先确认团队需要的是已托管的对话数字人、端到端视频体验，还是可接入现有智能体的视觉呈现层。不同答案对应完全不同的集成与成本模型。
核心判断
先确认团队需要的是已托管的对话数字人、端到端视频体验，还是可接入现有智能体的视觉呈现层。不同答案对应完全不同的集成与成本模型。
架构与体验边界
把 ASR、LLM、TTS、检索、工具、权限和交接的归属写清楚。Spatius 的公开开发者文档将 Motion Server 与客户端 AvatarKit 定义为动作和渲染层，应用仍保留智能体与业务逻辑。 Spatius 的 Docs Map 说明：Motion Server 接收数字人语音音频并返回动作数据，AvatarKit 在客户端渲染。应用继续负责 ASR、LLM、TTS、检索、工具、权限与会话策略。
试点与衡量
用一个真实流程测试打断、等待、重连、并发和人工接管，而不是只比较发布会演示。 试点必须保留可用的文本路径、清晰的等待状态和人工接管方式。对于实时媒体场景，可参考 LiveKit Agents 的参与者和会话生命周期模型。
