1. 为什么选择Superset？从“能用”到“好用”的蜕变

如果你正在为团队寻找一个数据可视化工具，大概率已经听过Tableau、Power BI这些响亮的名字。但当你真正开始调研，尤其是考虑到预算、定制化需求和后期维护成本时，一个开源、强大且能自主掌控的工具就显得格外诱人。Apache Superset正是这样一个“宝藏”项目。我最早接触它是在几年前的一个数据中台项目里，当时团队需要一个能快速对接多种数据源、又能让业务人员自己动手做分析看板的工具，Superset几乎完美地满足了这些要求。

简单来说，Superset就是一个由Airbnb开源并贡献给Apache基金会的现代BI工具。它的核心优势可以用三个词概括：轻量、强大、友好。轻量体现在它的架构和部署上，不像一些商业软件那样需要庞大的安装包和复杂的中间件；强大在于它原生支持从MySQL、PostgreSQL这类传统数据库，到Hive、Presto、Druid、Kylin这些大数据生态组件的数十种数据源；友好则是指它的操作界面，拖拽式的图表构建和仪表盘编排，让没有技术背景的业务分析师也能快速上手。

我见过不少团队一开始只是把Superset当作一个临时的、替代Excel图表的小工具，但随着使用的深入，它逐渐成为了整个数据产品对外展示的核心门户。这种“润物细无声”的渗透力，正是其设计理念的成功之处。它不是一个需要你改变整个技术栈去适配的“庞然大物”，而是一个可以灵活嵌入到你现有数据流中的“瑞士军刀”。无论是想监控实时业务指标，还是分析历史趋势，或者搭建一个面向管理层的战略决策看板，Superset都能提供相应的能力支撑。

当然，开源工具难免会让人对它的企业级特性有所顾虑，比如权限管控、性能优化、高可用部署等。别担心，这正是我们接下来要深入探讨的。Superset在最近的版本中，尤其是在成为Apache顶级项目后，在这些方面已经有了长足的进步。通过合理的配置和架构设计，完全能够支撑起中大型企业的核心数据可视化需求。接下来，我们就从零开始，手把手搭建一个稳定、可扩展的企业级Superset平台。

2. 稳扎稳打：生产环境部署全攻略

很多教程会教你用Docker一键启动Superset，这确实是最快的方式。但对于企业级应用，我们需要更可控、更透明、更易于维护的部署方式。因此，我强烈推荐使用虚拟环境（Virtual Environment） 配合 进程管理器（如Gunicorn） 的方案。下面这套流程是我在多个生产环境中验证过的，你可以放心跟着做。

2.1 系统与Python环境准备

首先，找一台干净的Linux服务器（CentOS 7+ 或 Ubuntu 18.04+ 均可），建议内存不小于4GB。第一步不是直接装Superset，而是搭建一个独立的Python环境。这能避免与系统自带的Python或其他应用产生依赖冲突，是保证环境纯净的关键。

我习惯用Miniconda来管理Python环境，它比完整的Anaconda更轻量，只包含最核心的conda包管理器和Python。安装过程很简单：

# 下载最新的Miniconda安装脚本（Python 3.9版本）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 添加执行权限并安装
bash Miniconda3-latest-Linux-x86_64.sh

安装过程中，会提示你同意协议、选择安装路径（我一般会指定到/opt/miniconda3这样的独立目录）。安装完成后，记得运行conda init来初始化，然后关闭当前终端重新登录，这样conda命令才会生效。

接下来是一个关键操作：禁止conda自动激活base环境。这能防止每次登录服务器都进入conda环境，干扰其他服务。

conda config --set auto_activate_base false

现在，我们为Superset创建一个专属的Python 3.9环境（Superset已全面支持Python 3.8+，3.9的稳定性和性能更好）。

# 添加清华镜像源，加速包下载
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

# 创建名为superset_env的Python 3.9环境
conda create -n superset_env python=3.9
# 激活环境
conda activate superset_env

激活后，你的命令行提示符前面会出现(superset_env)，这表示你已经在这个独立的环境里了，接下来所有操作都不会影响系统其他部分。

2.2 安装Superset核心与依赖

在激活的虚拟环境中，我们开始安装Superset。首先升级pip和setuptools到最新版，避免后续安装出问题。

pip install --upgrade pip setuptools -i https://pypi.tuna.tsinghua.edu.cn/simple

然后安装Superset本体。这里我建议安装时指定一些额外依赖，以确保后续功能的完整性。

pip install apache-superset[celery,postgres,redis,drill,trino] -i https://pypi.tuna.tsinghua.edu.cn/simple

这条命令做了几件事：安装了Superset核心，同时预装了用于异步任务的celery支持、用于连接PostgreSQL的驱动、用于缓存和消息队列的redis客户端，以及drill和trino这两种查询引擎的对接模块。这种“全家桶”式安装能省去你后面很多找依赖包的麻烦。

安装完成后，进行初始化。第一步是初始化元数据库，Superset默认使用SQLite，但这绝对不适合生产环境，我们稍后会把它迁移到MySQL或PostgreSQL。这里先按默认流程走，建立必要的表结构。

superset db upgrade

接着，创建第一个管理员账号。这个账号拥有最高权限，请务必记好用户名和密码。

export FLASK_APP=superset
superset fab create-admin

执行后会交互式地让你输入用户名、姓名、邮箱和密码。最后，加载一些内置的示例数据和权限角色（非必需，但有助于新手理解）。

superset init

2.3 配置与启动：迈向生产级

默认配置只适合本地开发。要用于生产，我们必须修改配置文件。Superset的配置文件模板位于<你的Python环境路径>/site-packages/superset/config.py。但最佳实践是创建一个本地配置文件来覆盖默认设置。

首先，找到你的Superset安装路径：

python -c "import superset; print(superset.__file__)"

这个命令会输出类似/opt/miniconda3/envs/superset_env/lib/python3.9/site-packages/superset/__init__.py的路径。配置文件就在上一级的config.py。

我们复制一份模板到方便管理的地方，比如/etc/superset/superset_config.py。

mkdir -p /etc/superset
# 假设superset包路径是上面输出的，去掉最后的‘/__init__.py’
cp /opt/miniconda3/envs/superset_env/lib/python3.9/site-packages/superset/config.py /etc/superset/superset_config.py

现在，编辑/etc/superset/superset_config.py，修改几个最关键的生产配置：

# 1. 设置密钥，用于加密会话等，务必使用一个复杂的随机字符串
SECRET_KEY = 'your-super-secret-and-long-random-string-change-this-please'

# 2. 修改元数据库，从SQLite换成MySQL（推荐）或PostgreSQL
# 以MySQL为例，先确保安装了mysqlclient: pip install mysqlclient
SQLALCHEMY_DATABASE_URI = 'mysql://superset_user:your_password@localhost:3306/superset_meta?charset=utf8mb4'

# 3. 启用Celery异步任务执行（用于长时间查询、缓存等）
from celery.schedules import crontab
class CeleryConfig:
    broker_url = 'redis://localhost:6379/0'  # 使用Redis作为消息代理
    result_backend = 'redis://localhost:6379/0'
    imports = ('superset.sql_lab', )
    beat_schedule = {
        'cache-warmup': {
            'task': 'superset.tasks.cache.cache_warmup',
            'schedule': crontab(minute='*/30'),  # 每30分钟执行一次缓存预热
        },
    }
CELERY_CONFIG = CeleryConfig

# 4. 配置结果后端缓存，提升仪表盘加载速度
DATA_CACHE_CONFIG = {
    'CACHE_TYPE': 'RedisCache',
    'CACHE_DEFAULT_TIMEOUT': 86400,  # 默认缓存1天
    'CACHE_KEY_PREFIX': 'superset_results',
    'CACHE_REDIS_URL': 'redis://localhost:6379/0',
}

# 5. 设置Web服务器地址和端口
WEB_SERVER_ADDRESS = '0.0.0.0'
WEB_SERVER_PORT = 8088

配置好后，我们需要用这个配置文件启动Superset。直接使用开发服务器superset run是不行的，我们需要一个生产级的WSGI服务器，这里用Gunicorn。

# 确保在superset_env环境中
conda activate superset_env
# 使用gunicorn启动，指定配置文件路径
gunicorn \
    --bind 0.0.0.0:8088 \
    --workers 10 \          # worker进程数，通常建议是 (CPU核心数 * 2) + 1
    --timeout 120 \         # 超时时间（秒）
    --limit-request-line 8190 \
    --access-logfile /var/log/superset/access.log \
    --error-logfile /var/log/superset/error.log \
    --preload \             # 预加载应用，减少内存占用和启动时间
    "superset.app:create_app()"

为了让服务在后台稳定运行，我强烈建议使用systemd来管理。创建一个服务文件/etc/systemd/system/superset.service：

[Unit]
Description=Apache Superset
After=network.target

[Service]
User=superset  # 建议创建一个专门的系统用户来运行
Group=superset
Environment="PATH=/opt/miniconda3/envs/superset_env/bin"
Environment="SUPERSET_CONFIG_PATH=/etc/superset/superset_config.py"
WorkingDirectory=/opt/superset
ExecStart=/opt/miniconda3/envs/superset_env/bin/gunicorn \
          --bind 0.0.0.0:8088 \
          --workers 10 \
          --timeout 120 \
          --limit-request-line 8190 \
          --access-logfile /var/log/superset/access.log \
          --error-logfile /var/log/superset/error.log \
          --preload \
          "superset.app:create_app()"
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target

然后启动并设置开机自启：

sudo systemctl daemon-reload
sudo systemctl start superset
sudo systemctl enable superset
sudo systemctl status superset  # 检查运行状态

现在，打开浏览器访问 http://你的服务器IP:8088，用之前创建的管理员账号登录，一个属于你自己的企业级Superset平台就正式上线了！

3. 连接你的数据世界：从数据库到大数据平台

平台搭好了，接下来就是喂数据。Superset的强大之处在于其广泛的数据源支持。我把它支持的数据源分为三类：关系型数据库、大数据查询引擎和云服务/文件。根据你的数据所在，选择对应的连接方式。

3.1 连接关系型数据库（以MySQL/PostgreSQL为例）

这是最常见的场景。Superset通过SQLAlchemy连接数据库，你需要先安装对应的Python驱动。

对于MySQL：

# 在superset_env环境中
pip install mysqlclient -i https://pypi.tuna.tsinghua.edu.cn/simple

对于PostgreSQL：

pip install psycopg2-binary -i https://pypi.tuna.tsinghua.edu.cn/simple

安装后，在Superset Web界面操作：

  1. 点击顶部导航栏 Data -> Databases。
  2. 点击右上角的 + DATABASE 按钮。
  3. 关键在 SQLAlchemy URI 的填写。格式是通用的：
    • MySQL: mysql://用户名:密码@数据库服务器IP:端口/数据库名?charset=utf8mb4
    • PostgreSQL: postgresql+psycopg2://用户名:密码@数据库服务器IP:端口/数据库名
  4. 点击 Test Connection，看到绿色的“Seems OK!”提示就成功了。
  5. 别忘了展开 Advanced 标签页，这里有几个重要设置：
    • Allow DML: 是否允许通过Superset执行INSERT/UPDATE等操作，生产环境建议关闭。
    • Expose in SQL Lab: 勾选后，这个数据源才能在SQL Lab（即席查询界面）中使用。
    • Allow Run Async: 对于大数据量查询，务必勾选，让查询在Celery后台异步执行，避免网页超时。

3.2 连接大数据引擎（以Apache Hive/Trino为例）

当你的数据在Hadoop或数据湖里时，就需要连接Hive、Presto/Trino这类引擎。

以Trino为例，首先安装连接器：

pip install sqlalchemy-trino -i https://pypi.tuna.tsinghua.edu.cn/simple

在添加数据库时，SQLAlchemy URI格式为： trino://用户名@服务器IP:端口/目录/模式?auth=认证方式 例如，使用LDAP认证连接：trino://my_user@trino-server:8080/hive/default?auth=LDAP&user=my_user&password=my_pass

以Apache Hive为例，需要安装pyhive：

pip install pyhive -i https://pypi.tuna.tsinghua.edu.cn/simple

URI格式为：hive://hive-server:10000/default。如果HiveServer2开启了认证，格式会更复杂一些。

这里有个我踩过的坑：连接Hive或Impala时，如果查询返回大量数据，可能会遇到thrift.transport.TTransport.TTransportException: TSocket read 0 bytes的错误。这通常是Thrift传输超时导致的。解决方法是在URI后面添加连接参数，例如：hive://hive-server:10000/default?auth=NOSASL&transport_mode=binary&socket_timeout=180，把超时时间调长。

3.3 高级配置：安全、性能与成本控制

直接连上数据库只是第一步，要让数据源在生产环境安全高效地运行，还需要一些“调教”。

安全第一： impersonation（身份模拟） 在大型企业，数据库账号通常是共用的。但为了审计和安全，我们希望Superset执行的查询能代表登录用户的身份。这就需要配置impersonation。以PostgreSQL为例，你需要在URI中配置，并确保数据库服务器允许Superset所在服务器的IP以特定用户连接，同时Superset的数据库用户需要有执行SET ROLE或SET SESSION AUTHORIZATION的权限。这步配置稍复杂，但能极大提升数据访问的合规性。

性能优化： 设置查询超时与行数限制 在数据库配置的Advanced部分，有两个参数至关重要：

  • Query Timeout： 设置单个查询的超时时间（秒），防止烂SQL拖垮数据库。我一般根据查询复杂度设置为30-300秒。
  • Max Row Limit： 限制查询返回的最大行数。在探索数据时，一个SELECT *可能拖回上亿条数据，浏览器会崩溃。设置一个合理的上限（如10万行），能保护系统和用户体验。

成本控制： 启用查询成本估算（仅限部分引擎） 对于像Presto/Trino这样按扫描数据量计费的查询引擎，Superset可以配置“查询成本估算器”。这需要在配置文件中添加引擎特定的参数，当用户在SQL Lab中运行查询前，会看到一个预估的数据扫描量提示，对于培养团队的成本意识非常有用。

4. 打造业务驱动的可视化仪表盘

数据接进来了，重头戏就是做图表和看板。Superset的图表编辑器功能非常直观，但想做出既美观又实用的仪表盘，还是有一些技巧的。

4.1 你的第一个图表：从SQL开始

我建议新手从 SQL Lab 开始创建图表，而不是直接点“Create Chart”。因为SQL Lab给你最大的灵活度去探索数据。

  1. 进入 SQL Lab -> SQL Editor。
  2. 在右上角选择你刚添加的数据源。
  3. 在编辑器中编写查询，比如：
    SELECT 
    DATE(order_time) as 日期,
    product_category as 产品类别,
    COUNT(*) as 订单量,
    SUM(amount) as 总销售额
FROM sales_orders
WHERE order_time >= DATE_SUB(CURRENT_DATE, INTERVAL 30 DAY)
GROUP BY 1, 2
ORDER BY 1 DESC, 4 DESC
  4. 点击 Run 执行查询，下方会预览结果。
  5. 确认数据无误后，点击 Explore 按钮，就会跳转到图表创建界面，并且刚才的查询已经自动填充为数据源。

这种方法的好处是，你可以用SQL完成所有复杂的数据清洗、聚合和计算，把最干净、最直接的结果交给可视化层，逻辑清晰，后期也容易维护。

4.2 图表配置的核心心法

进入图表编辑界面，左侧是数据配置面板，右侧是实时预览。配置的核心在于理解三个区域：

1. Metrics（指标）和 Group by（维度）：

  • Metrics 就是你要测量的数值，比如销售额、用户数、平均值。除了简单的SUM、COUNT，Superset支持非常丰富的聚合函数，比如COUNT_DISTINCT（去重计数）、AVG（平均）、STDDEV（标准差）。你还可以写自定义的SQL表达式，例如SUM(revenue) / COUNT(DISTINCT user_id)来计算人均收入。
  • Group by 决定了你如何切分数据，也就是图表的X轴或分类依据。可以是时间字段、地区、产品类型等。这里有个高级技巧：你可以对维度字段进行“转换”。比如，有一个详细的timestamp字段，你可以把它按“小时”、“周”、“季度”进行分组，无需在SQL中预处理。

2. 过滤器（Filters）： 过滤器用于筛选出你关心的数据子集。你可以添加多个过滤器，它们之间是“与”的关系。过滤器支持直接输入值、下拉列表选择，甚至是关联另一个查询结果作为动态筛选条件。对于时间过滤，Superset提供了非常强大的“时间范围”和“时间粒度”选择器，可以方便地对比“本月 vs 上月”、“本季度 vs 去年同期”等。

3. 可视化类型选择与定制： Superset提供了几十种图表类型。选对图表是关键：

  • 趋势分析： 折线图、面积图。记得把时间字段放到Group by，并设置好时间粒度。
  • 构成分析： 饼图、环形图、树状图。注意，当分类过多时，饼图会变得难以阅读，此时可以考虑用条形图。
  • 分布分析： 直方图、箱形图。
  • 关联分析： 散点图、气泡图（可以展示三个维度）。
  • 地理空间分析： 地图图表（需要数据包含经纬度或标准地区编码）。

选好类型后，点击 Customize 标签页，这里可以调整颜色、图例位置、坐标轴格式、标签显示等所有样式细节。我个人的经验是，尽量使用清晰、对比度高的配色（Superset内置了几套不错的调色板），避免使用3D效果，保持图表简洁。

4.3 构建交互式仪表盘

单个图表做好后，点击 Save，选择“Save and go to dashboard”，就可以把它添加到一个新的或已有的仪表盘中。

仪表盘编辑界面是一个自由的画布。你可以拖拽调整图表的位置和大小。想让仪表盘真正“活”起来，关键在于配置组件间的交互。

  1. 筛选器组件（Filter Box）： 这是最常用的交互。你可以在仪表盘上添加一个“筛选器”组件，让它关联到某个图表的一个维度（比如“产品类别”）。配置好后，当你在这个筛选器下拉框中选择“手机”时，仪表盘上所有关联了“产品类别”这个字段的图表，都会动态刷新，只显示手机的数据。
  2. 图表交叉筛选（Cross-filtering）： 这是一个更酷的功能。在图表的高级设置里启用“Emit cross-filters”。启用后，当你在A图表上点击某个数据点（比如点击“华东”地区），仪表盘上其他启用了此功能的图表会自动筛选出“华东”相关的数据。这非常适合下钻分析。
  3. 选项卡（Tabs）与分页： 如果图表太多，一个屏幕放不下，可以使用“TABS”布局组件，将相关的图表分组到不同的标签页下，让仪表盘结构更清晰。
  4. 定时刷新： 对于监控类仪表盘，可以设置自动刷新间隔（如每5分钟）。在仪表盘编辑模式下，点击右上角的“设置”图标（小齿轮），就可以找到刷新配置。

最后，别忘了利用 CSS模板 功能。在仪表盘设置中，可以注入自定义的CSS代码，用来调整字体、背景色、边框等，让仪表盘风格与你公司的品牌保持一致。虽然Superset不是专业的设计工具，但通过一些简单的CSS调整，完全能让你的看板颜值提升一个档次。

5. 企业级进阶：权限、性能与高可用

当你的Superset用户从几个开发者扩展到几十甚至上百个业务人员时，权限管控和系统稳定性就成了头等大事。

5.1 精细化的权限管理模型

Superset的权限系统基于Flask-AppBuilder (FAB)，非常灵活。它包含三个核心概念：角色（Roles）、视图/菜单权限（View/Menu permissions） 和数据源权限（Database permissions）。

内置角色： Superset有Admin、Alpha、Gamma等内置角色。Admin拥有所有权限；Alpha可以访问所有数据源和创建仪表盘；Gamma是最受限的，只能访问被明确授予权限的数据源。我通常不建议直接给业务用户Alpha角色，这太危险了。

最佳实践是创建自定义角色：

  1. 以Gamma角色为模板，复制创建一个新角色，比如“销售分析师”。
  2. 在“List Roles”页面，编辑这个新角色。
  3. 菜单权限： 只勾选他们需要的菜单，例如Chart、Dashboard、SQL Lab（如果允许他们自定查询）。
  4. 数据源权限： 这是关键。在“Permissions”下拉框中，找到database access on [你的数据库名]并添加。这样，这个角色的用户就只能看到和访问你授权的特定数据库。
  5. 更细粒度控制： 你还可以通过编写行级安全（RLS）过滤器来实现。比如，让华北区的销售只能看到华北区的数据。这需要在数据源定义时，关联一个基于用户属性的SQL过滤条件。

权限的授予： 在 Security -> List Users 中编辑用户，在“Roles”一栏为其分配对应的自定义角色即可。一个用户可以拥有多个角色，权限会叠加。

5.2 性能调优实战

随着数据量和用户数增长，你可能会遇到仪表盘加载慢的问题。别急着加服务器，先从这几个方面优化：

1. 缓存层配置： 我们之前已经配置了Redis作为结果缓存后端。但还可以更进一步：

  • 缓存预热： 对于关键的领导看板，可以设置Celery定时任务（我们之前在superset_config.py里配置的cache-warmup），在每天上班前自动执行查询并缓存结果，这样领导打开看板时就是秒开。
  • 图表级缓存： 在编辑图表时，高级设置里有一个“Cache Timeout”选项。对于数据更新不频繁的图表（如昨日报表），可以设置较长的缓存时间（如86400秒，即一天）。

2. 数据库查询优化：

  • 物化视图/汇总表： 这是提升性能最有效的手段。不要让Superset直接去查询数仓的原始巨表。让数据工程师提前将常用维度和指标聚合好，生成一张轻量的汇总表，让Superset直接查这张小表。
  • 启用查询结果存储： 在数据库配置中，可以设置“Allow Run Async”并指定一个结果存储后端（如S3、Redis）。这样，大型查询的结果会被持久化，用户刷新页面时无需重新计算。

3. Superset服务端优化：

  • 调整Gunicorn Worker： Worker数量不是越多越好。公式 (2 * CPU核心数) + 1 是个起点。监控服务器负载，如果CPU利用率不高但内存充足，可以适当增加；如果出现内存不足（OOM），则需要减少。
  • 使用Nginx反向代理： 用Nginx在前端做反向代理，可以处理静态文件、实现负载均衡、配置SSL加密，并减轻Gunicorn的压力。

5.3 高可用与监控部署

对于核心业务使用的Superset，单点故障是不可接受的。一个典型的高可用架构如下：

[用户] -> [负载均衡器 (如 Nginx/HAProxy)] -> [Superset实例A (Gunicorn)] -> [元数据库 (MySQL主从)]
                                     |-> [Superset实例B (Gunicorn)] -> [缓存/消息队列 (Redis哨兵/集群)]
                                                            |-> [结果存储 (如S3)]

关键点：

  1. 无状态应用： Superset的Gunicorn Worker是无状态的。这意味着你可以水平扩展，启动多个Superset实例，用Nginx做负载均衡。
  2. 共享元数据库： 所有Superset实例必须连接同一个元数据库（MySQL/PostgreSQL），确保用户、数据源、仪表盘定义一致。
  3. 共享缓存和消息队列： Celery的Broker（Redis）和结果后端也必须被所有实例共享，这样才能协同处理异步任务。
  4. 健康检查： 在Nginx配置中对Superset实例的/health端点进行健康检查，自动剔除故障节点。
  5. 监控告警： 监控Superset服务器的CPU、内存、磁盘I/O。更重要的是监控关键仪表盘的查询耗时和Celery任务队列积压情况。这可以通过Superset自身的日志、数据库慢查询日志以及Redis监控来实现。

实施这套架构后，你的Superset平台就具备了弹性伸缩和故障转移的能力，足以支撑起企业级的稳定服务。

# 数据可视化 # 数据分析
Logo
乐奇 Rokid 开放社区

更多推荐

AI 智能眼镜的柔性神经，开启轻量化人机交互新世代

AI 智能眼镜的核心诉求，是在接近传统眼镜的轻薄体积内，塞进 AI 主控芯片、摄像头、麦克风阵列、骨传导 / 扬声器、光波导显示模组、触控传感器、电池、蓝牙 / Wi-Fi 射频模块等大量器件。随着 AI 眼镜出货量快速上行，鹏鼎、弘信、则成等国内 FPC 厂商纷纷布局 AI 眼镜软板、软硬结合板量产方案，单机 FPC 价值量显著高于 TWS 耳机，带动国内柔性线路板供应链升级，倒逼国内厂商突破超

avatar 乐奇 Rokid 开放社区

听书阁：让你在 AR 眼镜上也可以读小说

戴上眼镜之后我才发现，"翻页"是个需要用手完成的动作。手机上有触屏，滑动、点按、长按选词，一整套肌肉记忆。到了 AR 眼镜上这些全没了：视野只有一小块，手上可能还拎着东西，能稳定输入的只剩嘴和眼镜腿上的几颗按键。把手机阅读器原样搬过来没有意义，得重新想一遍"读一本书"在眼镜上该拆成哪几个动作。听书阁就是这次重想的产物。它跑在 Rokid Craft 上，用 AIUI 的 Ink 写页面，四个页面加

avatar 乐奇 Rokid 开放社区
cover

一期一会 | 什么是抬头显示器（HUD）？

avatar 乐奇 Rokid 开放社区