王瑞恩1. 项目概述：当AI遇上4美元的微控制器
去年冬天，我在整理抽屉时翻出一块2018年购买的ESP-WROOM-32开发板。这块售价仅4美元的微控制器，内存仅有520KB SRAM，其中可用空间不足120KB。就在同一天，我看到Ziboyan Wang开源的MimiClaw项目——一个在ESP32-S3上运行的AI智能体，需要8MB PSRAM和付费API密钥。这两件事碰撞出了一个疯狂的想法：能否在仅120KB内存的ESP32上，运行一个完整的AI智能体？
经过三个月的迭代，FemtoClaw诞生了。这个微型AI智能体不仅支持Telegram对话、网络搜索、长期记忆等完整功能，还能在本地Ollama/LM Studio模型上运行。最令人惊讶的是，所有这一切都运行在一块价格低于一杯咖啡的硬件上。
提示：ESP-WROOM-32与ESP32-S3的关键差异在于内存架构。前者仅有内部SRAM，后者额外配备8MB PSRAM，这使得内存密集型应用（如TLS连接）在S3上更容易实现。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计：120KB内存的极限分配
2.1 双核任务分工策略
在FreeRTOS环境下，我将任务精确分配到ESP32的双核处理器：
-
核心0（I/O核心）：
- 处理WiFi连接状态机（占用量：18KB）
- 运行Telegram长轮询任务（峰值内存：64KB）
- 管理WebSocket服务器（需配置TLS缓冲区：32KB）
- 处理串行CLI输入（8KB环形缓冲区）
-
核心1（AI核心）：
- 运行智能体主循环（基础占用：24KB）
- 维护消息队列（入站/出站各16KB）
- 执行ReAct推理循环（动态内存：32KB峰值）
通过xTaskCreatePinnedToCore()将任务绑定到指定核心，避免了核间切换的开销。实测显示，这种分离架构比混合调度节省约23%的内存碎片。
2.2 内存优化关键技术
在femto_config.h中定义了关键内存参数：
c复制// ESP32无PSRAM时的保守配置
#if !CONFIG_SPIRAM
#define FEMTO_LLM_STREAM_BUF_SIZE (8 * 1024) // LLM响应缓冲区
#def