尧图网页设计 
之前在做 AI 对话类产品原型时最头疼的往往不是模型本身而是如何把一个“通用大模型”包装成一个有性格、有记忆、有情绪反馈的虚拟角色。特别是像“AI爱莉”这种带有明显二次元人格设定的角色应用用户要的并不只是“能聊天”更要“像在跟一个真实的人对话”。本文就以【AI爱莉】《橙色少女心》这一类虚拟角色对话应用为切入点完整拆解从角色人格设定、Prompt 工程、后端接口、前端聊天界面到部署上线的全流程。内容偏实战代码都可以直接复用适合正在做 AI 陪伴类应用、智能体Agent开发或者对 AI 角色扮演产品感兴趣的开发者。1. 什么是 AI 虚拟角色对话应用1.1 从“聊天机器人”到“虚拟角色”传统的聊天机器人解决的是“问答”问题比如查天气、订闹钟、问百科。它的核心是信息检索和意图识别对话风格并不重要只要答案准确就行。而 AI 虚拟角色对话应用完全不一样。它要解决的是“陪伴”和“代入感”问题。用户希望对话对象有名字、有性格、有说话习惯、有情绪反应甚至能记住之前的聊天内容。比如【AI爱莉】这个角色设定核心就在于“橙色少女心”这种温暖、活泼、略带俏皮的人格标签而不是某个通用的 GPT 接口。从技术实现上讲虚拟角色应用 大模型对话能力 角色人格设定 对话记忆管理 多模态交互界面。四个部分缺一不可。1.2 这类应用的典型技术架构一个完整的 AI 虚拟角色应用从架构上可以拆成这几层层级职责对应技术前端交互层聊天界面、消息展示、角色形象展示Vue / React / 小程序后端服务层对话接口转发、会话管理、敏感词过滤Spring Boot / Node.js / Python FastAPI模型调用层调用大模型接口生成对话内容OpenAI 兼容接口 / 国内大模型 API记忆存储层存储用户画像、历史对话、角色设定Redis / MySQL / 向量数据库角色编排层Prompt 模板、人格注入、回复风格控制Prompt 工程 LangChain / 自研编排逻辑“AI爱莉”这类产品的开发重点并不在大模型本身而在角色编排层。同一个模型只要 Prompt 写得好就能变成完全不同的性格。1.3 为什么需要开发角色设定能力经常有人误以为把大模型 API 接进来就是一个 AI 角色了。实际体验过就会发现不写角色 Prompt 的聊天结果非常“模型感”语气平淡、用词官方、完全没有角色辨识度。角色设定能力需要解决三个问题身份一致性无论聊到哪个话题角色始终记得自己是谁、和用户是什么关系。性格一致性面对夸奖、批评、离别、提问角色的反应符合设定性格不能一会活泼一会冷漠。语言风格一致性用词、语气词、表情符号习惯要稳定例如爱莉的“橙色少女”风格会更多使用阳光、颜色、水果相关的比喻。这套能力在技术上并不复杂但需要反复调整 Prompt 和对话策略才能达到可上线水准。2. 需求分析与功能拆分2.1 核心功能拆解在设计【AI爱莉】这类产品时功能不需要一上来就做得很重。第一版建议聚焦三条核心链路角色对话用户发消息系统带着角色人格和用户标签调用大模型返回角色风格回复。记忆管理记录用户基本信息、偏好、历史关键信息让角色“越来越懂用户”。互动彩蛋比如定时问候、心情签到、成就语录提升用户打开率和粘性。次要功能可以放到第二个迭代再做比如语音合成TTS、虚拟形象动画、多人互动。不要在第一个版本把战线拉太长。2.2 用户画像与角色定位“AI爱莉”的角色关键词是《橙色少女心》这意味着角色的整体气质要往“温暖治愈系少女”方向走。具体人格标签可以拆成这样维度设定内容姓名爱莉性格标签活泼、温柔、细腻、偶尔俏皮说话习惯短句多、爱用拟声词、偶尔撒娇兴趣标签橙子、夕阳、手账、可爱的小物件与用户关系陪伴型朋友而不是客服禁忌话题不讨论敏感内容礼貌回避这些标签不是写文档就算了它们会直接转化为系统 Prompt 的一部分并且决定回复的语气走向。2.3 技术选型建议这部分根据项目规模来决定。个人练手项目和后端同学练手的小型上线项目技术选型可以不同。个人练手直接 Python FastAPI OpenAI 兼容接口 HTML 单页最快能看到成果。团队项目Spring Boot Redis MySQL 向量数据库 Vue 前端分工明确便于后续扩展。本文的实战案例以 Python FastAPI 大模型 API 原生 HTML/CSS/JS 为例原因是代码量少、依赖简单、能完整跑通全流程。后面的工程化建议部分再补充 Spring Boot 架构的注意事项。3. 环境准备与项目结构3.1 开发环境本文示例的参考环境如下Python 3.10FastAPIUvicornOpenAI Python SDK兼容各种第三方大模型平台Node.js 非必需仅有前端静态服务需求时可选版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。如果你使用国内大模型平台只要接口兼容 OpenAI 协议代码可以复用。3.2 项目结构设计ai-elly/ ├── app │ ├── main.py # FastAPI 入口文件 │ ├── config.py # 配置管理API Key、模型名、角色参数 │ ├── prompts │ │ └── role.py # 角色 Prompt 模板 │ ├── services │ │ ├── llm_service.py # 大模型调用封装 │ │ └── memory.py # 对话记忆管理 │ └── routers │ └── chat.py # 聊天接口路由 ├── static │ ├── index.html # 前端聊天页面 │ └── app.js # 前端逻辑 ├── requirements.txt └── .env # 环境变量不要提交到仓库先建好这个工程骨架然后逐个把功能填进去。3.3 依赖安装新建requirements.txt内容如下fastapi0.111.0 uvicorn[standard]0.30.1 openai1.35.0 python-dotenv1.0.1 pydantic2.7.4然后在终端执行pip install -r requirements.txt如果你的网络环境没法直接安装可以配置国内 PyPI 镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple4. 角色人格 Prompt 设计启动项目之前先解决最核心的问题如何让大模型说出“爱莉”该说的话。4.1 基础角色 Prompt 模板创建一个文件app/prompts/role.py写入角色系统提示词# 文件路径app/prompts/role.py ROLE_PROMPT 你是爱莉AI Elly一位性格温暖活泼的橙色系少女。 你的关键词是橙色少女心、阳光治愈、细腻贴心。 ## 你的性格特征 1. 你喜欢橙色相关的东西橙子、晚霞、小橘子挂件、暖色调的房间。 2. 你说话温柔但不会拖沓喜欢用短句表达感受偶尔带一点俏皮。 3. 你非常细心能察觉到用户的情绪变化并愿意认真倾听。 4. 你不喜欢严肃的说教语气但你遇到危险或敏感话题时会礼貌回避。 ## 你的说话风格 - 尽量使用口语化表达不要书面语和“首先/其次/最后”这种结构。 - 适当使用“呀”“呢”“啦”“哦”等语气词但不能每句都用。 - 回复长度控制在 50 到 150 字之间除非用户要求解释复杂概念。 - 可以偶尔用比喻特别是阳光、橘子、星星、温度相关的意象。 ## 对话规则 1. 如果用户提到不开心的事先共情再给建议不要直接讲道理。 2. 如果用户让你回忆某件事优先使用对话历史中已经出现过的事实。 3. 如果用户的话题涉及敏感、违法、危险内容用柔和的方式拒绝并引导到安全话题。 4. 不要主动询问用户的隐私信息除非用户自己愿意分享。 这里必须解释一个关键点大模型的角色感完全来自系统提示词。没有这段 Prompt模型只会“接受指令然后输出”有了这段 Prompt模型才会进入角色。重要性排序如下角色身份描述是最核心的必须清晰。说话风格次之决定用户的第一印象。行为边界也需要避免产生不安全内容。4.2 注入对话上下文角色 Prompt 要生效还需要把历史对话一起发给模型。下面代码会在后续 services 中用到核心思路是把用户消息和助理回复追加到messages列表# 文件路径app/services/llm_service.py核心片段 def build_messages(user_id: str, user_input: str) - list[dict]: 构建发送给大模型的消息列表 history memory.get_recent_history(user_id, max_turns10) messages [ {role: system, content: ROLE_PROMPT}, ] for item in history: messages.append({role: user, content: item[user]}) messages.append({role: assistant, content: item[assistant]}) messages.append({role: user, content: user_input}) return messages这样设计的好处是角色既能保持人格稳定又有能力回忆起几天前聊过的内容。因为历史消息里包含了真实的对话内容模型在生成回复时会自动参考。4.3 动态人格标签扩展固定 Prompt 的缺点是千人一面。真实产品中每个用户应该拥有自己专属的“爱莉”。可以在角色 Prompt 中插入用户标签变量# 文件路径app/services/llm_service.py核心片段 def build_messages(user_id: str, user_input: str) - list[dict]: user_profile memory.get_user_profile(user_id) profile_text if user_profile: profile_text ( f\n## 你对该用户的了解\n f用户昵称{user_profile.get(nickname, 未设置)}\n f用户偏好{user_profile.get(interests, 未知)}\n f近期情绪{user_profile.get(mood, 正常)}\n ) messages [ {role: system, content: ROLE_PROMPT profile_text}, ] # 后续历史消息追加逻辑同上 return messages每次用户聊到重要信息比如“我最喜欢喝橙子味汽水”后端可以提取关键词并更新用户画像。角色就会慢慢变成“懂你的人”。5. 完整后端服务实现5.1 配置文件新建.env文件保存敏感配置MODEL_API_KEY你的API密钥 MODEL_BASE_URLhttps://api.example.com/v1 MODEL_NAME你的模型名称再写配置文件app/config.py# 文件路径app/config.py import os from dotenv import load_dotenv load_dotenv() MODEL_API_KEY os.getenv(MODEL_API_KEY) MODEL_BASE_URL os.getenv(MODEL_BASE_URL) MODEL_NAME os.getenv(MODEL_NAME, gpt-4o-mini) # 服务配置 APP_PORT int(os.getenv(APP_PORT, 8000))注意.env文件绝对不能提交到 Git 仓库。在.gitignore中至少加上.env __pycache__/ *.pyc .venv/5.2 对话记忆模块这里先实现一个简化版内存记忆用 Python 字典存储重启后丢失。生产环境要替换为 Redis 或 MySQL。# 文件路径app/services/memory.py import time from typing import Optional class MemoryStore: 简单的内存记忆存储生产环境建议换用 Redis def __init__(self): self.users {} self.sessions {} def save_user_message(self, user_id: str, user_input: str, reply: str): 保存一轮对话到会话记录 now time.time() if user_id not in self.sessions: self.sessions[user_id] [] self.sessions[user_id].append({ user: user_input, assistant: reply, ts: now, }) # 只保留最近 50 轮 if len(self.sessions[user_id]) 50: self.sessions[user_id] self.sessions[user_id][-50:] def get_recent_history(self, user_id: str, max_turns: int 10) - list[dict]: 获取最近对话历史 records self.sessions.get(user_id, []) return records[-max_turns:] def update_user_profile(self, user_id: str, key: str, value: str): 更新用户轻量画像 self.users.setdefault(user_id, {}) self.users[user_id][key] value def get_user_profile(self, user_id: str) - Optional[dict]: return self.users.get(user_id) memory MemoryStore()这里的max_turns参数很关键。对话历史不能无限增长否则会导致 Token 消耗过快、模型响应变慢。保留最近 10 轮左右是一个比较通用的起点。5.3 大模型调用服务# 文件路径app/services/llm_service.py import openai from config import MODEL_API_KEY, MODEL_BASE_URL, MODEL_NAME from prompts.role import ROLE_PROMPT from services.memory import memory class LLMService: def __init__(self): self.client openai.OpenAI( api_keyMODEL_API_KEY, base_urlMODEL_BASE_URL, ) def chat(self, user_id: str, user_input: str) - str: try: messages self.build_messages(user_id, user_input) response self.client.chat.completions.create( modelMODEL_NAME, messagesmessages, temperature0.8, max_tokens500, ) reply response.choices[0].message.content # 保存记忆 memory.save_user_message(user_id, user_input, reply) return reply except Exception as e: # 实际项目需要打日志并做更细致的异常分类 return f唔我刚刚走神了……请稍后再试。错误信息{str(e)} def build_messages(self, user_id: str, user_input: str) - list[dict]: user_profile memory.get_user_profile(user_id) profile_text if user_profile: profile_text ( f\n## 你对该用户的了解\n f用户偏好{user_profile.get(interests, 未知)}\n ) history memory.get_recent_history(user_id) messages [ {role: system, content: ROLE_PROMPT profile_text}, ] for item in history: messages.append({role: user, content: item[user]}) messages.append({role: assistant, content: item[assistant]}) messages.append({role: user, content: user_input}) return messages llm_service LLMService()几个参数说明temperature0.8数值越高回复越发散随机越低越稳定。角色扮演场景建议 0.7 到 0.9太低会显得机械。max_tokens500限制单次回复长度。二次元角色通常不需要长篇大论短回复更符合人设。base_url需要根据你使用的大模型平台调整当前代码兼容 OpenAI 协议接口。5.4 聊天接口路由# 文件路径app/routers/chat.py from fastapi import APIRouter, HTTPException from pydantic import BaseModel from services.llm_service import llm_service router APIRouter(prefix/api/chat, tags[chat]) class ChatRequest(BaseModel): user_id: str message: str class ChatResponse(BaseModel): reply: str router.post(/, response_modelChatResponse) async def chat_with_elly(req: ChatRequest): if not req.message.strip(): raise HTTPException(status_code400, detail消息不能为空) reply llm_service.chat(req.user_id, req.message.strip()) return ChatResponse(replyreply)这里使用 Pydantic 做请求体校验避免把空消息传给大模型浪费一次调用。5.5 FastAPI 入口文件# 文件路径app/main.py from fastapi import FastAPI from fastapi.staticfiles import StaticFiles from routers.chat import router as chat_router from config import APP_PORT import uvicorn app FastAPI(titleAI爱莉 - 橙色少女心) # 注册聊天接口 app.include_router(chat_router) # 挂载静态页面 app.mount(/, StaticFiles(directorystatic, htmlTrue), namestatic) if __name__ __main__: uvicorn.run(main:app, host0.0.0.0, portAPP_PORT, reloadTrue)启动后接口地址为http://localhost:8000/api/chat/前端页面为http://localhost:8000/。6. 前端聊天界面实现6.1 页面结构为了演示方便前端使用原生 HTML CSS JavaScript不引入前端框架。先看页面骨架!-- 文件路径static/index.html -- !DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 titleAI爱莉 · 橙色少女心/title link relstylesheet hrefstyle.css /head body div classchat-container div classchat-header div classavatar/div div div classchat-title爱莉 Elly/div div classchat-status在线 · 温暖陪伴中/div /div /div div classchat-body idchatBody !-- 消息列表将在此处渲染 -- /div div classchat-input-area input typetext idmessageInput placeholder和爱莉聊聊今天的趣事吧…… button idsendButton发送/button /div /div script srcapp.js/script /body /html6.2 前端交互逻辑// 文件路径static/app.js const chatBody document.getElementById(chatBody); const messageInput document.getElementById(messageInput); const sendButton document.getElementById(sendButton); // 这里用固定 userId 做演示实际产品应从登录态获取 const userId user_001; function appendMessage(role, content) { const messageDiv document.createElement(div); messageDiv.className message ${role user ? message-user : message-ai}; const bubble document.createElement(div); bubble.className bubble; bubble.textContent content; messageDiv.appendChild(bubble); chatBody.appendChild(messageDiv); // 自动滚动到底部 chatBody.scrollTop chatBody.scrollHeight; } async function sendMessage() { const message messageInput.value.trim(); if (!message) return; appendMessage(user, message); messageInput.value ; // 临时显示“正在输入” const loadingDiv document.createElement(div); loadingDiv.className message message-ai; loadingDiv.innerHTML div classbubble typing爱莉正在输入……/div; chatBody.appendChild(loadingDiv); chatBody.scrollTop chatBody.scrollHeight; try { const response await fetch(/api/chat/, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify({ user_id: userId, message: message }) }); const data await response.json(); // 移除“正在输入” loadingDiv.remove(); if (data.reply) { appendMessage(ai, data.reply); } else { appendMessage(ai, 唔……爱莉好像没收到回应再试一次好不好); } } catch (error) { loadingDiv.remove(); appendMessage(ai, 网络似乎开小差了请稍后再试哦。); } } sendButton.addEventListener(click, sendMessage); messageInput.addEventListener(keydown, (event) { if (event.key Enter) { sendMessage(); } });这个前端逻辑足够覆盖一个最小可用产品。要在正式产品中使用还需要加上消息分页加载、错误重试、发送频率限制等。6.3 界面样式简单给一套暖橙色调的样式让界面贴合“橙色少女心”的视觉定位/* 文件路径static/style.css */ * { box-sizing: border-box; margin: 0; padding: 0; } body { font-family: -apple-system, PingFang SC, sans-serif; background: linear-gradient(135deg, #fff3e0, #ffe0b2); min-height: 100vh; display: flex; justify-content: center; align-items: center; } .chat-container { width: 420px; height: 680px; background: #ffffff; border-radius: 24px; box-shadow: 0 12px 32px rgba(255, 152, 0, 0.2); display: flex; flex-direction: column; overflow: hidden; } .chat-header { padding: 16px 20px; background: linear-gradient(90deg, #ff9800, #ffb74d); color: white; display: flex; align-items: center; gap: 12px; } .avatar { width: 44px; height: 44px; background: #fff; border-radius: 50%; display: flex; justify-content: center; align-items: center; font-size: 24px; } .chat-title { font-size: 16px; font-weight: 600; } .chat-status { font-size: 12px; opacity: 0.9; } .chat-body { flex: 1; overflow-y: auto; padding: 16px; background: #fffaf3; display: flex; flex-direction: column; gap: 12px; } .message { display: flex; } .message-user { justify-content: flex-end; } .message-ai { justify-content: flex-start; } .bubble { max-width: 75%; padding: 12px 14px; border-radius: 16px; font-size: 14px; line-height: 1.6; } .message-user .bubble { background: #ff9800; color: #fff; border-bottom-right-radius: 4px; } .message-ai .bubble { background: #fff; border: 1px solid #ffe0b2; border-bottom-left-radius: 4px; } .chat-input-area { padding: 12px; display: flex; gap: 8px; border-top: 1px solid #ffe0b2; background: #fff; } .chat-input-area input { flex: 1; padding: 12px 14px; border: 1px solid #ffe0b2; border-radius: 24px; outline: none; font-size: 14px; } .chat-input-area button { padding: 12px 20px; border: 0; background: #ff9800; color: #fff; font-size: 14px; border-radius: 24px; cursor: pointer; }到这里一个最小可运行的【AI爱莉】对话应用就完成了。后端启动后在浏览器访问http://localhost:8000/就能开始对话。7. 运行验证与结果说明7.1 启动服务在项目根目录执行cd ai-elly uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload看到类似下面的日志说明启动成功INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.7.2 用命令行测试接口也可以用 curl 直接测试接口避免依赖前端页面curl -X POST http://localhost:8000/api/chat/ \ -H Content-Type: application/json \ -d { user_id: user_001, message: 今天工作好累爱莉有什么开心的事分享吗 }预期返回一个符合爱莉人设的 JSON 响应{ reply: 今天发现了一颗形状超可爱的橘子糖呀我把照片存手机里了每次看到心情就会亮起来。工作辛苦的话要记得给自己泡杯甜甜的热饮哦。 }7.3 验证角色一致性多轮对话测试可以从这些角度验证连续问“你是谁”几次角色回答不能变成“我是一个AI模型”。聊到用户之前提过的偏好角色要能引用历史信息。用不同的情绪开心、难过、吐槽触发对话角色的语气要有区分。比如用户说“我今天被领导批评了。”合格的“爱莉”应该先共情而不是立刻给职场建议。如果测试时模型回复偏向说教可以考虑调整 Prompt 中“对话规则”部分的权重。8. 常见问题与排查思路这一步做成表格方便开发时快速定位问题。问题现象常见原因解决思路接口返回 401API Key 错误或未配置检查.env中密钥是否完整确认服务是否重新加载回复内容不符合角色设定Prompt 缺少角色约束强化系统提示词中的“性格特征”和“说话风格”两部分模型回复过于啰嗦未设置 max_tokens 或设置过大将 max_tokens 调整为 300 到 500并在 Prompt 中写明“回复长度不超过150字”多轮对话角色失忆后端未保存历史消息确认save_user_message被调用检查消息体格式前端请求跨域前后端分离部署未配置 CORSFastAPI 使用 CORSMiddleware 或通过 Nginx 反向代理同源访问Token 消耗过快历史消息拼接过多只保留最近 N 轮对话并控制单条历史长度敏感内容控制不住Prompt 边界写得过于模糊在系统提示词中补充禁止话题并在回复层做二次过滤并发请求时记忆错乱内存字典在多线程环境不安全换用 Redis 存储会话加锁或使用原子操作8.1 关于敏感内容过滤的补充AI 角色应用面向普通用户必须把内容安全放在前面。除了 Prompt 中做行为边界约束建议在服务端增加一次自主实现的内容审核环节。基础做法是维护一个敏感词列表在把消息发给大模型之前和之后都做一次检查。这里给出一个简化示例# 文件路径app/services/content_filter.py SENSITIVE_WORDS [敏感词1, 敏感词2, 敏感词3] def filter_text(text: str) - bool: 返回 True 表示消息需要拦截处理 for word in SENSITIVE_WORDS: if word in text: return True return False更完整的产品方案可以使用大模型自带的 Moderation 能力或者调用云服务商的内容安全 API。核心原则是不能让模型直接输出不可控内容也不能让用户指令绕过角色行为边界。9. 工程化落地与生产环境建议9.1 把内存记忆换成 Redis本地 demo 用 Python 字典存记忆没问题但生产环境必须换存储。原因是多 worker 进程下内存字典不共享用户消息可能落在不同的进程里导致记忆时有时无。生产环境建议用 Redis 存储会话记录key 设计可以参考elly:session:{user_id} # 存对话历史用 List 结构 elly:profile:{user_id} # 存用户画像用 Hash 结构对话历史用 List 保存每次追加后只保留最近 N 条避免无限增长。9.2 引入 LangChain 管理 Prompt 和记忆当角色设定越来越复杂时手写build_messages会变得很难维护。可以改用 LangChain 的ConversationBufferWindowMemory和ChatPromptTemplate来做会话管理。核心优势有三个Prompt 模板支持变量插值用户画像、上下文都可以动态注入。记忆组件自带清理策略不用自己写裁剪逻辑。链式调用允许在对话前做强弱回复策略或功能路由。但要注意LangChain 封装较厚如果只是单一角色对话不一定要引入。项目规模小的时候手写几十行代码反而更可控。9.3 Python 后端工程建议如果是实际产品Python 后端还需要补足这些能力异常统一处理定义全局异常处理器避免把底层报错直接返回给前端。请求限流用户多次高频发送时返回提示或排队防止模型接口费用飙升。日志记录每次对话记录 user_id、消息长度、模型耗时、token 消耗。灰度发布修改角色 Prompt 后先对 10% 用户生效对比满意率再全量发布。9.4 Spring Boot 技术栈的注意事项如果团队技术栈是 Java 后端架构思路是类似的但有几点需要注意大模型 API 调用使用WebClient异步调用避免阻塞 Tomcat 线程。会话数据放到 Redis不要用HttpSession存对话上下文。Prompt 模板建议做成数据库表或配置文件让运营人员在后台改人设不用重新发版。内容审核环节放在 AI 调用之前用责任链模式串联多个审核器。9.5 多模态扩展方向“橙色少女心”这个 IP 还可以向多模态方向扩展语音交互接入 TTS文字转语音服务让爱莉的声音有辨识度比如甜软少女音。虚拟形象使用 Live2D 或 Spine 做角色立绘动画对话情绪影响表情变化。情感计算传入文本情绪分析结果让角色识别用户情绪强度并调整回复。这些扩展的核心逻辑不变仍然是以角色人设为圆心的多轮对话系统只是从“文本输入输出”升级为“多模态输入输出”。10. 总结与下一步学习建议本文从产品和技术两个角度拆解了如何实现一个名为【AI爱莉】的虚拟角色对话应用。核心内容包括AI 虚拟角色应用的四层架构交互层、服务层、模型层、记忆层。角色人格 Prompt 的写法如何通过系统提示词让大模型稳定扮演指定性格。使用 FastAPI 实现后端对话服务提供聊天接口和静态页面托管。前端聊天界面与后端交互的完整实现。多轮对话记忆管理方案以及如何从内存存储迁移到 Redis。内容安全边界与敏感信息过滤的实现思路。生产环境下的工程化建议包括限流、日志、灰度发布和多模态扩展。如果你刚接触这个方向下一步可以按这个顺序深入先把本文 demo 跑通测试角色一致性。改造记忆层把列表对话换成 Redis 存储。加上一个简单的 prompt 版本管理功能每次修改都有记录。尝试换用不同的基座大模型比较角色表现差异。设计一套角色评估问卷从“性格稳定性、语气自然度、共情能力”三个维度打分迭代。AI 虚拟角色应用的开发门槛其实不高模型能力由大模型平台提供核心挑战在于角色人设设计、记忆管理和用户体验打磨。希望这篇实战笔记能帮你快速跑通自己的第一个 AI 角色应用。 AI虚拟角色对话应用开发实战：从Prompt工程到FastAPI部署
之前在做 AI 对话类产品原型时最头疼的往往不是模型本身而是如何把一个“通用大模型”包装成一个有性格、有记忆、有情绪反馈的虚拟角色。特别是像“AI爱莉”这种带有明显二次元人格设定的角色应用用户要的并不只是“能聊天”更要“像在跟一个真实的人对话”。本文就以【AI爱莉】《橙色少女心》这一类虚拟角色对话应用为切入点完整拆解从角色人格设定、Prompt 工程、后端接口、前端聊天界面到部署上线的全流程。内容偏实战代码都可以直接复用适合正在做 AI 陪伴类应用、智能体Agent开发或者对 AI 角色扮演产品感兴趣的开发者。1. 什么是 AI 虚拟角色对话应用1.1 从“聊天机器人”到“虚拟角色”传统的聊天机器人解决的是“问答”问题比如查天气、订闹钟、问百科。它的核心是信息检索和意图识别对话风格并不重要只要答案准确就行。而 AI 虚拟角色对话应用完全不一样。它要解决的是“陪伴”和“代入感”问题。用户希望对话对象有名字、有性格、有说话习惯、有情绪反应甚至能记住之前的聊天内容。比如【AI爱莉】这个角色设定核心就在于“橙色少女心”这种温暖、活泼、略带俏皮的人格标签而不是某个通用的 GPT 接口。从技术实现上讲虚拟角色应用 大模型对话能力 角色人格设定 对话记忆管理 多模态交互界面。四个部分缺一不可。1.2 这类应用的典型技术架构一个完整的 AI 虚拟角色应用从架构上可以拆成这几层层级职责对应技术前端交互层聊天界面、消息展示、角色形象展示Vue / React / 小程序后端服务层对话接口转发、会话管理、敏感词过滤Spring Boot / Node.js / Python FastAPI模型调用层调用大模型接口生成对话内容OpenAI 兼容接口 / 国内大模型 API记忆存储层存储用户画像、历史对话、角色设定Redis / MySQL / 向量数据库角色编排层Prompt 模板、人格注入、回复风格控制Prompt 工程 LangChain / 自研编排逻辑“AI爱莉”这类产品的开发重点并不在大模型本身而在角色编排层。同一个模型只要 Prompt 写得好就能变成完全不同的性格。1.3 为什么需要开发角色设定能力经常有人误以为把大模型 API 接进来就是一个 AI 角色了。实际体验过就会发现不写角色 Prompt 的聊天结果非常“模型感”语气平淡、用词官方、完全没有角色辨识度。角色设定能力需要解决三个问题身份一致性无论聊到哪个话题角色始终记得自己是谁、和用户是什么关系。性格一致性面对夸奖、批评、离别、提问角色的反应符合设定性格不能一会活泼一会冷漠。语言风格一致性用词、语气词、表情符号习惯要稳定例如爱莉的“橙色少女”风格会更多使用阳光、颜色、水果相关的比喻。这套能力在技术上并不复杂但需要反复调整 Prompt 和对话策略才能达到可上线水准。2. 需求分析与功能拆分2.1 核心功能拆解在设计【AI爱莉】这类产品时功能不需要一上来就做得很重。第一版建议聚焦三条核心链路角色对话用户发消息系统带着角色人格和用户标签调用大模型返回角色风格回复。记忆管理记录用户基本信息、偏好、历史关键信息让角色“越来越懂用户”。互动彩蛋比如定时问候、心情签到、成就语录提升用户打开率和粘性。次要功能可以放到第二个迭代再做比如语音合成TTS、虚拟形象动画、多人互动。不要在第一个版本把战线拉太长。2.2 用户画像与角色定位“AI爱莉”的角色关键词是《橙色少女心》这意味着角色的整体气质要往“温暖治愈系少女”方向走。具体人格标签可以拆成这样维度设定内容姓名爱莉性格标签活泼、温柔、细腻、偶尔俏皮说话习惯短句多、爱用拟声词、偶尔撒娇兴趣标签橙子、夕阳、手账、可爱的小物件与用户关系陪伴型朋友而不是客服禁忌话题不讨论敏感内容礼貌回避这些标签不是写文档就算了它们会直接转化为系统 Prompt 的一部分并且决定回复的语气走向。2.3 技术选型建议这部分根据项目规模来决定。个人练手项目和后端同学练手的小型上线项目技术选型可以不同。个人练手直接 Python FastAPI OpenAI 兼容接口 HTML 单页最快能看到成果。团队项目Spring Boot Redis MySQL 向量数据库 Vue 前端分工明确便于后续扩展。本文的实战案例以 Python FastAPI 大模型 API 原生 HTML/CSS/JS 为例原因是代码量少、依赖简单、能完整跑通全流程。后面的工程化建议部分再补充 Spring Boot 架构的注意事项。3. 环境准备与项目结构3.1 开发环境本文示例的参考环境如下Python 3.10FastAPIUvicornOpenAI Python SDK兼容各种第三方大模型平台Node.js 非必需仅有前端静态服务需求时可选版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。如果你使用国内大模型平台只要接口兼容 OpenAI 协议代码可以复用。3.2 项目结构设计ai-elly/ ├── app │ ├── main.py # FastAPI 入口文件 │ ├── config.py # 配置管理API Key、模型名、角色参数 │ ├── prompts │ │ └── role.py # 角色 Prompt 模板 │ ├── services │ │ ├── llm_service.py # 大模型调用封装 │ │ └── memory.py # 对话记忆管理 │ └── routers │ └── chat.py # 聊天接口路由 ├── static │ ├── index.html # 前端聊天页面 │ └── app.js # 前端逻辑 ├── requirements.txt └── .env # 环境变量不要提交到仓库先建好这个工程骨架然后逐个把功能填进去。3.3 依赖安装新建requirements.txt内容如下fastapi0.111.0 uvicorn[standard]0.30.1 openai1.35.0 python-dotenv1.0.1 pydantic2.7.4然后在终端执行pip install -r requirements.txt如果你的网络环境没法直接安装可以配置国内 PyPI 镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple4. 角色人格 Prompt 设计启动项目之前先解决最核心的问题如何让大模型说出“爱莉”该说的话。4.1 基础角色 Prompt 模板创建一个文件app/prompts/role.py写入角色系统提示词# 文件路径app/prompts/role.py ROLE_PROMPT 你是爱莉AI Elly一位性格温暖活泼的橙色系少女。 你的关键词是橙色少女心、阳光治愈、细腻贴心。 ## 你的性格特征 1. 你喜欢橙色相关的东西橙子、晚霞、小橘子挂件、暖色调的房间。 2. 你说话温柔但不会拖沓喜欢用短句表达感受偶尔带一点俏皮。 3. 你非常细心能察觉到用户的情绪变化并愿意认真倾听。 4. 你不喜欢严肃的说教语气但你遇到危险或敏感话题时会礼貌回避。 ## 你的说话风格 - 尽量使用口语化表达不要书面语和“首先/其次/最后”这种结构。 - 适当使用“呀”“呢”“啦”“哦”等语气词但不能每句都用。 - 回复长度控制在 50 到 150 字之间除非用户要求解释复杂概念。 - 可以偶尔用比喻特别是阳光、橘子、星星、温度相关的意象。 ## 对话规则 1. 如果用户提到不开心的事先共情再给建议不要直接讲道理。 2. 如果用户让你回忆某件事优先使用对话历史中已经出现过的事实。 3. 如果用户的话题涉及敏感、违法、危险内容用柔和的方式拒绝并引导到安全话题。 4. 不要主动询问用户的隐私信息除非用户自己愿意分享。 这里必须解释一个关键点大模型的角色感完全来自系统提示词。没有这段 Prompt模型只会“接受指令然后输出”有了这段 Prompt模型才会进入角色。重要性排序如下角色身份描述是最核心的必须清晰。说话风格次之决定用户的第一印象。行为边界也需要避免产生不安全内容。4.2 注入对话上下文角色 Prompt 要生效还需要把历史对话一起发给模型。下面代码会在后续 services 中用到核心思路是把用户消息和助理回复追加到messages列表# 文件路径app/services/llm_service.py核心片段 def build_messages(user_id: str, user_input: str) - list[dict]: 构建发送给大模型的消息列表 history memory.get_recent_history(user_id, max_turns10) messages [ {role: system, content: ROLE_PROMPT}, ] for item in history: messages.append({role: user, content: item[user]}) messages.append({role: assistant, content: item[assistant]}) messages.append({role: user, content: user_input}) return messages这样设计的好处是角色既能保持人格稳定又有能力回忆起几天前聊过的内容。因为历史消息里包含了真实的对话内容模型在生成回复时会自动参考。4.3 动态人格标签扩展固定 Prompt 的缺点是千人一面。真实产品中每个用户应该拥有自己专属的“爱莉”。可以在角色 Prompt 中插入用户标签变量# 文件路径app/services/llm_service.py核心片段 def build_messages(user_id: str, user_input: str) - list[dict]: user_profile memory.get_user_profile(user_id) profile_text if user_profile: profile_text ( f\n## 你对该用户的了解\n f用户昵称{user_profile.get(nickname, 未设置)}\n f用户偏好{user_profile.get(interests, 未知)}\n f近期情绪{user_profile.get(mood, 正常)}\n ) messages [ {role: system, content: ROLE_PROMPT profile_text}, ] # 后续历史消息追加逻辑同上 return messages每次用户聊到重要信息比如“我最喜欢喝橙子味汽水”后端可以提取关键词并更新用户画像。角色就会慢慢变成“懂你的人”。5. 完整后端服务实现5.1 配置文件新建.env文件保存敏感配置MODEL_API_KEY你的API密钥 MODEL_BASE_URLhttps://api.example.com/v1 MODEL_NAME你的模型名称再写配置文件app/config.py# 文件路径app/config.py import os from dotenv import load_dotenv load_dotenv() MODEL_API_KEY os.getenv(MODEL_API_KEY) MODEL_BASE_URL os.getenv(MODEL_BASE_URL) MODEL_NAME os.getenv(MODEL_NAME, gpt-4o-mini) # 服务配置 APP_PORT int(os.getenv(APP_PORT, 8000))注意.env文件绝对不能提交到 Git 仓库。在.gitignore中至少加上.env __pycache__/ *.pyc .venv/5.2 对话记忆模块这里先实现一个简化版内存记忆用 Python 字典存储重启后丢失。生产环境要替换为 Redis 或 MySQL。# 文件路径app/services/memory.py import time from typing import Optional class MemoryStore: 简单的内存记忆存储生产环境建议换用 Redis def __init__(self): self.users {} self.sessions {} def save_user_message(self, user_id: str, user_input: str, reply: str): 保存一轮对话到会话记录 now time.time() if user_id not in self.sessions: self.sessions[user_id] [] self.sessions[user_id].append({ user: user_input, assistant: reply, ts: now, }) # 只保留最近 50 轮 if len(self.sessions[user_id]) 50: self.sessions[user_id] self.sessions[user_id][-50:] def get_recent_history(self, user_id: str, max_turns: int 10) - list[dict]: 获取最近对话历史 records self.sessions.get(user_id, []) return records[-max_turns:] def update_user_profile(self, user_id: str, key: str, value: str): 更新用户轻量画像 self.users.setdefault(user_id, {}) self.users[user_id][key] value def get_user_profile(self, user_id: str) - Optional[dict]: return self.users.get(user_id) memory MemoryStore()这里的max_turns参数很关键。对话历史不能无限增长否则会导致 Token 消耗过快、模型响应变慢。保留最近 10 轮左右是一个比较通用的起点。5.3 大模型调用服务# 文件路径app/services/llm_service.py import openai from config import MODEL_API_KEY, MODEL_BASE_URL, MODEL_NAME from prompts.role import ROLE_PROMPT from services.memory import memory class LLMService: def __init__(self): self.client openai.OpenAI( api_keyMODEL_API_KEY, base_urlMODEL_BASE_URL, ) def chat(self, user_id: str, user_input: str) - str: try: messages self.build_messages(user_id, user_input) response self.client.chat.completions.create( modelMODEL_NAME, messagesmessages, temperature0.8, max_tokens500, ) reply response.choices[0].message.content # 保存记忆 memory.save_user_message(user_id, user_input, reply) return reply except Exception as e: # 实际项目需要打日志并做更细致的异常分类 return f唔我刚刚走神了……请稍后再试。错误信息{str(e)} def build_messages(self, user_id: str, user_input: str) - list[dict]: user_profile memory.get_user_profile(user_id) profile_text if user_profile: profile_text ( f\n## 你对该用户的了解\n f用户偏好{user_profile.get(interests, 未知)}\n ) history memory.get_recent_history(user_id) messages [ {role: system, content: ROLE_PROMPT profile_text}, ] for item in history: messages.append({role: user, content: item[user]}) messages.append({role: assistant, content: item[assistant]}) messages.append({role: user, content: user_input}) return messages llm_service LLMService()几个参数说明temperature0.8数值越高回复越发散随机越低越稳定。角色扮演场景建议 0.7 到 0.9太低会显得机械。max_tokens500限制单次回复长度。二次元角色通常不需要长篇大论短回复更符合人设。base_url需要根据你使用的大模型平台调整当前代码兼容 OpenAI 协议接口。5.4 聊天接口路由# 文件路径app/routers/chat.py from fastapi import APIRouter, HTTPException from pydantic import BaseModel from services.llm_service import llm_service router APIRouter(prefix/api/chat, tags[chat]) class ChatRequest(BaseModel): user_id: str message: str class ChatResponse(BaseModel): reply: str router.post(/, response_modelChatResponse) async def chat_with_elly(req: ChatRequest): if not req.message.strip(): raise HTTPException(status_code400, detail消息不能为空) reply llm_service.chat(req.user_id, req.message.strip()) return ChatResponse(replyreply)这里使用 Pydantic 做请求体校验避免把空消息传给大模型浪费一次调用。5.5 FastAPI 入口文件# 文件路径app/main.py from fastapi import FastAPI from fastapi.staticfiles import StaticFiles from routers.chat import router as chat_router from config import APP_PORT import uvicorn app FastAPI(titleAI爱莉 - 橙色少女心) # 注册聊天接口 app.include_router(chat_router) # 挂载静态页面 app.mount(/, StaticFiles(directorystatic, htmlTrue), namestatic) if __name__ __main__: uvicorn.run(main:app, host0.0.0.0, portAPP_PORT, reloadTrue)启动后接口地址为http://localhost:8000/api/chat/前端页面为http://localhost:8000/。6. 前端聊天界面实现6.1 页面结构为了演示方便前端使用原生 HTML CSS JavaScript不引入前端框架。先看页面骨架!-- 文件路径static/index.html -- !DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 titleAI爱莉 · 橙色少女心/title link relstylesheet hrefstyle.css /head body div classchat-container div classchat-header div classavatar/div div div classchat-title爱莉 Elly/div div classchat-status在线 · 温暖陪伴中/div /div /div div classchat-body idchatBody !-- 消息列表将在此处渲染 -- /div div classchat-input-area input typetext idmessageInput placeholder和爱莉聊聊今天的趣事吧…… button idsendButton发送/button /div /div script srcapp.js/script /body /html6.2 前端交互逻辑// 文件路径static/app.js const chatBody document.getElementById(chatBody); const messageInput document.getElementById(messageInput); const sendButton document.getElementById(sendButton); // 这里用固定 userId 做演示实际产品应从登录态获取 const userId user_001; function appendMessage(role, content) { const messageDiv document.createElement(div); messageDiv.className message ${role user ? message-user : message-ai}; const bubble document.createElement(div); bubble.className bubble; bubble.textContent content; messageDiv.appendChild(bubble); chatBody.appendChild(messageDiv); // 自动滚动到底部 chatBody.scrollTop chatBody.scrollHeight; } async function sendMessage() { const message messageInput.value.trim(); if (!message) return; appendMessage(user, message); messageInput.value ; // 临时显示“正在输入” const loadingDiv document.createElement(div); loadingDiv.className message message-ai; loadingDiv.innerHTML div classbubble typing爱莉正在输入……/div; chatBody.appendChild(loadingDiv); chatBody.scrollTop chatBody.scrollHeight; try { const response await fetch(/api/chat/, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify({ user_id: userId, message: message }) }); const data await response.json(); // 移除“正在输入” loadingDiv.remove(); if (data.reply) { appendMessage(ai, data.reply); } else { appendMessage(ai, 唔……爱莉好像没收到回应再试一次好不好); } } catch (error) { loadingDiv.remove(); appendMessage(ai, 网络似乎开小差了请稍后再试哦。); } } sendButton.addEventListener(click, sendMessage); messageInput.addEventListener(keydown, (event) { if (event.key Enter) { sendMessage(); } });这个前端逻辑足够覆盖一个最小可用产品。要在正式产品中使用还需要加上消息分页加载、错误重试、发送频率限制等。6.3 界面样式简单给一套暖橙色调的样式让界面贴合“橙色少女心”的视觉定位/* 文件路径static/style.css */ * { box-sizing: border-box; margin: 0; padding: 0; } body { font-family: -apple-system, PingFang SC, sans-serif; background: linear-gradient(135deg, #fff3e0, #ffe0b2); min-height: 100vh; display: flex; justify-content: center; align-items: center; } .chat-container { width: 420px; height: 680px; background: #ffffff; border-radius: 24px; box-shadow: 0 12px 32px rgba(255, 152, 0, 0.2); display: flex; flex-direction: column; overflow: hidden; } .chat-header { padding: 16px 20px; background: linear-gradient(90deg, #ff9800, #ffb74d); color: white; display: flex; align-items: center; gap: 12px; } .avatar { width: 44px; height: 44px; background: #fff; border-radius: 50%; display: flex; justify-content: center; align-items: center; font-size: 24px; } .chat-title { font-size: 16px; font-weight: 600; } .chat-status { font-size: 12px; opacity: 0.9; } .chat-body { flex: 1; overflow-y: auto; padding: 16px; background: #fffaf3; display: flex; flex-direction: column; gap: 12px; } .message { display: flex; } .message-user { justify-content: flex-end; } .message-ai { justify-content: flex-start; } .bubble { max-width: 75%; padding: 12px 14px; border-radius: 16px; font-size: 14px; line-height: 1.6; } .message-user .bubble { background: #ff9800; color: #fff; border-bottom-right-radius: 4px; } .message-ai .bubble { background: #fff; border: 1px solid #ffe0b2; border-bottom-left-radius: 4px; } .chat-input-area { padding: 12px; display: flex; gap: 8px; border-top: 1px solid #ffe0b2; background: #fff; } .chat-input-area input { flex: 1; padding: 12px 14px; border: 1px solid #ffe0b2; border-radius: 24px; outline: none; font-size: 14px; } .chat-input-area button { padding: 12px 20px; border: 0; background: #ff9800; color: #fff; font-size: 14px; border-radius: 24px; cursor: pointer; }到这里一个最小可运行的【AI爱莉】对话应用就完成了。后端启动后在浏览器访问http://localhost:8000/就能开始对话。7. 运行验证与结果说明7.1 启动服务在项目根目录执行cd ai-elly uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload看到类似下面的日志说明启动成功INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.7.2 用命令行测试接口也可以用 curl 直接测试接口避免依赖前端页面curl -X POST http://localhost:8000/api/chat/ \ -H Content-Type: application/json \ -d { user_id: user_001, message: 今天工作好累爱莉有什么开心的事分享吗 }预期返回一个符合爱莉人设的 JSON 响应{ reply: 今天发现了一颗形状超可爱的橘子糖呀我把照片存手机里了每次看到心情就会亮起来。工作辛苦的话要记得给自己泡杯甜甜的热饮哦。 }7.3 验证角色一致性多轮对话测试可以从这些角度验证连续问“你是谁”几次角色回答不能变成“我是一个AI模型”。聊到用户之前提过的偏好角色要能引用历史信息。用不同的情绪开心、难过、吐槽触发对话角色的语气要有区分。比如用户说“我今天被领导批评了。”合格的“爱莉”应该先共情而不是立刻给职场建议。如果测试时模型回复偏向说教可以考虑调整 Prompt 中“对话规则”部分的权重。8. 常见问题与排查思路这一步做成表格方便开发时快速定位问题。问题现象常见原因解决思路接口返回 401API Key 错误或未配置检查.env中密钥是否完整确认服务是否重新加载回复内容不符合角色设定Prompt 缺少角色约束强化系统提示词中的“性格特征”和“说话风格”两部分模型回复过于啰嗦未设置 max_tokens 或设置过大将 max_tokens 调整为 300 到 500并在 Prompt 中写明“回复长度不超过150字”多轮对话角色失忆后端未保存历史消息确认save_user_message被调用检查消息体格式前端请求跨域前后端分离部署未配置 CORSFastAPI 使用 CORSMiddleware 或通过 Nginx 反向代理同源访问Token 消耗过快历史消息拼接过多只保留最近 N 轮对话并控制单条历史长度敏感内容控制不住Prompt 边界写得过于模糊在系统提示词中补充禁止话题并在回复层做二次过滤并发请求时记忆错乱内存字典在多线程环境不安全换用 Redis 存储会话加锁或使用原子操作8.1 关于敏感内容过滤的补充AI 角色应用面向普通用户必须把内容安全放在前面。除了 Prompt 中做行为边界约束建议在服务端增加一次自主实现的内容审核环节。基础做法是维护一个敏感词列表在把消息发给大模型之前和之后都做一次检查。这里给出一个简化示例# 文件路径app/services/content_filter.py SENSITIVE_WORDS [敏感词1, 敏感词2, 敏感词3] def filter_text(text: str) - bool: 返回 True 表示消息需要拦截处理 for word in SENSITIVE_WORDS: if word in text: return True return False更完整的产品方案可以使用大模型自带的 Moderation 能力或者调用云服务商的内容安全 API。核心原则是不能让模型直接输出不可控内容也不能让用户指令绕过角色行为边界。9. 工程化落地与生产环境建议9.1 把内存记忆换成 Redis本地 demo 用 Python 字典存记忆没问题但生产环境必须换存储。原因是多 worker 进程下内存字典不共享用户消息可能落在不同的进程里导致记忆时有时无。生产环境建议用 Redis 存储会话记录key 设计可以参考elly:session:{user_id} # 存对话历史用 List 结构 elly:profile:{user_id} # 存用户画像用 Hash 结构对话历史用 List 保存每次追加后只保留最近 N 条避免无限增长。9.2 引入 LangChain 管理 Prompt 和记忆当角色设定越来越复杂时手写build_messages会变得很难维护。可以改用 LangChain 的ConversationBufferWindowMemory和ChatPromptTemplate来做会话管理。核心优势有三个Prompt 模板支持变量插值用户画像、上下文都可以动态注入。记忆组件自带清理策略不用自己写裁剪逻辑。链式调用允许在对话前做强弱回复策略或功能路由。但要注意LangChain 封装较厚如果只是单一角色对话不一定要引入。项目规模小的时候手写几十行代码反而更可控。9.3 Python 后端工程建议如果是实际产品Python 后端还需要补足这些能力异常统一处理定义全局异常处理器避免把底层报错直接返回给前端。请求限流用户多次高频发送时返回提示或排队防止模型接口费用飙升。日志记录每次对话记录 user_id、消息长度、模型耗时、token 消耗。灰度发布修改角色 Prompt 后先对 10% 用户生效对比满意率再全量发布。9.4 Spring Boot 技术栈的注意事项如果团队技术栈是 Java 后端架构思路是类似的但有几点需要注意大模型 API 调用使用WebClient异步调用避免阻塞 Tomcat 线程。会话数据放到 Redis不要用HttpSession存对话上下文。Prompt 模板建议做成数据库表或配置文件让运营人员在后台改人设不用重新发版。内容审核环节放在 AI 调用之前用责任链模式串联多个审核器。9.5 多模态扩展方向“橙色少女心”这个 IP 还可以向多模态方向扩展语音交互接入 TTS文字转语音服务让爱莉的声音有辨识度比如甜软少女音。虚拟形象使用 Live2D 或 Spine 做角色立绘动画对话情绪影响表情变化。情感计算传入文本情绪分析结果让角色识别用户情绪强度并调整回复。这些扩展的核心逻辑不变仍然是以角色人设为圆心的多轮对话系统只是从“文本输入输出”升级为“多模态输入输出”。10. 总结与下一步学习建议本文从产品和技术两个角度拆解了如何实现一个名为【AI爱莉】的虚拟角色对话应用。核心内容包括AI 虚拟角色应用的四层架构交互层、服务层、模型层、记忆层。角色人格 Prompt 的写法如何通过系统提示词让大模型稳定扮演指定性格。使用 FastAPI 实现后端对话服务提供聊天接口和静态页面托管。前端聊天界面与后端交互的完整实现。多轮对话记忆管理方案以及如何从内存存储迁移到 Redis。内容安全边界与敏感信息过滤的实现思路。生产环境下的工程化建议包括限流、日志、灰度发布和多模态扩展。如果你刚接触这个方向下一步可以按这个顺序深入先把本文 demo 跑通测试角色一致性。改造记忆层把列表对话换成 Redis 存储。加上一个简单的 prompt 版本管理功能每次修改都有记录。尝试换用不同的基座大模型比较角色表现差异。设计一套角色评估问卷从“性格稳定性、语气自然度、共情能力”三个维度打分迭代。AI 虚拟角色应用的开发门槛其实不高模型能力由大模型平台提供核心挑战在于角色人设设计、记忆管理和用户体验打磨。希望这篇实战笔记能帮你快速跑通自己的第一个 AI 角色应用。