026, số sao của các dự án mã nguồn mở được thống kê trên GitHub tính đến ngày 19 tháng 10, về sau đều sẽ thay đổi, hãy lấy thông tin thực tế bạn thấy làm chuẩn. Hàn mạch, viết driver, làm vỏ case, bài này đều không đề cập đến.

1. ESP32 là gì? Tiểu Trí là gì?

ESP32: Một con chip giá rẻ, có khả năng kết nối mạng

ESP32 là một dòng chip do Espressif ra mắt, đặc điểm lớn nhất là giá rẻ, lại tích hợp sẵn Wi-Fi và Bluetooth. Chỉ với hai ba mươi tệ là bạn đã có thể mua được một bo mạch phát triển, trên đó có sẵn một hàng chân cắm, có thể nối với đèn, cảm biến, động cơ.

Trước đây nó chủ yếu được dùng trong nhà thông minh: ổ cắm thông minh, nhiệt ẩm kế, tưới hoa tự động. Giờ đây nó có thêm một cách dùng mới: nó có thể truyền âm thanh, hình ảnh và tín hiệu nút bấm đến mô hình lớn (LLM), rồi chuyển câu trả lời của model thành giọng nói, biểu cảm hoặc một hành động.

Các cách chơi phổ biến gồm có ba nhóm:

• Nhà thông minh : Kết nối đèn, rơ-le, cảm biến nhiệt độ - độ ẩm, làm công tắc thông minh, hệ thống tưới cây tự động, bảng điều khiển nhà thông minh;
• Trợ lý giọng nói AI : Kết nối micro, loa, màn hình, làm robot để bàn có thể trò chuyện cùng bạn;
• Robot và xe mô hình : Kết nối motor, servo, camera, làm xe điều khiển từ xa, robot để bàn biết quay đầu.

Ba nhóm này có thể kết hợp với nhau, nhưng trước tiên hãy chọn một nhóm làm điểm xuất phát. Việc chọn chip, chọn dự án, mua bo mạch ở phần sau đều bắt đầu từ đây.

Tại sao lại là lúc này? Agent bắt đầu có cơ thể

Trước đây dùng ESP32 làm đồ chơi giọng nói, phần trả lời câu hỏi là một mô hình lớn (LLM) thông thường. Từ tháng 10 trở đi, nó đã được kết nối trực tiếp với Agent cá nhân.

Ngày 2 tháng 10, Meta đã mã nguồn mở Muse Gadgets, ESP32-S3 chỉ cần nạp firmware chính thức là có thể biến thành thiết bị bộ đàm bấm-để-nói cho Muse. Khoảng ngày 4 tháng 10, cộng đồng đã tạo ra Hermes Gadget SDK, chỉ cần nhấn giữ để nói, câu hỏi sẽ được gửi thẳng đến Hermes Agent do chính bạn triển khai. Cũng trong tuần đó, hàng loạt dự án cho phép ESP32 thay AI thao tác trên iPhone đã xuất hiện.

Muse là trợ lý AI cá nhân của Meta, chỉ cần cài ứng dụng điện thoại là dùng được; Hermes Agent là Agent cá nhân mã nguồn mở của Nous Research, triển khai trên máy tính hoặc máy chủ của riêng bạn, có thể tùy ý đổi mô hình lớn (LLM), lại có khả năng ghi nhớ bạn và tự tích lũy kỹ năng.

Agent không còn chỉ sống trong terminal và khung chat nữa. Một bo mạch giá vài chục tệ giờ đây có thể trở thành đôi tai, cái miệng và bàn tay của nó.

Tiểu Trí: Cái tên không thể bỏ qua trong giới này

Khi tìm hiểu các dự án AI của ESP32, gần như ở đâu bạn cũng sẽ bắt gặp “Tiểu Trí”. Đây là một giải pháp giọng nói AI mã nguồn mở, kho lưu trữ GitHub 78/xiaozhi-esp32, tính đến ngày 19 tháng 10 có khoảng 31,5 nghìn sao, giấy phép MIT. Ra mắt mã nguồn mở vào tháng 8 năm 2024, chỉ sau hơn một năm đã nhận được sự quan tâm gấp mười mấy lần so với framework giọng nói chính thức esp-adf của Espressif (khoảng 2.300 sao).

Vị trí của nó trong hệ sinh thái tương đương với một nền tảng chung. Rất nhiều robot AI thành phẩm đều nạp firmware này, việc phát triển tùy biến của nhiều người cũng bắt đầu sửa đổi từ nó, và pi-buddy của tôi cũng không ngoại lệ.

Tiểu Trí được chia thành ba tầng, mỗi tầng đều có thể thay thế độc lập:

Firmware : Nạp vào bo mạch, đảm nhiệm việc ghi âm, phát âm thanh, hiển thị màn hình và đánh thức, chỉ cần dùng firmware có sẵn do 78/xiaozhi-esp32 phát hành là được.

backend : Chịu trách nhiệm nhận dạng lời bạn nói, gọi mô hình lớn (LLM), tổng hợp giọng nói. Bạn có thể dùng bản được host chính thức xiaozhi.me, hoặc dùng server mã nguồn mở xinnan-tech/xiaozhi-esp32-server (khoảng 10,9 nghìn sao) để tự dựng.

Mô hình lớn : Phần thực sự quyết định sẽ trả lời như thế nào. Trong trang quản trị backend có thể chọn Qwen, DeepSeek, v.v., nếu tự dựng backend bạn còn có thể kết nối với Agent của riêng mình.

Bo mạch, backend và mô hình lớn (LLM) là ba phần có thể lựa chọn độc lập. Bo mạch quyết định nó có thể nghe, nhìn, hiển thị những gì; backend quyết định dữ liệu đi qua máy chủ của ai; mô hình lớn (LLM) quyết định nó có thông minh hay không. Khi mua bo mạch, bạn chỉ cần quan tâm đến điều thứ nhất, hai điều sau nạp xong rồi vẫn có thể thay đổi bất cứ lúc nào.

Chưa có bo mạch bạn vẫn có thể trải nghiệm trước: py-xiaozhi (khoảng 3.500 sao) có thể chạy một client Tiểu Trí ngay trên máy tính.

2. S3, C3, C6... Nên chọn chip nào?

Nhận diện các dòng chip trước

Mới đầu nghiên cứu, tôi cứ nghĩ ESP32 chỉ là một bo mạch phát triển đơn lẻ. Tìm hiểu kỹ mới nhận ra nó là cả một gia đình dòng chip, mỗi model lại có thế mạnh hoàn toàn khác nhau:

• ESP32 bản cổ điển : Có cả Wi-Fi, Bluetooth cổ điển và BLE, hệ sinh thái trưởng thành nhất, thích hợp để học điều khiển cảm biến và động cơ;
• ESP32-C3 : Chi phí thấp, tiêu thụ điện năng thấp, thích hợp cho công tắc thông minh, đèn LED và các thiết bị IoT đơn giản;
• ESP32-S3 : Lõi kép 240MHz, có tập lệnh tăng tốc tính toán AI, các trợ lý giọng nói AI và nhận diện camera hầu như đều dùng dòng này;
• ESP32-C6 : Hỗ trợ Wi-Fi 6, Zigbee và Thread, phù hợp cho nhà thông minh chuẩn Matter;
• ESP32-C5 : Wi-Fi 6 băng tần kép 2.4GHz và 5GHz, thích hợp cho các thiết bị yêu cầu kết nối không dây cao hơn;
• ESP32-H2 : Zigbee và Thread năng lượng thấp, không có Wi-Fi, thích hợp làm node tiêu thụ năng lượng thấp trong nhà thông minh;
• ESP32-S31 và P4 : Dòng nâng cao với hiệu năng cao hơn, thích hợp cho tương tác màn hình phức tạp, thị giác máy tính và edge AI.

Khi chưa chắc chắn, bạn hãy vào công cụ chọn sản phẩm trên trang chủ Espressif, tích chọn vài model để so sánh thông số kỹ thuật.

ESP32-S31 là con chip mới được Espressif công bố vào tháng 3 và sản xuất hàng loạt vào tháng 7 năm nay, lõi kép RISC-V, xung nhịp 320MHz, có Wi-Fi 6, Bluetooth 5.4 và cổng Ethernet. P4 có hiệu năng mạnh hơn nhưng bản thân nó không có kết nối không dây, phải phối hợp với chip khác mới có thể kết nối mạng.

Đối chiếu theo việc bạn muốn làm

Nếu chỉ bật tắt đèn, nối cảm biến để nhập môn trước thì chọn C3; làm nhà thông minh và Matter thì chọn C6; các dự án thị giác phức tạp và màn hình lớn thì mới cân nhắc tới S31, P4.

Muốn chơi AI, cơ bản là chọn S3. Những dự án AI liệt kê ở đầu bài hầu như đều chạy trên S3, đại đa số các bo mạch mà Tiểu Trí hỗ trợ cũng là S3. Bạn không cần phải chạy theo model mới nhất, quan trọng nhất là làm ra được dự án chạy được.

3. Muốn làm gì, hãy bắt đầu từ dự án đó

Xác định được chip rồi, nhưng đừng vội đặt hàng ngay. Mỗi dự án đều có danh sách phần cứng riêng, cùng là S3 nhưng dự án này chạy được thì đổi sang dự án khác có thể lại không hỗ trợ. Hãy chọn xong dự án trước, rồi hẵng mua bo mạch theo đúng danh sách phần cứng của nó.

Trợ lý để bàn biết trò chuyện: Tiểu Trí

Nếu bạn muốn một trợ lý để bàn biết trò chuyện bằng giọng nói, màn hình có biểu cảm, lại có thể giúp bạn điều khiển vài thứ, hãy dùng ngay Tiểu Trí. Nó có thể đánh thức bằng giọng nói, đối thoại thời gian thực, kết nối các mô hình lớn (LLM) như Qwen, DeepSeek, đồng thời có thể thông qua giao diện chuẩn MCP để điều khiển đèn, động cơ và các công cụ trên máy tính.

Đây là hình ảnh sau khi tôi đã nạp firmware Tiểu Trí, đổi từ khóa đánh thức thành “Chào Claude”, và thay biểu cảm thành quái vật pixel. Gói tài nguyên này tôi đã mở mã nguồn: xiaozhi-claude-pixel , bo mạch cùng model có thể dùng trực tiếp.

Trước khi đặt mua, hãy vào danh sách hỗ trợ của nó để tìm bo mạch của bạn. Danh sách đó nằm trong thư mục main/boards thư mục, chia folder theo nhà sản xuất, Espressif, M5Stack, Lập Sáng, Waveshare, LILYGO đều có ở đó. Bo mạch Lập Sáng Thực Chiến Phái của tôi nằm ở lckfb/szpi-esp32s3. Các bo mạch có trong danh sách thì trang release đã có sẵn firmware, không cần tự biên dịch.

Backend trước mắt cứ dùng của bên chính thức. xiaozhi.me đăng ký là dùng được miễn phí ngay, model cũng đủ để chọn. Muốn kết nối model riêng hoặc Agent riêng của mình thì hãy dùng server mã nguồn mở để tự dựng.

Tôi đã để Claude Code làm theo tài liệu dự án để triển khai bằng Docker ngay trên chiếc server đang chạy Hermes Agent, cài xong thì quản lý thiết bị, persona và model trên giao diện web. Trước khi tự dựng, bạn hãy cân nhắc kỹ 3 điều:

• Máy chủ : Image chính thức chỉ hỗ trợ x86, server ARM phải tự biên dịch image. Server đặt ở nước ngoài vẫn dùng được, thỉnh thoảng nhả chữ sẽ hơi giật lag;
• Đổi địa chỉ : Bo mạch mặc định kết nối tới server chính thức, bạn cần vào mục "Tùy chọn nâng cao" trên trang cấu hình mạng để đổi địa chỉ OTA sang server của mình;
• An toàn : Backend chạy trên mạng công cộng, sau khi triển khai hãy đổi ngay mật khẩu mặc định, trang quản trị đừng để lộ trực tiếp ra ngoài, secret key chỉ nên lưu trong cấu hình server.

Nhà thông minh, kính và thú bông

Nếu không muốn làm trợ lý giọng nói, các hướng đi sau cũng đã có những dự án hoàn thiện:

• ESPHome (khoảng 11,9 nghìn star) : Dùng cho nhà thông minh. Sử dụng YAML để cấu hình cảm biến, đèn và rơ-le, kết nối vào Home Assistant, các bo mạch phát triển ESP32, C3, C6 thông thường đều có thể dùng được;
• Omi Glass : Làm kính AI góc nhìn thứ nhất, cần trang bị phần cứng như XIAO ESP32-S3 Sense. Con số 13,8 nghìn star bạn thường thấy là của toàn bộ repo Omi, kính chỉ là một dự án con trong đó;
• ElatoAI (khoảng 2.060 star) : Chuyên làm thú bông AI biết nói, dùng ESP32-S3, linh kiện cụ thể bạn cứ mua theo danh sách trong README của dự án;
• Espressif esp-adf, esp-sr, esp-skainet : Các framework tầng dưới chính thức, rất vững chắc nhưng phải tự viết code, kết hợp với bo mạch phát triển chính thức của Espressif là tiện nhất.

Có một dự án nên tránh: openai-realtime-embedded của OpenAI (khoảng 1.580 star), lần cập nhật cuối dừng lại vào tháng 3 năm 2025, hiện đã ngừng bảo trì.

Các giải pháp giọng nói mã nguồn mở trên 400 star trên GitHub, ngoài Xiaozhi ra cũng chỉ có khoảng 8 dự án. Nếu phân vân thì cứ chọn Xiaozhi, cộng đồng lớn nhất, khi gặp lỗi cũng dễ tìm kiếm câu trả lời nhất.

Gắn một "cơ thể" cho Agent của bạn

Đây là cách chơi mới nhất trong làn sóng này. Các dự án đều rất mới, hãy chọn dự án tương ứng với Agent bạn đang dùng:

• Đang dùng Muse, thử Muse Gadgets (khoảng 2.290 star) : Rào cản thấp nhất. Meta phát hành mã nguồn mở chính thức, giấy phép Apache-2.0, nạp firmware chính thức cho ESP32-S3, lấy một SDK token trên backend của Muse là có thể ghép đôi với app Muse trên điện thoại, Raspberry Pi và Linux cũng chạy được;
• Đã tự triển khai Hermes, thử Hermes Gadget SDK (khoảng 410 star) : Giấy phép MIT, nhấn giữ để nói, thiết bị phản hồi trực tiếp bằng giọng nói, thậm chí còn có thể trả lời các câu hỏi xác nhận và nhận card trên thiết bị. Đi kèm trình giả lập trên desktop, chưa có bo mạch cũng có thể thử trước, với điều kiện bạn đã có một Hermes đang chạy, nhận dạng và tổng hợp giọng nói cũng đã được cấu hình xong;
• Đang dùng Pi, thử pi-buddy : Dự án do chính tôi tự làm, cần bo mạch Lập Sáng Thực Chiến Phái ESP32-S3 và một máy Mac, tôi sẽ nói chi tiết ở cuối bài viết;
• Đang dùng Grok Bot, thử Groki Bot (khoảng 140 star) : Phần cứng là M5Stack CoreS3 kết hợp đế Stack-chan, loại rẻ cũng phải tầm ba đến năm trăm tệ. Chạm vào nó sẽ có biểu cảm phản hồi, khi bạn di chuyển, nó dựa vào camera của Mac để nhận diện khuôn mặt và quay đầu dõi theo bạn. Hiện tại có thể dùng trực tiếp giọng nói gốc tích hợp sẵn của app Grok Bot, tuy nhiên giọng nói gốc hiện chỉ hỗ trợ macOS.

Để AI thao tác trên điện thoại

Hướng đi này phù hợp hơn để tham khảo ý tưởng, chứ để dùng hàng ngày thì vẫn còn quá sớm:

• esp32-iphone-agent (khoảng 3.200 star) : Giấy phép MIT, không cần jailbreak, phiên bản mới nhất khi chạy không cần đến máy tính. Bo mạch phát triển đóng vai trò làm mắt và tay: nó phát một điểm phát sóng hotspot, iPhone dùng tính năng "Phản chiếu màn hình" để truyền màn hình sang nó, rồi nó truyền tiếp hình ảnh qua Bluetooth tới app trên cùng chiếc iPhone đó; app chụp màn hình gửi cho model thị giác để quyết định bước tiếp theo; bo mạch cắm vào iPhone được nhận diện như chuột và bàn phím, click chuột chính là chạm vào màn hình. Tác giả sử dụng Seeed XIAO ESP32S3, giá khoảng 7 USD. Nhược điểm là chậm, mỗi bước đều phải gọi model thị giác một lần, đều tốn token; lần đầu nạp bo mạch và cài app, bạn vẫn phải mượn một chiếc Mac đã cài sẵn Xcode;
• anan-iphone-use (khoảng 120 star) : Ý tưởng ngược lại, Agent chạy trên iPhone và tự chụp màn hình, còn ESP32 (M5Stack StopWatch) thay nó thao tác click và vuốt. Giấy phép GPL-3.0, cần lưu ý nếu muốn dùng cho mục đích thương mại; đầu vào Bluetooth vẫn đang ở giai đoạn thử nghiệm, chính tác giả cũng nói "rất ngầu nhưng không có tác dụng gì nhiều".

Số lượng star chỉ nói lên việc có người quan tâm

Mỗi dự án ở trên đều được ghi chú số star, nhưng nó chỉ giúp bạn khám phá dự án chứ không thể phán đoán thay bạn. Khi chọn dự án, hãy xem xét thêm 3 yếu tố sau: Gần đây còn cập nhật hay không, danh sách phần cứng có bo mạch của bạn không, và giấy phép có cho phép mục đích sử dụng của bạn không.

IV. Mua bo mạch theo dự án: Trước tiên hãy hiểu rõ N16R8

Chuỗi ký tự phía sau tên gọi

Cùng mang tên ESP32-S3, nhưng bo mạch phát triển giá vài chục tệ và vài trăm tệ có thể khác biệt một trời một vực. Điểm đáng chú ý nhất trong tên sản phẩm chính là chuỗi ký tự này:

N16 : 16MB Flash, tương đương ổ cứng, dùng để lưu firmware, biểu cảm và model từ đánh thức.

R8 : 8MB PSRAM, tương đương bộ nhớ RAM mở rộng, dùng trong lúc vận hành.

Khi chạy các giải pháp giọng nói AI như Xiaozhi, hãy chọn đúng ESP32-S3 N16R8 . Cùng tầm giá cũng có các bo mạch N4 hoặc hoàn toàn không có PSRAM, nạp firmware vào vẫn khởi động được, nhưng hễ thêm biểu cảm và từ đánh thức là thiếu bộ nhớ, liên tục khởi động lại, hãy nhìn kỹ phần hậu tố trước khi đặt mua.

Còn một từ rất dễ bị bỏ qua: Kiểu bo mạch . Cùng là S3, nhưng màn hình, micro và sơ đồ nối dây của các bo mạch khác nhau đều không giống nhau, dự án phải được tối ưu riêng cho nó thì mới dùng được. Đó là lý do tại sao bạn cần kiểm tra danh sách hỗ trợ trước, chứ không phải chỉ nhìn vào mã chip.

3 hướng đi, hãy tự chọn hướng phù hợp với mình

• DIY bằng breadboard, 50 đến 80 tệ : Phù hợp cho người muốn hiểu rõ nguyên lý, sẵn sàng bỏ thời gian cắm dây;
• Xiaozhi thành phẩm, 60 đến 100 tệ : Phù hợp cho người chỉ muốn trải nghiệm, hoặc mua để làm quà tặng;
• Bo mạch phát triển tích hợp, trên 100 tệ : Phù hợp cho người muốn phát triển mở rộng, kết nối Agent của riêng mình.

Muốn học nguyên lý thì chọn breadboard, muốn tiện lợi thì chọn thành phẩm, muốn vọc vạch nhiều trò hay ho thì chọn thẳng bo mạch tích hợp.

DIY bằng breadboard: Học nguyên lý, rào cản nằm ở khâu nối dây

Tự mua các linh kiện rời rồi cắm lên breadboard. Một bộ đầy đủ sẽ gồm những thứ này:

• Bo mạch phát triển ESP32-S3 N16R8 : 25 đến 36 tệ;
• Micro INMP441 : 4 đến 9 tệ;
• Mạch khuếch đại công suất MAX98357A : 3 đến 6 tệ;
• Loa : tầm 5 tệ;
• Màn hình OLED 0,96 inch và breadboard : mười mấy tệ.

Trong cộng đồng có người đặt mua thực tế cả phí vận chuyển hết 48 tệ, còn danh sách bản giá rẻ tối giản được lan truyền rộng rãi là 64 tệ. Bạn chỉ cần cắm dây Dupont theo đúng bảng sơ đồ nối dây chính thức của Xiaozhi là được, không cần hàn, nhớ mua loại micro đã hàn sẵn chân cắm header. Cắm nhầm một sợi dây là mất tiếng ngay, rất thích hợp cho những ai thích mày mò vọc vạch.

Xiaozhi thành phẩm: Tiện lợi, nhưng trước tiên hãy hỏi rõ về backend

Xiaozhi thành phẩm trên Taobao có giá thông thường từ 60 đến 100 tệ, có sẵn màn hình, pin và vỏ bảo vệ, nhận hàng là có thể trò chuyện được ngay. Có người áp nhiều mã giảm giá chỉ mất 35 tệ là mua được, còn rẻ hơn tự mua linh kiện rời.

Trước khi đặt mua, hãy hỏi rõ 2 điều: Chip có phải là S3 N16R8 không, và dịch vụ backend do ai duy trì bảo trì. Backend mà dừng hoạt động thì thiết bị chỉ còn trơ lại cái vỏ. Hàng thành phẩm thường không tiện để phát triển mở rộng, nếu muốn kết nối Agent riêng của mình thì đừng chọn con đường này.

Bo mạch phát triển tích hợp: Con đường tôi chọn

Bo mạch phát triển tích hợp gom cả màn hình, micro, loa và camera lên trên cùng một bo mạch, mang lại không gian phát triển mở rộng lớn nhất.

Tôi mua bo mạch Lập Sáng Thực Chiến Phái ESP32-S3, mã hiệu LCKFB-SZPI-ESP32-S3-VA, giá tháng 10 trên website chính thức là 148 tệ, đơn hàng đầu cho người dùng mới giảm 20 tệ, về tay còn 128 tệ.

• Chip : ESP32-S3, 2 nhân 240MHz, 16MB Flash kèm 8MB PSRAM;
• tương tác : Màn hình cảm ứng 2 inch, micro kép, loa 1W;
• Nhận thức : Camera 0,3 megapixel, cảm biến tư thế;
• Giao diện : Type-C, chỉ cần cắm cáp dữ liệu là vừa cấp nguồn vừa nạp firmware được.

Nó nằm ngay chính giữa 3 hướng đi: đắt hơn hàng thành phẩm, nhưng tùy biến được; đắt hơn breadboard, nhưng không phải cắm dây. Điều tôi coi trọng là các hướng đi liệt kê ở phần đầu nó đều chạy tốt. Xiaozhi, backend tự dựng, pi-buddy đều hỗ trợ nó; sơ đồ nguyên lý cùng code mẫu tiếng Trung cũng đều là mã nguồn mở.

Mở hộp ra rất gọn gàng: một bo mạch chính nhỏ kèm vài sợi dây Dupont. Bạn nên tiện tay sắm thêm một thẻ SD, bộ nhớ Flash trên bo mạch không lớn, sau này muốn lưu âm thanh và video sẽ tiện hơn rất nhiều.

Không nhất thiết phải mua của Lập Sáng (LCEDA). M5Stack, Espressif ESP-BOX, Waveshare cũng đều nằm trong danh sách hỗ trợ của Xiaozhi, hãy tùy theo dự án bạn chọn mà quyết định.

Khi ESP32 không đủ dùng

Nếu muốn nghiêm túc làm AI thị giác cục bộ (on-device), ví dụ như nhận diện vật thể, giám sát thông minh, robot thị giác, thì sức mạnh tính toán của ESP32 sẽ không còn đủ nữa. Lúc này bạn có thể tham khảo MaixCAM2 của Sipeed.

Nó không phải là ESP32 mà dùng chip Axera AX630, chạy Linux, tương đương một chiếc mini PC: RAM 1GB hoặc 4GB, sức mạnh tính toán NPU đạt 3.2 TOPS (INT8), camera 4K, hỗ trợ lập trình Python và suy luận offline với YOLO. Bo mạch này phù hợp với dân chơi nâng cao; còn nếu chỉ muốn trải nghiệm kết nối AI với phần cứng thì 3 hướng đi ở trên đã hoàn toàn đủ rồi.

5. Bo mạch về rồi, tuần đầu tiên nên bắt đầu thế nào?

Lộ trình an toàn, khó gặp lỗi

Đừng cố làm hết mọi thứ ngay trong ngày đầu tiên. Cứ đi theo thứ tự sau, lỗi ở đâu cũng dễ tìm ra nguyên nhân:

• Nhận diện bo mạch trước : Cắm vào máy tính, xác nhận bo mạch được nhận diện, thông số chip và Flash khớp với trang bán hàng;
• Tiếp theo nạp firmware Xiaozhi : Nạp xong trước tiên hãy dùng backend chính thức để trò chuyện vài câu;
• Rồi đổi diện mạo : Đổi tên, giọng nói, biểu cảm và từ đánh thức (wake word);
• Cuối cùng mới kết nối Agent : Khi còn sức và thời gian, hãy tự dựng backend và kết nối với Agent của riêng bạn.

Ba bước đầu tiên, chỉ một dịp cuối tuần là hoàn thành. Mọi lệnh đều có thể giao cho Claude Code thực hiện, bản thân tôi trong suốt quá trình không hề viết một dòng code nào. Lúc bắt đầu, bạn có thể gửi trực tiếp đoạn prompt này:

Tôi vừa mua một bo mạch phát triển ESP32-S3, model là 【model bo mạch của bạn】, muốn nạp firmware Xiaozhi AI: https://github.com/78/xiaozhi-esp32Trước tiên hãy đọc README và thư mục main/boards của dự án để xác nhận xem bo mạch của tôi có trong danh sách hỗ trợ không, rồi cho tôi biết nên tải firmware nào.Trước khi làm, hãy sao lưu toàn bộ firmware gốc của bo mạch; trước mỗi bước thực thi, hãy thông báo trước cho tôi biết bạn sắp chạy lệnh gì.

Trước khi kết nối với Agent của riêng bạn, hãy chuẩn bị tâm lý trước. Khi tôi kết nối bo mạch vào Hermes Agent của mình, nói xong một câu phải chờ 5 đến 10 giây mới có phản hồi. Nguyên nhân là do tôi nối các khâu theo kiểu tuần tự: thu âm xong cả câu mới nhận diện, nhận diện xong mới gửi cho model, model sinh xong text mới tổng hợp giọng nói, tổng hợp xong mới phát. Xiaozhi chính thức phản hồi tức thì được là nhờ luồng xử lý streaming: khâu nào vừa xử lý vừa đẩy tiếp xuống khâu sau.

Hãy xác nhận bo mạch và mạng ổn định trước, sau đó mới đổi backend, cuối cùng mới chuyển sang Agent của mình, mỗi lần chỉ thay đổi một mắt xích.

Khi nào thì cần tra cứu tài liệu?

Đi theo hướng Xiaozhi, ba bước đầu tiên bạn sẽ không cần dùng đến tài liệu lập trình. Đến khi bạn muốn tự viết chương trình hoặc gắn thêm cảm biến, hãy xem những tài liệu này:

• Tài liệu bo mạch : Ai mua bản Thực Chiến Phái thì xem trước Tài liệu chính thức Lập Sáng Thực Chiến Phái S3 , sơ đồ nguyên lý và code mẫu tiếng Trung đều mở mã nguồn hoàn toàn;
• Hướng dẫn nhập môn : Lần đầu tự viết chương trình, hãy bắt đầu từ Arduino-ESP32 (khoảng 17,6 nghìn star) và Random Nerd Tutorials ;
• hướng dẫn chính thức : Nếu muốn nghiêm túc phát triển sản phẩm, hãy xem Hướng dẫn lập trình ESP-IDF (có bản tiếng Trung) và kho lưu trữ ESP-IDF (khoảng 19,3 nghìn star), rào cản là ngôn ngữ C và thiết lập môi trường;
• Tìm cảm hứng : Sau khi nhập môn muốn tự tay làm món gì đó, hãy tham khảo awesome-esp (khoảng 2.760 star) và esp-iot-solution (khoảng 2.700 star).

Không hiểu cũng chẳng sao. Trước đây chơi phần cứng, bạn phải nghiền ngẫm datasheet của chip, tự cặm cụi viết code C; còn bây giờ chỉ cần quăng link tài liệu cho Claude Code hoặc Pi, để nó đọc xong rồi giải thích lại cho bạn, gặp lỗi cũng cứ quăng thẳng cho nó xử lý.

10 lỗi phổ biến nhất người mới dễ mắc phải

Thứ thực sự khiến người mới đau đầu thường không phải là code, mà là đủ thứ vấn đề phần cứng trời ơi đất hỡi:

• Máy tính không nhận diện được bo mạch : Trước tiên hãy đổi sang cáp có hỗ trợ truyền dữ liệu, sau đó kiểm tra driver cổng nối tiếp như CH340, CP210x;
• Nạp firmware liên tục báo lỗi : Khi xuất hiện lỗi 'Failed to connect', hãy nhấn giữ nút BOOT, bấm nút RESET một cái, nhả nút BOOT ra rồi tiến hành nạp lại, sau đó kiểm tra xem cổng COM có đang bị phần mềm khác chiếm dụng không;
• Nạp thành công nhưng cổng serial không có output : Kiểm tra baud rate, thông dụng nhất là 115200; khi dùng cổng USB native của S3, hãy kiểm tra thiết lập 'USB CDC On Boot' và lựa chọn cổng serial;
• Wi-Fi kết nối mãi không được : ESP32 và S3 chỉ hỗ trợ băng tần 2.4GHz, hãy dùng điểm phát sóng di động 2.4GHz từ điện thoại để kiểm tra trước;
• Bo mạch phát triển liên tục khởi động lại : Sau khi nối màn hình hoặc động cơ thì trước hết cần kiểm tra nguồn cấp, động cơ và servo tốt nhất nên dùng nguồn cấp độc lập và nối chung mass (GND), GPIO tuyệt đối không được nối trực tiếp vào nguồn 5V;
• Cắm thiết bị vào GPIO nhưng không có phản hồi : Một số chân pin đã bị USB, Flash, PSRAM hoặc chức năng khởi động chiếm dụng, trước khi cắm dây hãy tra cứu kỹ sơ đồ chân (pinout);
• Tràn bộ nhớ, chương trình bị crash : Hãy xác nhận dung lượng Flash, PSRAM, khi nạp nhớ chọn đúng Flash Size, chế độ PSRAM và sơ đồ phân vùng (partition scheme);
• Không kết nối được tai nghe Bluetooth : ESP32-S3 chỉ hỗ trợ BLE, không có Bluetooth Classic truyền thống, nên không thể dùng trực tiếp các giải pháp âm thanh Bluetooth thông thường;
• Màn hình bị đen, microphone không có tiếng : Phần lớn là do chọn sai model bo mạch (board type), hãy đổi sang firmware tương ứng với bo mạch của bạn trong danh sách hỗ trợ;
• Làm theo hướng dẫn cũ toàn báo lỗi : Phiên bản của framework và thư viện đã thay đổi, hãy ưu tiên đối chiếu yêu cầu phiên bản trong file README hiện tại của dự án.

Còn 2 cái hố nữa do chính tôi từng vấp phải: model từ đánh thức (wake word) nếu dùng bản mn6_cn sẽ chiếm sạch bộ nhớ chip và khiến máy khởi động lại liên tục, đổi sang mn7_cn mới chạy ổn định; ví dụ MCP calculator chính thức của Xiaozhi sẽ thực thi trực tiếp mã code do AI gửi về, chạy thử nghiệm thì được nhưng nếu dùng lâu dài bạn phải tự bổ sung cơ chế bảo vệ.

6. Một bo mạch nhỏ có thể đi xa đến đâu? Trợ lý phê duyệt tôi làm riêng cho Pi

Phần lớn những thứ nói ở trên là dự án của người khác. Cuối cùng, tôi muốn chia sẻ về dự án do chính mình tự làm, nó vừa hay xâu chuỗi toàn bộ những chương trước lại: một bo mạch tích hợp S3 N16R8, lấy Xiaozhi làm nền tảng, sau khi phát triển tùy biến thêm thì kết nối với Agent của riêng mình.

Pi là một Agent lập trình mã nguồn mở, chạy trong terminal để thay bạn đọc code, sửa code và thực thi câu lệnh. Dùng nó viết code, điều phiền toái nhất là phải dán mắt vào terminal chờ nó chuẩn bị chạy các lệnh nguy hiểm. Thế là tôi nghĩ, liệu có thể để chiếc bo mạch trên bàn làm việc canh chừng thay mình không. Vì vậy, tôi đã phát triển tùy biến dựa trên Xiaozhi, tạo ra một người bạn đồng hành phần cứng để bàn cho Pi mang tên pi-buddy, trên màn hình hiển thị linh vật 'Bé P' do tôi vẽ dựa theo hình tượng trong Sách Xanh Học Tập của Pi.

Khi Pi chuẩn bị thực thi lệnh, Bé P sẽ bật thông báo xin phép, sau khi được bạn cho phép thì Pi mới tiếp tục thực hiện. Hiện tại nó có thể làm được ba việc:

• Đồng bộ trạng thái : Bé P sẽ biến đổi biểu cảm theo trạng thái của Pi như đang suy nghĩ, đang thực thi, hoàn thành, báo lỗi, chỉ cần liếc mắt là biết ngay Pi đang làm việc hay bị treo;
• Phê duyệt lệnh nguy hiểm ngay trên bo mạch : Các lệnh như rm -rf, sudo, git push --force, npm publish hay chuyển thẳng nội dung curl sang sh để chạy... đều sẽ bị chặn lại để xin ý kiến. Bạn có thể chạm vào màn hình, bấm nút BOOT hoặc nói 'cho phép thực thi', sau 120 giây không phản hồi thì mặc định coi là từ chối. Những lệnh thông thường như ls sẽ không làm phiền bạn;
• Giao việc bằng giọng nói : Nói một câu trước bo mạch, nhiệm vụ sẽ được gửi ngược về cho Pi đang chạy. Tính năng này vẫn chưa được kiểm chứng trên thiết bị thực tế.

Về thao tác bấm nút, tôi từng thay đổi thiết kế một lần. Ban đầu là nhấn một lần để cho phép, nhấn giữ để từ chối, nhưng sau đó đảo ngược lại: lỡ đang nhấn giữ nửa chừng mà buông tay, nếu tính là cho phép thì lệnh nguy hiểm đã bị lọt qua mất rồi. Giờ đây nhấn nửa chừng buông tay sẽ tính là từ chối, thà từ chối nhầm một lần còn hơn.

Hệ thống gồm ba phần, bản thân Pi không cần chỉnh sửa:

Plugin của Pi → Chương trình cầu nối trên Mac → Bo mạch phát triển Thực Chiến Phái

Plugin của Pi : Chuyển trạng thái và yêu cầu phê duyệt của Pi qua HTTP cục bộ tới chương trình cầu nối.

Chương trình cầu nối : Chạy trên Mac, giao tiếp với bo mạch qua WebSocket trong mạng LAN. Bo mạch sẽ tự động dò tìm ra nó, khi kết nối lần đầu màn hình sẽ hiện mã ghép nối gồm 6 chữ số, chỉ cần xác nhận một lần trên Mac là ghép nối xong.

Firmware : Bổ sung một board type tùy biến dựa trên Xiaozhi, vẽ giao diện Bé P, xử lý nút bấm và phê duyệt bằng giọng nói.

Dự án đã được mở mã nguồn: xiaomoBoy/pi-buddy , theo giấy phép MIT, plugin Pi, chương trình bridge và firmware đều nằm trong repo này.

• Cần chuẩn bị gì : LiChuang Thực Chiến ESP32-S3, một chiếc máy Mac, Pi. Không cần tự biên dịch, hãy vào Phát hành để tải về hai tệp gồm firmware và gói tài nguyên P-Zai, rồi làm theo hướng dẫn nạp vào bo mạch là xong, việc nạp firmware có thể giao cho Claude Code. Hiện tại mới chỉ hỗ trợ Pi, plugin cho Claude Code và Codex vẫn đang ở dạng placeholder;
• Không có bo mạch : Chương trình bridge tích hợp sẵn một trình giả lập web, mở trình duyệt lên là có thể nhìn thấy P-Zai, quy trình phê duyệt y hệt như thiết bị thật, bạn có thể trải nghiệm thử trước.

Từ biết trò chuyện cho đến có thể kiểm duyệt giúp Agent, trong suốt cả chặng đường này tôi đều không hề tự tay viết code. Mỗi bước tôi đều nêu rõ nhu cầu trước, sau đó để Agent tự đọc tài liệu, gõ lệnh, còn tôi chỉ ngó qua ở các bước then chốt.

Cuối cùng

Xin nhắc lại một lần nữa mạch chính của bài viết này:

Muốn làm gì → Chọn dự án mã nguồn mở → Mua bo mạch theo dự án đó

Nghịch AI cứ nhắm chuẩn S3 N16R8, người mới bắt đầu từ Xiaozhi, tài liệu thì đợi lúc cần dùng hẵng tra cứu.

Một chiếc bo mạch giá 128 tệ, từ một món đồ chơi nhỏ biết trò chuyện cùng bạn đến một người bạn đồng hành trên bàn làm việc có thể kiểm duyệt giúp Agent, mỗi bước đi ở giữa đều có sẵn các dự án mã nguồn mở để tham khảo.

Bước tiếp theo, tôi muốn lắp thêm pin và module 4G cho nó để có thể mang theo ra ngoài sử dụng mà không cần phải cắm dây liên tục hay kết nối điểm phát sóng di động. Khi nào lắp xong hoàn chỉnh, tôi sẽ chia sẻ riêng trong một bài khác.

• Muốn biết tôi đang làm gì : Danh thiếp số ;
• Đang tìm hiểu Pi Agent : Sách xanh học tập Pi .

Tài liệu tham khảo

• Firmware Xiaozhi AI 78/xiaozhi-esp32
• Server mã nguồn mở Xiaozhi xinnan-tech/xiaozhi-esp32-server
• py-xiaozhi
• ESPHome
• Omi
• ElatoAI
• Espressif esp-adf
• Muse Gadgets
• Hermes Gadget SDK
• esp32-iphone-agent
• anan-iphone-use
• Groki Bot
• Tin tức sản xuất hàng loạt ESP32-S31 (Hackster)
• Tài liệu chính thức MaixCAM2
• Gói tài nguyên của bài viết xiaozhi-claude-pixel
• pi-buddy: Người bạn phần cứng trên bàn làm việc của Pi

Học tương tác với AI (NotebookLM)

Ngoài đọc , bạn có thể nghe , xem và xem hoạ thông tin ở đầu bài. Bài này còn có bộ công cụ tương tác do AI tạo: Bài kiểm tra trắc nghiệm, Thẻ ghi nhớ, Sơ đồ tư duy, Bản trình bày và Báo cáo chuyên sâu.

Mở không gian học tương tác