Andrew / Talk to Ji
项目背景
2024 年以来，主流 AI 助手（ChatGPT、Claude、Gemini）在对话能力上快速进化，但在"记住用户"这件事上仍然存在明显缺陷：
- ChatGPT Memory：支持自动记忆，但用户无法精细控制哪些被记住、哪些应遗忘，记忆管理黑箱化。
- Claude Projects：依赖用户手动上传文档作为上下文，没有自动提取和持久化记忆的能力。
- Gemini：依赖 Google 生态数据（日历、邮件等），而非从对话本身学习用户偏好。
这意味着一个产品空白：没有一个 AI 助手能在对话中自动学习用户、持久化记忆、并让用户完全掌控自己的记忆数据。
Andrew 就是为了填补这个空白而生的产品：一个真正"记住你"的 AI 助手。
需求洞察
通过对用户与 AI 助手交互场景的分析，提炼出三个核心需求：
- 不想重复自我介绍：用户希望 AI 记住自己的背景、偏好、过往对话中的关键信息，而不是每次都从零开始。
- 期待个性化建议：基于对用户的了解，AI 应该能给出更贴合个人情况的回答，而非通用模板式回复。
- 掌控被记住的内容：用户需要清晰地知道 AI 记住了什么，并拥有查看、编辑、删除记忆的完整权限。
方案设计
围绕上述需求，设计了四个核心模块：
- 记忆提取（Memory Extraction）：对话结束后，LLM 自动从对话中提取值得记忆的信息（偏好、事实、习惯等）。
- 记忆注入（Memory Injection）：每次对话开始时，将已有记忆注入 system prompt，让 AI 在回答时"带着记忆思考"。
- 记忆管理（Memory Management）：用户可在记忆面板中查看所有记忆条目，支持逐条删除、全局开关。
- 人格系统（Persona System）：通过 soul.md 文件定义 AI 的性格、语气和回应风格，实现可插拔的人格切换。
双模式设计：Andrew × Ji
项目包含两个模式，共享同一套技术基础设施，仅通过 soul.md 切换人格：
Andrew 模式（通用助手）：定位为一个友好、有记忆的通用 AI 助手。soul.md 定义了其温和、专业、有同理心的语气风格。适用于日常对话、问答、建议等场景。
Talk to Ji 模式（真人人格）：基于真实微博语料分析，还原一个真实人物的表达风格和思维方式。soul.md 从微博内容中提炼出语气、用词习惯、价值观等特征。展示了人格系统的灵活性——同一架构可以承载完全不同的"灵魂"。
两个模式的关键设计在于：底层的记忆系统、对话引擎、流式响应完全复用，只有 soul.md 不同。这验证了人格系统的可插拔性。
技术架构
前端：Next.js App Router + Tailwind CSS + Streaming UI + localStorage 本地状态管理。
后端：API Routes 处理请求、Persona Router 路由人格、Memory Extract 提取记忆 → Memory Inject 注入记忆、soul.md Loader 加载人格定义。
基础设施：Qwen3-Plus（通过 DashScope API）作为 LLM、Supabase Postgres 持久化存储、Vercel Edge 部署、JSON Fallback 作为降级方案。
数据流：用户消息 → Persona 路由 → 记忆注入 → LLM 生成 → 流式响应 → 后台记忆提取。
记忆系统设计细节
记忆系统的四个关键设计决策：
提取策略：采用 LLM 自动提取方案。备选方案包括规则匹配提取和用户手动确认。选择理由：规则匹配覆盖面有限，手动确认打断对话流，LLM 提取能理解语义且对用户透明。
注入策略：当记忆条目 ≤20 条时采用全量注入。备选方案为 Top-K 向量检索。选择理由：早期记忆数量有限，全量注入实现简单且不丢失信息；当记忆规模增长后再迁移到向量检索方案。
去重机制：采用基于 Key 的槽位更新（如"职业"只保留最新值）。备选方案包括内容相似度去重和不做去重。选择理由：Key-based 方案语义明确、可控性强，避免记忆膨胀。
隐私设计：记忆开关 + 所有记忆可见可删除。备选方案包括静默记忆（用户不可见）和仅管理员可见。选择理由：用户对 AI 记忆的信任建立在透明和控制权之上，这是产品的核心价值主张。
PM 复盘
个性化的隐私边界在哪里？
个性化和隐私是天然的张力关系。Andrew 的设计原则是：记忆默认开启，但用户拥有完全的可见性和控制权。每条记忆都可查看、可删除，记忆功能可一键关闭。这不是技术问题，是信任设计问题——用户需要感受到"我掌控着 AI 对我的了解"。
最被低估的难点是什么？
不是"记住"，而是"遗忘"和"更新"。用户的偏好会变化，旧信息会过时，矛盾的记忆需要被识别和处理。记忆系统的核心挑战不在于写入，而在于维护记忆的时效性和一致性。Key-based 槽位更新是第一步，但更复杂的场景（如观点演变、临时偏好 vs 长期偏好）还需要更精细的机制。
如果规模扩大，架构如何演进？
三个方向：一是 Top-K 检索替代全量注入，支持大规模记忆；二是多用户认证体系，隔离不同用户的记忆空间；三是动态人格学习，让 soul.md 不再是静态文件，而是根据交互数据持续演化。