面对家中杂物室间歇性发出的神秘蜂鸣声，开发者并未选择逐一翻查纸箱，而是借助 Claude Code 构建了名为 Beep Locator 的软件系统。该系统利用分散在房间内的多台设备进行声学三角测量，成功将声源位置锁定在约 40 厘米范围内。最终排查发现，噪音源自一个急需更换电池的老旧一氧化碳探测器。
多设备协同的声学三角测量
Beep Locator 的核心逻辑是通过 Python Web 服务器协调多个监听端（如 iPad、手机、笔记本电脑等）。设备间通过互相播放声音估算相对位置，若自动估算效果不佳，用户可启用“粗略模式”，在界面地图上拖动图标提供大致方位，系统随后结合声学数据对位置进行微调。
为验证系统有效性，开发者增加了“拍手模式”。用户在房间不同位置拍手，地图以菱形标记声波到达点，从而校验定位算法的准确性。当系统检测到蜂鸣声时，会在地图标记“X”并记录日志。用户可回放各设备录制的音频片段，确认目标声音后点击标记，系统即开始监听该特定频率，通过测量蜂鸣间隔并利用三角测量法，在地图上锁定最可能的声源位置。
基于经典论文的纯软件方案
在构建初期，Claude 检索并参考了 2007 年发表的《BeepBeep：基于声学的高精度测距与定位系统》论文。该研究提出了一种无需预设基础设施、仅依赖扬声器、麦克风及设备间通信的高精度声学测距方案。Beep Locator 沿用了这一思路，采用纯软件实现：
- 前端监听：设备通过浏览器访问 Web 界面，请求麦克风权限，录制最近 60 秒音频缓冲区。
- 信号处理：运行基于快速傅里叶变换（FFT）和高通滤波器的检测算法，识别潜在蜂鸣事件并上报服务器。
- 时间同步：服务器触发某一设备播放短暂提示音，要求所有监听端上传提示音前后各约 0.6 至 0.8 秒的音频片段。通过提示音对齐各片段，实现高精度的时间同步与定位。
AI 代理的“听觉”与远程调试
该项目展示了赋予编码 AI 代理“感官能力”的可能性。开发者最初通过 iPhone 上的 Claude Code Cloud 启动项目，生成问题描述文档并构建基础架构。随后，利用 Fable 5.2 模型的能力，实现了在运行时动态向监听端注入新代码的功能。
通过 WebSocket 连接，服务器可向任意客户端下发 JavaScript 模块，无需手动刷新页面或重新授权麦克风即可更新功能。开发者通过自然语言指令迭代产品特性，包括添加地图元素拖拽、拍手声区分显示、带时间戳的音频回放日志以及“确认目标声音”按钮等。这种交互模式允许 AI 代理在后台持续调试音频日志并重构其“听觉”网络，而开发者只需专注于高层逻辑指导。
此举印证了 AI 代理不仅能处理代码文本，还能通过外接传感器（如麦克风、摄像头）感知物理世界，为解决现实环境中的硬件故障提供了新的技术路径。