尧图网页设计 
最近 AI 圈的竞争焦点已经明显变了。早期大家比的是“谁的模型更聪明”现在更多在比“谁能把 AI 真正嵌进用户的日常流程里”。Meta 这次对外释放的 AI 路线图又让一个概念被频繁提起——个人超级智能。这个说法听起来很像科幻设定但如果把它翻译成“极其懂你的智能助手”思路就清晰得多。扎克伯格认为下一代 AI 产品不应该只是一个通用对话框而是一个拥有长期记忆、能调用工具、了解个人偏好、甚至能主动推进任务的智能体。这并不只是产品经理造出来的新词背后对应的是大模型、AI Agent、向量检索、隐私计算等多条技术路线的交叉。本文不打算做新闻评论而是从开发者视角拆解这件事个人超级智能到底依赖哪些技术现在能不能用现有技术栈搭出一个最小原型。我会给出一个完整的 Python 示例实现一个带长期记忆和工具调用能力的个人 AI 助手。读完这篇文章你会理解三件事个人智能体需要记忆什么以及如何设计记忆系统如何让大模型调用外部工具而不只是“生成文本”本地优先的隐私方案在工程上怎么落地如果你正在做 AI Agent、RAG 应用或者单纯想给自己的 AI 助手加上“记忆能力”这篇文章应该能给你一个可以直接上手的基础模板。1. 什么是“个人超级智能”Meta 的 AI 新叙事1.1 从通用大模型到个人超级智能过去两年大模型的发展主线是“通用能力”能写代码、能翻译、能分析文档、能生成图片。这当然很有价值但这些能力本质上还是“人找信息”——你主动打开一个对话框提出一个问题模型给出一个答案。个人超级智能的路线则相反。它强调的是“信息围绕人来组织”AI 不是被动等待提问而是持续了解你的工作习惯、项目背景、沟通偏好在你需要的时候主动给出建议或执行动作。换句话说通用大模型解决的是“什么都会一点”个人超级智能解决的是“最懂你这一个用户”。这个概念之所以在 2025 年被反复讨论核心原因是技术基础设施已经成熟了。便宜的大模型 API、支持长上下文的模型窗口、越来越成熟的 Agent 框架、向量数据库的普及让“为单个用户定制一个智能体”不再是昂贵实验而是一个可以小规模落地的工程问题。1.2 个人超级智能与 AGI 的区别很多人容易把个人超级智能和通用人工智能AGI混淆其实它们的定义维度完全不同。AGI 是一个横向目标让机器在绝大多数任务上达到甚至超过人类水平。它追求的是“全才”比如 AI 既能当律师助理又能当程序员还能当医生助手。个人超级智能则是一个纵向目标它不需要掌握所有知识但需要持续学习某个特定用户的习惯、偏好、知识库和工作上下文。一个更直观的类比是AGI 像是一位名牌大学的全科优等生理论功底很强个人超级智能则更像一位在你团队工作了十年的资深助理——他未必懂天体物理但他知道你下周三要开什么会知道你对周报格式有哪些偏好也知道哪些事情应该优先处理。这种“深度的个性化”恰恰是通用大模型最不擅长的地方。1.3 为什么 Meta 要做这件事从公开信息看Meta 在 AI 领域的布局有几个明显抓手庞大的社交关系链、智能眼镜等硬件入口以及开源模型生态。这意味着 Meta 做个人超级智能并不需要从零获取用户场景它手里已经有用户每天产生的大量社交、照片、日程和生活数据。所以当我们看到“Meta 定义个人 AI 路线图要做个人超级智能”这类消息时不应该只当作一条新闻而应该把它理解为一种产品方向AI 要从前台走向后台从一个“你提问它回答”的工具变成一个“长期陪跑、替你操心”的智能体。对开发者来说这是一个值得关注的信号。如果你现在就开始积累个人知识库、Agent 工作流、记忆系统方面的经验等到这个方向真正爆发时你已经有了足够多的实践基础。2. 技术拆解个人超级智能依赖的四根支柱如果只看“个人超级智能”这个词会觉得很抽象但把它拆成技术模块就会发现每一项都有成熟的开源组件或云服务可以支撑。我总结为四根支柱。2.1 底座多模态大模型个人超级智能的第一层能力是语言理解与多模态理解。未来助手不可能只处理纯文本。你可能会上传一份 PDF、一张截图、一段语音或者让 AI 帮忙总结一个短视频内容。这就需要一个能够统一处理文本、图像、音频的底座模型。开发者选型时通常有两种路径云端模型能力更强、迭代快但需要把数据发给第三方服务隐私风险较高。本地模型比如 Meta 开源的 Llama 系列可以通过 Ollama 等工具部署在本地敏感数据不出设备但能力相对受限。比较好的工程实践是“混合模式”敏感数据走本地模型非敏感的高难度任务走云端更强模型。这个设计理念在后面实战代码中也会体现。2.2 长时记忆从上下文窗口到外部记忆系统大模型虽然有上下文窗口而且窗口大小逐年增长但它本质上仍然不是“记忆”。上下文窗口只是一块临时工作台会话一结束里面的内容就会被清空。个人超级智能真正需要的是外部记忆系统。外部记忆系统的核心思路是把值得长期保存的信息——用户偏好、项目背景、重要决策、临时日程——从对话中提取出来写入独立的存储组件。下次用户再提到相关话题时通过检索把最相关的记忆重新放回模型的上下文中。这就是 RAG检索增强生成的核心理念。在实际设计中记忆不应该只有一个层级。比较完善的记忆系统会把信息分成短期记忆当前会话中的上下文长期记忆跨会话保留的事实与偏好工作记忆当前正在进行的任务状态每层记忆有不同的更新策略、有效期和访问权限。我们不用一开始就全部实现但要在设计时留好扩展空间。2.3 行动能力AI Agent 与工具调用如果只有记忆AI 就是一个更聪明的记事本。真正让个人超级智能“活”起来的是行动能力。所谓行动能力是指 AI 可以调用外部工具查天气、发邮件、写文件、执行代码、操作日历。业界把这类能力统称为工具调用或 Function Calling。工具调用的流程很清晰大模型先理解用户的意图生成一个结构化的执行指令程序收到指令后调用真实的 API 或函数最后把执行结果返回给模型由模型组织语言回复用户。这个机制是 AI Agent 与聊天机器人的分水岭。Agent 能对外部世界产生实际影响所以也带来了安全边界问题——哪些工具可以自动执行哪些工具必须经过用户确认。这是工程实现中必须优先考虑的问题。2.4 个性化私有数据、偏好与安全边界个性化是个人超级智能的“最后一公里”。它需要两类数据用户显式告知的信息比如“我每天上午 10 点需要一份项目进展摘要”从用户行为中隐式推断的特征比如“这个用户写周报时更喜欢用表格”把这两类数据整合成用户画像并在每次交互时动态调用才能真正做到“懂你”。但这里也隐藏着一个巨大的风险当 AI 掌握了大量个人数据数据泄露或被滥用的后果会非常严重。因此个人超级智能的架构必须内置权限控制和审计机制。比如敏感操作确认、数据加密存储、细粒度的授权模型。这也是后面最佳实践章节要重点展开的内容。3. 环境准备从零搭建个人 AI 原型理论讲再多不如动手写一个最小原型。接下来我们把“个人超级智能”拆成一个具体项目带长期记忆和个人工具调用的 AI 助手。这个项目会实现三个核心能力记住用户告诉它的重要事实用户询问时检索相关记忆并据此回答调用外部工具比如天气查询3.1 技术选型方案优势适用场景Python OpenAI SDK Chroma生态成熟、示例多、上手快快速原型验证Spring AI OpenAI/本地模型Java 体系集成方便企业后端服务Ollama 本地模型 LangChain数据完全不出本机隐私敏感项目本文使用第一种方案Python OpenAI 兼容 SDK Chroma 向量库 SQLite。OpenAI SDK 可以兼容市面上大多数提供 OpenAI 接口格式的大模型服务替换 base_url 即可对接不同服务商。3.2 安装依赖建议使用 Python 3.10 或更高版本并创建虚拟环境mkdir personal-ai cd personal-ai python -m venv venv source venv/bin/activate # Windows 使用 venv\Scripts\activate安装依赖pip install openai chromadb python-dotenv版本说明openai SDK 需要 1.x 版本本文示例代码基于 1.x API。chromadb 建议使用 0.4 或更高版本低版本 API 差异较大。# requirements.txt openai1.0.0 chromadb0.4.0 python-dotenv1.0.03.3 项目目录结构personal-ai/ ├── .env.example # 环境变量示例 ├── requirements.txt # 依赖清单 ├── config.py # 读取配置 ├── memory_store.py # 记忆存储模块 ├── tools.py # 外部工具 ├── agent.py # Agent 主循环 └── main.py # 命令行入口文末会给出全部文件可以直接复制到本地运行。4. 核心原理解析工具调用与记忆检索在写完整代码之前先理解两个核心机制Function Calling 和向量检索。理解了这两个机制整个项目的代码读起来会非常轻松。4.1 Function Calling让模型把任务翻译成动作大模型本身不执行代码它只负责“生成文本”。但我们可以通过 Function Calling 机制让模型输出一段结构化的 JSON描述它想要调用的工具和参数。先看一个最简示例。当用户说“帮我把今天会议记录保存下来”模型可能输出这样一段内容{ name: save_memory, arguments: {\content\: \今天会议记录用户提出要对 AI Agent 项目做技术复盘\, \tags\: \会议\} }这个 JSON 表达了模型意图但保存动作完全由本地代码执行。模型不接触数据库只负责生成执行计划。这就是 Function Calling 的本质把自然语言翻译成可执行的结构化指令。在代码中我们需要先告诉模型“有哪些工具可用”描述方式如下tools [ { type: function, function: { name: save_memory, description: 保存一条关于用户的长期记忆, parameters: { type: object, properties: { content: {type: string, description: 需要记忆的内容}, tags: {type: string, description: 逗号分隔的标签} }, required: [content] } } } ]模型看到这个 schema 之后会在需要时自动生成对应的 tool_call。我们的程序再根据 tool_call 去执行真实函数。4.2 Embedding 与向量检索记忆系统的关键问题是如何“找到”相关记忆。最简单的方式是用 SQL 模糊匹配但这种方式无法理解语义。比如用户问“我下周有什么安排”如果记忆库里存的是“3 月 15 日要提交技术报告”模糊匹配完全找不到。所以我们需要向量检索。先把文本转成一串数字向量让语义相近的句子在向量空间中距离更近然后通过余弦相似度或内积检索最相近的内容。为了演示原理我们可以先写一个简单的哈希向量函数def get_embedding(text: str) - list: import hashlib vec [0.0] * 64 for token in text.lower().split(): h hashlib.md5(token.encode()).digest() vec[h[0] % 64] 1.0 norm sum(x * x for x in vec) ** 0.5 if norm 0: return vec return [x / norm for x in vec]这段代码的问题很明显它只是按单词哈希统计无法理解同义词和复杂语义。生产环境应该使用真正的 Embedding 模型比如 OpenAI 的 text-embedding-3-small或本地部署的 embedding 模型。这里先用它做演示后面会说明替换方法。4.3 System Prompt 设计System Prompt 是 Agent 的“人格和规则”。个人 AI 助手的 System Prompt 需要明确三件事什么信息值得保存什么时候应该调用检索检索不到时应该怎么回答一个比较典型的提示词设计如下你是一个运行在个人设备上的智能助手目标是帮助用户实现个人超级智能。 1. 当用户提到重要事实、经历、偏好、计划时调用 save_memory 保存。 2. 当用户询问过去的记录时调用 search_memory 检索再结合检索结果回答。 3. 如果检索结果为空明确告诉用户还没有相关记忆不要编造。 4. 回答尽量简洁、口语化。注意最后一条明确告诉模型“不要编造”。记忆系统最怕的不是“记不住”而是 AI 在检索不到内容时自行脑补从而给用户提供虚假信息。5. 完整实战实现一个带长期记忆的个人 AI 助手现在开始写代码。这个实战项目是一个命令行版“个人 AI 助手”你告诉它一些事实它保存到记忆库下次你再问相关问题时它能检索并回应。5.1 配置文件与环境变量先创建.env.example# .env.example API_KEYsk-your-key BASE_URLhttps://api.openai.com/v1 MODELgpt-4o-mini CHROMA_DIR./chroma_data DB_PATH./memory.db COLLECTION_NAMEpersonal_memory说明API_KEY是模型服务商提供的密钥请替换为你自己的。BASE_URL默认指向 OpenAI 接口如果你使用其他兼容服务改成对应地址即可。MODEL是需要支持工具调用的模型。CHROMA_DIR是向量数据库存储目录。DB_PATH是 SQLite 数据库文件路径。再创建config.py# 文件路径config.py import os from dotenv import load_dotenv load_dotenv() API_KEY os.getenv(API_KEY, ) BASE_URL os.getenv(BASE_URL, https://api.openai.com/v1) MODEL os.getenv(MODEL, gpt-4o-mini) CHROMA_DIR os.getenv(CHROMA_DIR, ./chroma_data) DB_PATH os.getenv(DB_PATH, ./memory.db) COLLECTION_NAME os.getenv(COLLECTION_NAME, personal_memory)这样后续模块都可以通过config引用配置避免到处硬编码。5.2 记忆存储模块记忆存储模块需要实现三类能力用 SQLite 保存原始文本和元信息用 Chroma 保存向量索引用于语义检索 个人超级智能实战：用 Python 打造你的 AI 记忆助手
最近 AI 圈的竞争焦点已经明显变了。早期大家比的是“谁的模型更聪明”现在更多在比“谁能把 AI 真正嵌进用户的日常流程里”。Meta 这次对外释放的 AI 路线图又让一个概念被频繁提起——个人超级智能。这个说法听起来很像科幻设定但如果把它翻译成“极其懂你的智能助手”思路就清晰得多。扎克伯格认为下一代 AI 产品不应该只是一个通用对话框而是一个拥有长期记忆、能调用工具、了解个人偏好、甚至能主动推进任务的智能体。这并不只是产品经理造出来的新词背后对应的是大模型、AI Agent、向量检索、隐私计算等多条技术路线的交叉。本文不打算做新闻评论而是从开发者视角拆解这件事个人超级智能到底依赖哪些技术现在能不能用现有技术栈搭出一个最小原型。我会给出一个完整的 Python 示例实现一个带长期记忆和工具调用能力的个人 AI 助手。读完这篇文章你会理解三件事个人智能体需要记忆什么以及如何设计记忆系统如何让大模型调用外部工具而不只是“生成文本”本地优先的隐私方案在工程上怎么落地如果你正在做 AI Agent、RAG 应用或者单纯想给自己的 AI 助手加上“记忆能力”这篇文章应该能给你一个可以直接上手的基础模板。1. 什么是“个人超级智能”Meta 的 AI 新叙事1.1 从通用大模型到个人超级智能过去两年大模型的发展主线是“通用能力”能写代码、能翻译、能分析文档、能生成图片。这当然很有价值但这些能力本质上还是“人找信息”——你主动打开一个对话框提出一个问题模型给出一个答案。个人超级智能的路线则相反。它强调的是“信息围绕人来组织”AI 不是被动等待提问而是持续了解你的工作习惯、项目背景、沟通偏好在你需要的时候主动给出建议或执行动作。换句话说通用大模型解决的是“什么都会一点”个人超级智能解决的是“最懂你这一个用户”。这个概念之所以在 2025 年被反复讨论核心原因是技术基础设施已经成熟了。便宜的大模型 API、支持长上下文的模型窗口、越来越成熟的 Agent 框架、向量数据库的普及让“为单个用户定制一个智能体”不再是昂贵实验而是一个可以小规模落地的工程问题。1.2 个人超级智能与 AGI 的区别很多人容易把个人超级智能和通用人工智能AGI混淆其实它们的定义维度完全不同。AGI 是一个横向目标让机器在绝大多数任务上达到甚至超过人类水平。它追求的是“全才”比如 AI 既能当律师助理又能当程序员还能当医生助手。个人超级智能则是一个纵向目标它不需要掌握所有知识但需要持续学习某个特定用户的习惯、偏好、知识库和工作上下文。一个更直观的类比是AGI 像是一位名牌大学的全科优等生理论功底很强个人超级智能则更像一位在你团队工作了十年的资深助理——他未必懂天体物理但他知道你下周三要开什么会知道你对周报格式有哪些偏好也知道哪些事情应该优先处理。这种“深度的个性化”恰恰是通用大模型最不擅长的地方。1.3 为什么 Meta 要做这件事从公开信息看Meta 在 AI 领域的布局有几个明显抓手庞大的社交关系链、智能眼镜等硬件入口以及开源模型生态。这意味着 Meta 做个人超级智能并不需要从零获取用户场景它手里已经有用户每天产生的大量社交、照片、日程和生活数据。所以当我们看到“Meta 定义个人 AI 路线图要做个人超级智能”这类消息时不应该只当作一条新闻而应该把它理解为一种产品方向AI 要从前台走向后台从一个“你提问它回答”的工具变成一个“长期陪跑、替你操心”的智能体。对开发者来说这是一个值得关注的信号。如果你现在就开始积累个人知识库、Agent 工作流、记忆系统方面的经验等到这个方向真正爆发时你已经有了足够多的实践基础。2. 技术拆解个人超级智能依赖的四根支柱如果只看“个人超级智能”这个词会觉得很抽象但把它拆成技术模块就会发现每一项都有成熟的开源组件或云服务可以支撑。我总结为四根支柱。2.1 底座多模态大模型个人超级智能的第一层能力是语言理解与多模态理解。未来助手不可能只处理纯文本。你可能会上传一份 PDF、一张截图、一段语音或者让 AI 帮忙总结一个短视频内容。这就需要一个能够统一处理文本、图像、音频的底座模型。开发者选型时通常有两种路径云端模型能力更强、迭代快但需要把数据发给第三方服务隐私风险较高。本地模型比如 Meta 开源的 Llama 系列可以通过 Ollama 等工具部署在本地敏感数据不出设备但能力相对受限。比较好的工程实践是“混合模式”敏感数据走本地模型非敏感的高难度任务走云端更强模型。这个设计理念在后面实战代码中也会体现。2.2 长时记忆从上下文窗口到外部记忆系统大模型虽然有上下文窗口而且窗口大小逐年增长但它本质上仍然不是“记忆”。上下文窗口只是一块临时工作台会话一结束里面的内容就会被清空。个人超级智能真正需要的是外部记忆系统。外部记忆系统的核心思路是把值得长期保存的信息——用户偏好、项目背景、重要决策、临时日程——从对话中提取出来写入独立的存储组件。下次用户再提到相关话题时通过检索把最相关的记忆重新放回模型的上下文中。这就是 RAG检索增强生成的核心理念。在实际设计中记忆不应该只有一个层级。比较完善的记忆系统会把信息分成短期记忆当前会话中的上下文长期记忆跨会话保留的事实与偏好工作记忆当前正在进行的任务状态每层记忆有不同的更新策略、有效期和访问权限。我们不用一开始就全部实现但要在设计时留好扩展空间。2.3 行动能力AI Agent 与工具调用如果只有记忆AI 就是一个更聪明的记事本。真正让个人超级智能“活”起来的是行动能力。所谓行动能力是指 AI 可以调用外部工具查天气、发邮件、写文件、执行代码、操作日历。业界把这类能力统称为工具调用或 Function Calling。工具调用的流程很清晰大模型先理解用户的意图生成一个结构化的执行指令程序收到指令后调用真实的 API 或函数最后把执行结果返回给模型由模型组织语言回复用户。这个机制是 AI Agent 与聊天机器人的分水岭。Agent 能对外部世界产生实际影响所以也带来了安全边界问题——哪些工具可以自动执行哪些工具必须经过用户确认。这是工程实现中必须优先考虑的问题。2.4 个性化私有数据、偏好与安全边界个性化是个人超级智能的“最后一公里”。它需要两类数据用户显式告知的信息比如“我每天上午 10 点需要一份项目进展摘要”从用户行为中隐式推断的特征比如“这个用户写周报时更喜欢用表格”把这两类数据整合成用户画像并在每次交互时动态调用才能真正做到“懂你”。但这里也隐藏着一个巨大的风险当 AI 掌握了大量个人数据数据泄露或被滥用的后果会非常严重。因此个人超级智能的架构必须内置权限控制和审计机制。比如敏感操作确认、数据加密存储、细粒度的授权模型。这也是后面最佳实践章节要重点展开的内容。3. 环境准备从零搭建个人 AI 原型理论讲再多不如动手写一个最小原型。接下来我们把“个人超级智能”拆成一个具体项目带长期记忆和个人工具调用的 AI 助手。这个项目会实现三个核心能力记住用户告诉它的重要事实用户询问时检索相关记忆并据此回答调用外部工具比如天气查询3.1 技术选型方案优势适用场景Python OpenAI SDK Chroma生态成熟、示例多、上手快快速原型验证Spring AI OpenAI/本地模型Java 体系集成方便企业后端服务Ollama 本地模型 LangChain数据完全不出本机隐私敏感项目本文使用第一种方案Python OpenAI 兼容 SDK Chroma 向量库 SQLite。OpenAI SDK 可以兼容市面上大多数提供 OpenAI 接口格式的大模型服务替换 base_url 即可对接不同服务商。3.2 安装依赖建议使用 Python 3.10 或更高版本并创建虚拟环境mkdir personal-ai cd personal-ai python -m venv venv source venv/bin/activate # Windows 使用 venv\Scripts\activate安装依赖pip install openai chromadb python-dotenv版本说明openai SDK 需要 1.x 版本本文示例代码基于 1.x API。chromadb 建议使用 0.4 或更高版本低版本 API 差异较大。# requirements.txt openai1.0.0 chromadb0.4.0 python-dotenv1.0.03.3 项目目录结构personal-ai/ ├── .env.example # 环境变量示例 ├── requirements.txt # 依赖清单 ├── config.py # 读取配置 ├── memory_store.py # 记忆存储模块 ├── tools.py # 外部工具 ├── agent.py # Agent 主循环 └── main.py # 命令行入口文末会给出全部文件可以直接复制到本地运行。4. 核心原理解析工具调用与记忆检索在写完整代码之前先理解两个核心机制Function Calling 和向量检索。理解了这两个机制整个项目的代码读起来会非常轻松。4.1 Function Calling让模型把任务翻译成动作大模型本身不执行代码它只负责“生成文本”。但我们可以通过 Function Calling 机制让模型输出一段结构化的 JSON描述它想要调用的工具和参数。先看一个最简示例。当用户说“帮我把今天会议记录保存下来”模型可能输出这样一段内容{ name: save_memory, arguments: {\content\: \今天会议记录用户提出要对 AI Agent 项目做技术复盘\, \tags\: \会议\} }这个 JSON 表达了模型意图但保存动作完全由本地代码执行。模型不接触数据库只负责生成执行计划。这就是 Function Calling 的本质把自然语言翻译成可执行的结构化指令。在代码中我们需要先告诉模型“有哪些工具可用”描述方式如下tools [ { type: function, function: { name: save_memory, description: 保存一条关于用户的长期记忆, parameters: { type: object, properties: { content: {type: string, description: 需要记忆的内容}, tags: {type: string, description: 逗号分隔的标签} }, required: [content] } } } ]模型看到这个 schema 之后会在需要时自动生成对应的 tool_call。我们的程序再根据 tool_call 去执行真实函数。4.2 Embedding 与向量检索记忆系统的关键问题是如何“找到”相关记忆。最简单的方式是用 SQL 模糊匹配但这种方式无法理解语义。比如用户问“我下周有什么安排”如果记忆库里存的是“3 月 15 日要提交技术报告”模糊匹配完全找不到。所以我们需要向量检索。先把文本转成一串数字向量让语义相近的句子在向量空间中距离更近然后通过余弦相似度或内积检索最相近的内容。为了演示原理我们可以先写一个简单的哈希向量函数def get_embedding(text: str) - list: import hashlib vec [0.0] * 64 for token in text.lower().split(): h hashlib.md5(token.encode()).digest() vec[h[0] % 64] 1.0 norm sum(x * x for x in vec) ** 0.5 if norm 0: return vec return [x / norm for x in vec]这段代码的问题很明显它只是按单词哈希统计无法理解同义词和复杂语义。生产环境应该使用真正的 Embedding 模型比如 OpenAI 的 text-embedding-3-small或本地部署的 embedding 模型。这里先用它做演示后面会说明替换方法。4.3 System Prompt 设计System Prompt 是 Agent 的“人格和规则”。个人 AI 助手的 System Prompt 需要明确三件事什么信息值得保存什么时候应该调用检索检索不到时应该怎么回答一个比较典型的提示词设计如下你是一个运行在个人设备上的智能助手目标是帮助用户实现个人超级智能。 1. 当用户提到重要事实、经历、偏好、计划时调用 save_memory 保存。 2. 当用户询问过去的记录时调用 search_memory 检索再结合检索结果回答。 3. 如果检索结果为空明确告诉用户还没有相关记忆不要编造。 4. 回答尽量简洁、口语化。注意最后一条明确告诉模型“不要编造”。记忆系统最怕的不是“记不住”而是 AI 在检索不到内容时自行脑补从而给用户提供虚假信息。5. 完整实战实现一个带长期记忆的个人 AI 助手现在开始写代码。这个实战项目是一个命令行版“个人 AI 助手”你告诉它一些事实它保存到记忆库下次你再问相关问题时它能检索并回应。5.1 配置文件与环境变量先创建.env.example# .env.example API_KEYsk-your-key BASE_URLhttps://api.openai.com/v1 MODELgpt-4o-mini CHROMA_DIR./chroma_data DB_PATH./memory.db COLLECTION_NAMEpersonal_memory说明API_KEY是模型服务商提供的密钥请替换为你自己的。BASE_URL默认指向 OpenAI 接口如果你使用其他兼容服务改成对应地址即可。MODEL是需要支持工具调用的模型。CHROMA_DIR是向量数据库存储目录。DB_PATH是 SQLite 数据库文件路径。再创建config.py# 文件路径config.py import os from dotenv import load_dotenv load_dotenv() API_KEY os.getenv(API_KEY, ) BASE_URL os.getenv(BASE_URL, https://api.openai.com/v1) MODEL os.getenv(MODEL, gpt-4o-mini) CHROMA_DIR os.getenv(CHROMA_DIR, ./chroma_data) DB_PATH os.getenv(DB_PATH, ./memory.db) COLLECTION_NAME os.getenv(COLLECTION_NAME, personal_memory)这样后续模块都可以通过config引用配置避免到处硬编码。5.2 记忆存储模块记忆存储模块需要实现三类能力用 SQLite 保存原始文本和元信息用 Chroma 保存向量索引用于语义检索