前面几篇文章分别拆了 Voice Agent 的几个关键模块：WebRTC 音频输入、VAD 语音检测、流式 ASR、RAG 检索、流式 TTS、全链路延迟、安全转人工和工单回流。这一篇做第一阶段收官。本文要解决的问题很直接：怎么把前面分散的代码，合成一个可以本地跑起来的 Voice Agent v1？t0-t8本文代码是一个本地可运行 demo，不代表生产级电话系统。ASR、LLM、TTS 都使

t0 = 用户最后一帧语音到达服务端不是用户开口，也不是整通电话开始。原因很简单：用户说了 12 秒，不代表 Agent 响应慢了 12 秒。我们要测的是用户说完以后，系统多久开始回答。