AI 角色记忆系统

一个支持本地部署的 AI 角色记忆系统，具备长期记忆、结构化档案管理和智能反思功能。

English | 中文

📖 项目简介

本项目旨在为游戏中的 AI 角色提供一套完整的记忆系统服务。它特别解决了记忆数据向量化时的切片问题，避免了上下文碎片化，同时完整保留了向量化的语义理解能力。

📂 项目结构

d:\MyProj\character-memory\
├── data/                  # 💾 运行时数据存储
│   ├── profile.json       # 角色档案 (姓名, 性格, 日志等)
│   └── chroma_db/         # 向量数据库 (ChromaDB) 用于语义记忆检索
├── src/                   # 🧠 源代码
│   ├── app.py             # Streamlit 主程序 (前端入口)
│   ├── core/              # 核心逻辑
│   │   └── memory_manager.py # 管理档案、检索和反思逻辑
│   ├── models/            # 数据模型
│   │   └── schema.py      # Pydantic 模型 (CharacterProfile, MemoryItem, DailyLogEntry)
│   ├── services/          # 外部服务
│   │   └── llm_service.py # LLM 集成 (OpenRouter/OpenAI)
│   └── storage/           # 数据访问层
│       ├── json_store.py  # 处理 profile.json 操作
│       └── vector_store.py# 处理 ChromaDB 操作
├── docs/                  # 文档
└── requirements.txt       # Python 依赖

💾 数据存储

• 档案数据 (Profile Data): 存储在 data/profile.json。包含角色的结构化状态：

  • 基本信息 (姓名, 职业)
  • 性格与价值观
  • 人际关系
  • 每日日志 (Daily Log) (活动和互动的记录)
  • 状态 (健康, 财富)

• 记忆数据 (Memory Data): 存储在 data/chroma_db。这是一个本地向量数据库，存储：

  • 对话历史 (用户输入 & AI 回复)
  • 观察与想法
  • 每条记忆都经过 Embedding 处理以支持语义搜索 (RAG)。

🚀 如何运行

streamlit run src/app.py

✨ 核心功能

1. RAG 记忆检索: 根据当前对话检索相关的过往记忆。
2. 智能反思 (Agentic Reflection):
   • 点击 "🛑 End Conversation & Reflect" 触发自我反思流程。
   • AI 会分析对话，更新心情/人际关系，并写入 每日日志。
3. 实时耗时显示: 在界面上实时显示检索 (RAG) 和生成 (LLM) 的耗时。
4. 高级 RAG (父子索引策略):
   • 基于阈值的总结机制:
     • 短对话 (<300 字符): 直接存储，保留细节并节省成本。
     • 长对话 (>300 字符): 由 LLM 自动总结。总结用于索引，原始内容用于上下文检索。
   • 每日日志集成: 每日日志也会被向量化 (类型为 daily_log)，确保能检索到过往的活动记录。

📝 许可证

本项目采用MIT许可证 - 查看 LICENSE 文件了解详情。

📞 联系方式

如有问题或建议，请通过以下方式联系：

• 提交Issue: GitHub Issues
• 官方网站: 时空码头KsanaDock

🌐 关注我们

在社交媒体上关注我们的最新动态

小红书 创意分享与交流	哔哩哔哩 中文视频内容	GitHub 项目源码与更新
X (Twitter) 最新资讯与讨论	YouTube 演示视频与教程

---

注意: 使用本项目需要有效的AI服务API密钥。请确保遵守各AI服务提供商的使用条款和条件。