从「工具」到「伙伴」:打造 AI 个性化专家

产品思考

年初写年终总结的时候就计划，今年要做出一款面向c端的个人产品，那时候其实脑子里面大概是有了一个雏形。年后玩了一段时间 openClaw，最近也是抽出时间出来，开始逐步开发自己的个人项目。

产品设计

产品形态主要是微信小程序，因为有免费的微信小程序云开发能用，服务可以直接用这个，数据库也可以直接免费用。网页端不太适合我这个产品，开发app周期又很长。小程序是最初阶段最好落地的场景。

产品设计是: AI驱动的宠物行为解读工具，让主人听懂宠物的情绪和需求。核心价值是：即时解读3秒、健康守护、新手友好。主要是想通过 AI 的能力去帮助用户解读宠物的意图。但是做到后面发现我的方向好像是错误的。我太想去实现一个通用的 AI 宠物智能体，而没有想到宠物是没有语言的，所谓“喵喵”或者“汪汪”叫都是宠物情绪的一种表达，在动物的世界里是没有语言这个说法的，他们是通过各种行为特征来表达自己语言的。

所以一开始的通过 AI 解读宠物语言是完全错误的方向，这种所谓的通用 agent 也是完全不成立的。宠物在和主人的相处过程中，除了宠物的一些底层代码，宠物和主人之间相处会形成自己特殊的行为特征，简单说这是一个千人千面的产品。

这个问题也是在实现的过程中才发现，但是当时已经开发了差不多百分之七十的功能，本来想着直接放弃的，但是想起导师阿伟的至理名言：想起来全是困难，做起来全是办法，先按照之前的计划先把一些通用的功能完成再说。

按照原计划完成之后的产品形态就是：接入 AI 大模型接口，然后翻译宠物语音内容，然后加入打卡，宠物通用语、指南、百科、训练指导、宠物问诊等一些通用的功能。这些基本上是撑起一个宠物产品的基本功能形态，但是使用了两天发现完全没有继续使用的欲望。首先所谓的翻译，ai根本就不能做到翻译，所以很多时候 AI 其实完全是在胡说，它最多只能通过宠物的一些语气来做到简单的感情变化的识别（生气、不开心），而其他几个功能对于宠物新手来说还会愿意看一看学习一下，对于我来说我的宠物的几个特征我都基本了解了，我似乎完全没有使用的必要，完全无法形成产品依赖性。

转折

上周五，约阿兴一块探店雍和宫附近的一家粤菜，正好他最近一直在研究 AI 产品相关的内容。就着开水拌叉烧（不敢和他喝酒，怕回不去家），从7点一直畅聊到9点半。听了他对 AI 产品的理解和想法，也给我介绍讲解了几个很“非主流”但是很赚钱的 AI 产品，受益匪浅。对我影响最大的一句话是：移动互联网时代做的大部分产品是平台化，做一系列的通用能力，去解决一群人的一部分的通用问题。在 AI 时代 C 端应该做的是私人定制化的能力，每个用户都希望有一个了解我的“私人秘书”来帮助我解决问题，而不是我去平台找这个功能来解决这个问题，其实最近爆火的 openclaw 解决的就是这个问题。

这很好的启发了我对项目的改造，我做的应该是对每个用户（宠物）做定制化的服务，通过用户的每次交流和使用，记录宠物的行为特征，作为记忆和背景，逐渐了解宠物，打造专属个人的宠物 AI 服务，我做的不是“工具”而是一个逐渐理解用户（宠物）的“伙伴”。

核心技术架构

档案模块

首先需要添加一个档案的功能，记录一下宠物的特征（记忆备份）

然后就是最核心的记忆系统的构建：将用户与助手的每次对话转化为宠物专属知识，随时间积累形成「只懂这只宠物」的个性化专家系统。

记忆系统

循序渐进一共分成四步

第一步：基础版（存档 + 提取）

在 pets 集合中新增 memory 字段：

{_id: "xxx",name: "薯条",type: "cat",breed: "英短",// 新增字段memory: {health:      [{ content: "2026年3月食欲不振", date: "2026-03", source: "healthchat" }],behavior:    [{ content: "喜欢抓沙发左侧角", date: "2026-03", source: "trainingchat" }],diet:        [{ content: "不吃鸡肉罐头，喜欢金枪鱼", date: "2026-03", source: "healthchat" }],events:      [{ content: "2026-02 做了绝育手术", date: "2026-02", source: "user_input" }],personality: ["胆小", "粘人"],lastUpdated: "2026-03-23"  }}

用户每次离开聊天页面时，将本轮完整对话发给大模型，大模型按照定义好的字段格式提取字段，加到memory字段内。

核心Prompt：

你是一个宠物信息提取助手。以下是用户与宠物顾问的完整对话：[对话内容]宠物信息：名字={{petName}}，种类={{petType}}，品种={{breed}}请从对话中提取关于这只宠物的新增关键信息。规则：1. 只提取用户明确陈述的事实，不推断2. 模糊表述（"好像"、"可能"）不提取3. 已知的通用知识不提取，只提取该宠物的个性化信息输出 JSON 格式（没有信息的维度输出空数组）：{"health":      ["健康相关具体信息"],"behavior":    ["行为特征"],"diet":        ["饮食偏好"],"events":      ["发生的具体事件，尽量带时间"],"personality": ["性格标签"],"hasNewInfo":  true/false}

然后在每次对话的时候，都将 memory 拼入 system prompt中：

// 构建 system promptfunctionbuildSystemPrompt(petName, petType, memory) {let prompt = `你是${petName}专属的宠物健康顾问。`;if (memory) {const parts = [];if (memory.health?.length)      parts.push(`健康历史：${memory.health.map((i) => i.content).join("；")}`);if (memory.behavior?.length)      parts.push(`行为特征：${memory.behavior.map((i) => i.content).join("；")}`,      );if (memory.diet?.length)      parts.push(`饮食偏好：${memory.diet.map((i) => i.content).join("；")}`);if (memory.personality?.length)      parts.push(`性格：${memory.personality.join("、")}`);if (memory.events?.length)      parts.push(`重要事件：${memory.events.map((i) => i.content).join("；")}`);if (parts.length > 0) {      prompt += `\n\n关于${petName}你已知的信息：\n${parts.join("\n")}`;      prompt += `\n\n请基于以上背景提供个性化建议，如有关联请主动结合分析。`;    }  }return prompt;}

效果：

第二步：强化版（置信度 + 双轨存储）

置信度评分系统

提取时增加置信度字段，低于阈值的信息不存档

上一阶段：

{"health": ["两天未进食", "好像有点不舒服"],"hasNewInfo": true}

升级后：

// 提取结果新增 confidence 字段{"health": [    { "content": "两天未进食", "confidence": 95 },      // 明确事实 → 存档    { "content": "好像有点不舒服", "confidence": 35 }   // 模糊描述 → 不存档  ]}

置信度判断规则（在 Prompt 中明确要求）：

存档阈值：confidence ≥ 60 才写入数据库。

事件流 + 状态快照双轨制

将 memory 拆分为两个集合：

集合 1：pet_memory_snapshot（状态快照，可覆盖）

// 当前宠物的最新状态，每次更新直接覆盖{petId: "xxx",health:      "轻微肾结石（已控制），无其他慢性病",diet:        "喜欢金枪鱼冻干，不吃鸡肉，只喝流动水",behavior:    "喜欢抓沙发，见陌生人躲猫窝",personality: ["胆小", "粘人", "夜间活跃"],updatedAt:   "2026-03-23"}

集合 2：pet_memory_events（事件流，只追加）

// 每条独立事件，永久保留，带时间戳{petId:      "xxx",content:    "呕吐两次，后自愈",category:   "health",date:       "2026-03-10",confidence: 92,source:     "healthchat",createdAt:  serverDate}

查询策略：

• 日常对话 → 只读 snapshot（快，省 Token）
• 用户问「它以前有什么病史」→ 查询 events（按需加载）

语义去重

提取新信息时，先把已有 snapshot 传给大模型，让它判断是否重复：

已有档案信息：- 饮食：不吃鸡肉罐头本次新提取到：- 「它对鸡肉过敏」请判断：1. 与已有信息是否语义重复或矛盾？2. 如重复：选择更准确的表述覆盖3. 如矛盾：标记冲突，两条并存，新条目加「最新」标记4. 如全新：直接新增输出操作指令：{ "action": "update/append/conflict", "content": "xxx" }

第三步：高级版（记忆衰减 + 分层注入 + 主动追问）

记忆衰减机制

每条记忆引入有效分数，控制是否注入 prompt：

// 有效分数计算functioncalcMemoryScore(memory) {const daysSince = (Date.now() - newDate(memory.date)) / 86400000;// 时间衰减（180天后衰减到37%）const decay = Math.exp(-daysSince / 180);// 引用次数强化（每被引用一次+10%，上限200%）const reinforcement = Math.min(1 + memory.mentionCount * 0.1, 2.0);// 来源权重const sourceWeight =    {vet_confirmed: 1.5, // 医生确诊user_stated: 1.0, // 用户陈述inferred: 0.6, // 系统推断    }[memory.source] || 1.0;return memory.confidence * decay * reinforcement * sourceWeight;}// 注入时过滤：分数低于阈值的记忆不注入 promptconst activeMemories = memories.filter((m) => calcMemoryScore(m) > 40);

分层注入策略

将记忆分三层，控制 Token 消耗：

第一层：核心档案（每次必注入，~200 Token）├── 品种、年龄、绝育状态├── 已知慢性病└── 最重要的 3 条饮食/行为特征第二层：近期动态（最近 30 天，每次注入，~300 Token）├── 近期健康状况变化└── 近期行为问题第三层：历史归档（按需检索，0~500 Token）├── 超过 30 天的历史事件└── 仅在用户明确询问历史时查询注入

// 分层注入实现asyncfunctionbuildLayeredPrompt(petId, userMessage) {// 第一层：永远注入const snapshot = await getSnapshot(petId);// 第二层：近30天事件const recentEvents = await getRecentEvents(petId, 30);// 第三层：检测用户是否在问历史const isAskingHistory = /以前|历史|之前|过去|曾经/.test(userMessage);const historyEvents = isAskingHistory ? await getAllEvents(petId) : [];return buildPrompt(snapshot, recentEvents, historyEvents);}

主动追问式信息补全

检测档案中的缺失字段，在合适时机主动追问：（这也是你使用很多AI产品可能还有有一些奇怪的追问，其实就是在收集补全信息）

// 定义档案完整度权重const FIELD_WEIGHTS = {vaccine_date: { label: "疫苗接种时间", weight: 9 },spayed: { label: "是否绝育", weight: 8 },chronic_disease: { label: "慢性病史", weight: 8 },allergy: { label: "过敏史", weight: 7 },diet_brand: { label: "常用粮食品牌", weight: 5 },};// 每次对话随机概率追问一个缺失字段（避免每次都问，烦人）functionshouldAskForInfo(snapshot) {const missing = Object.keys(FIELD_WEIGHTS).filter((k) => !snapshot[k]);if (missing.length === 0) returnnull;if (Math.random() > 0.3) returnnull; // 70% 概率不追问// 按权重选最重要的缺失字段  missing.sort((a, b) => FIELD_WEIGHTS[b].weight - FIELD_WEIGHTS[a].weight);return FIELD_WEIGHTS[missing[0]].label;}// 在回复末尾追加// "顺便问一下，薯条打过疫苗吗？记录一下方便以后参考～"

冲突检测与处理

新旧信息矛盾时，不简单覆盖，而是并存+标记：

// 冲突记录结构{field: "behavior",old: { content: "不喜欢被抱", date: "2026-01", status: "outdated" },new: { content: "变得很粘人，喜欢蜷在主人身上", date: "2026-03", status: "active" },conflictNote: "行为可能随年龄/季节发生变化，以最新记录为主"}// 注入 prompt 时的处理// "注意：用户1月反映不喜欢被抱，3月反映变得粘人，//  可能性格随年龄发生变化，请以最新信息为主，但可提示用户关注此变化。"

整体流程

阶段一：对话结束时

① extractMemory 云函数 — 节点1：写入时埋下衰减基础数据

触发时机：用户关闭页面 / 返回上一页

提取信息 → 写入数据库，同时为每条记录埋入衰减算法所需字段：

阶段二：下次对话时

② 用户打开聊天页面，发出消息

③ askVet / askTrainer 云函数 — 节点2：分层读取 + 衰减过滤

调用 loadPetMemoryLayered()，按需加载三层记忆：

• 第一层：读取 snapshot，经 applyDecayFilter() 过滤掉评分过低的过期记忆
• 第二层：读取近 30 天 events，每次必加载
• 第三层：读取更早 events，仅当用户消息含「以前 / 历史 / 之前 / 曾经」时才加载

④ buildMemoryContext() — 节点3：分层拼装注入 System Prompt

• 【核心档案】 第一层（必注入，~200 Token）
• 【近期动态】 第二层（必注入，~300 Token）
• 【历史记录】 第三层（按需注入，0~500 Token）

⑤ shouldAskForInfo() — 节点4：主动追问缺失字段

检测 snapshot 里哪些关键字段为空，以 30% 的概率在回复末尾追问一句。

⑥ 调用 MiniMax 大模型

基于完整上下文（档案背景 + 分层记忆 + 追问指令）返回个性化回复。

阶段三：回复返回后

⑦ updateMentionCounts() — 节点5：异步更新引用次数（不阻塞）

本次被注入 Prompt 的每条 event → mentionCount + 1，形成「重要记忆自动强化」效果。

步骤四：闭环版（用户反馈矫正 + 数据飞轮）

Phase 1~3 的记忆系统都是单向的。

用户说话 → 提取信息 → 存档 → 下次注入

但这个过程有一个致命漏洞：信息可能是错的，却没有人纠正它。 比如： 用户6月说”薯条不吃鸡肉”，存档了 9月薯条口味变了，现在吃鸡肉了 但系统永远记着”不吃鸡肉”，还一直用这条错误信息给建议 Phase 4 要做的，就是让这个系统形成一个能自我纠错的闭环。

隐式反馈识别

自动识别对话中的矫正信号，无需用户手动操作：

// 矫正信号识别 Prompt`检查用户的最新回复是否包含对已有档案信息的矫正：已有信息：「不吃鸡肉」用户回复：「它现在吃鸡肉了，只是不吃罐头」如果是矫正，输出：{ "isCorrection": true, "field": "diet", "oldContent": "不吃鸡肉", "newContent": "不吃鸡肉罐头，干粮可以" }如果不是，输出：{ "isCorrection": false }`;

档案管理页（用户显式反馈）

在宠物档案页新增「记忆管理」Tab：

薯条的专属记忆                    [+ 手动添加]─────────────────────────────🏥 健康记录  • 2026-03 食欲不振（已恢复）    [✓] [✕]  • 2026-02 绝育手术              [✓] [✕]🍽️ 饮食偏好  • 不吃鸡肉罐头                  [✓] [✕] [✏️]  • 喜欢金枪鱼冻干                [✓] [✕]🐾 行为特征  • 喜欢抓沙发                    [✓] [✕]─────────────────────────────档案完整度：72%  [去完善]

用户点击「✕」删除或「✏️」修改，直接更新数据库，同时记录「用户主动矫正」日志，用于后续优化提取 Prompt。

多模态信息源汇入

除对话外，其他数据源也自动归档：

录音分析结果 ──────────→ 情绪趋势记录  「2026-03-23 情绪=焦虑(87%)」打卡记录 ──────────────→ 长期健康趋势  「连续7天情绪评分下滑 → 触发提醒」用户手动填写 ──────────→ 高可信度档案  疫苗记录、绝育状态、过敏原

趋势分析触发提醒：

// 打卡数据分析（每周一次）functionanalyzeCheckinTrend(checkins) {const recent7 = checkins.slice(-7);const avgScore = recent7.reduce((s, c) => s + c.score, 0) / 7;if (avgScore < 60) {// 推送提醒    wx.cloud.callFunction({name: "sendSubscribeMessage",data: {templateId: "xxx",content: `${petName}最近一周情绪偏低，要不要和健康助手聊聊？`,      },    });  }}

短期对话记忆优化处理

这里在补充一个关于对话记忆的处理：

问题

• 成本激增：对话进行到第 20 轮时，每次请求携带的历史 Token 可能超过 3000+，是第 1 轮的 10 倍
• 响应变慢：大模型处理更长上下文时延迟明显上升
• 边际效益低：10 轮以前的对话对当前回答的参考价值很低

其实上面的记忆系统已经涵盖解决了一部分问题，就是跨轮次的记忆其实已经是存在memory中去了，后续重新开启对话，其实都是有记忆的。

但是本轮次长对话是没有存储进去的，有可能就会出现本轮对话中的记忆缺失。虽然作为宠物辅助的这种产品形态，一般不会有一轮超长对话，但是这是很好的问题，值得花时间去探索如何解决。

常用的方法（十条截断或者基于 Token 长度的滑动窗口截断）

十条截断

任务 10 轮以前的对话对当前回答的参考价值很低，本轮对话中直接截断丢弃，只要最近的 10 轮

问题：每条消息本身可能很长，10 条仍可能携带大量文本，需要消耗很多token，且10轮以前真的有很重要的信息，我们确实保存需要。

Token 长度的滑动窗口截断

不按条数截断，改为按字符数（近似 Token 数）截断，超出阈值时从最旧的消息开始丢弃。

/** * 按字符数截断历史记录，保证传入云函数的上下文不超过阈值 * @param {Array}messages - 完整消息数组 * @param {number}maxChars - 最大字符数（约等于 Token 数 × 1.5，默认 2000） * @returns {Array}截断后的消息数组 */functionbuildSlidingWindowHistory(messages, maxChars = 2000) {// 过滤掉 loading 占位和空消息const valid = messages    .filter((m) => !m.loading && m.content)    .map((m) => ({ role: m.role, content: m.content }));let total = 0;const result = [];// 从最新的消息往前取，直到超出字符限制for (let i = valid.length - 1; i >= 0; i--) {const len = valid[i].content.length;if (total + len > maxChars && result.length > 0) break;    result.unshift(valid[i]);    total += len;  }return result;}// 在 _sendText 中替换原有历史构建逻辑const historyForCloud = buildSlidingWindowHistory(messages, 2000);

效果：

问题： 解决了token过长消耗过多的问题，但是依旧会丢失重要对话。

摘要压缩

当历史超过阈值时，不是直接丢弃旧消息，而是调用大模型将旧消息压缩成一段摘要，用摘要替代原始历史，同时保留最近几轮的完整对话。流程：

完整历史（20 轮）       │       ▼  超出阈值？ ──否──→ 直接发送       │是       ▼  旧消息（前15轮）──→ 调用大模型压缩       │                    │       │              生成摘要（~200字）       │                    │       └────────────────────┘               │    [摘要消息] + [最近5轮完整对话]               │               ▼

// 在前端或云函数中执行摘要压缩asyncfunctionbuildCompressedHistory(messages) {const valid = messages.filter((m) => !m.loading && m.content);const KEEP_RECENT = 6; // 保留最近 6 条完整对话const COMPRESS_THRESHOLD = 2000; // 超过 2000 字符才压缩const totalChars = valid.reduce((s, m) => s + m.content.length, 0);if (totalChars <= COMPRESS_THRESHOLD) {// 未超阈值，直接返回return valid.map((m) => ({ role: m.role, content: m.content }));  }// 超阈值：压缩旧消息const oldMessages = valid.slice(0, -KEEP_RECENT);const recentMessages = valid.slice(-KEEP_RECENT);// 调用云函数做摘要（或直接在前端调用 API）const summaryRes = await wx.cloud.callFunction({name: "summarizeHistory",data: { messages: oldMessages },  });const summary = summaryRes.result?.summary || "";// 将摘要作为 system 角色消息注入return [    { role: "system", content: `以下是之前对话的摘要：${summary}` },    ...recentMessages.map((m) => ({ role: m.role, content: m.content })),  ];}

这套系统本质上是在做三件事：

1. 记忆：把用户每次输入的碎片信息，结构化存起来
2. 理解：通过置信度、衰减、去重，让记忆越来越准确
3. 进化：用户反馈形成闭环，越用越懂这只宠物

这是从「工具」到「伙伴」的本质跨越，也是产品护城河的来源。

最后虽然整个产品已经改造完成了，也打包上传了，但是很遗憾卡在了审核，现在小程序的关于AI的产品个人是无法审核上架，必须要有企业资质才行。草！如果想体验产品的朋友可以私我，加体验版的权限使用。

一些思考

感觉最近 AI 给大家带来太多的焦虑，上到企业家，下到打工人，很多人无所适从，不知道该怎么办，似乎随时要被这个时代抛弃了。我之前也很焦虑，但是最近看到三句话，帮我摆脱了这种焦虑的困境。

就在这里分享给大家与诸君共勉：

你是领先的

世界总人口现在是81亿，如果画成一个方块图，每个方块代表320万人。

68.8亿人还从没用过 AI（灰色方块），占84%。

13.8亿人跟 AI 有过对话（绿色方块），占16%。

1500万～2500万人付费订阅了 AI 服务（黄色方块），占0.3%。

200万～500万人使用 AI 生成了自己的编程项目（红色方块），占0.04%。

正在阅读这份文章的你，如果是关注 AI 动态，用过 AI 生成代码，就已经领先全世界99%的人了。（出自阮一峰第387期周报）

保持思考和学习

王师傅：大家不要因为每次AI的狼来了的故事而感到什么焦虑，什么我觉得要被AI淘汰了，不要纠结这些事情，你只要去学习它就好了，我觉得人最重要的就是学习能力，如果你什么时候会被淘汰，只有在你停止学习的那一刻，才会被淘汰。

保持健康和热情

在 AI 时代，生产力在很大程度上取决于你能够调用的算力；而当你所能掌控的算力达到你的带宽（你的打字速度和精力）极限时，真正稀缺的，反而是你的身体健康，以及持续保持高能状态的能力。（好像也是出自阮一峰老师的周报，具体哪一期找不到了）

AI 是对整体社会形态的重构，不是单一职业或者行业的影响，作为互联网相关行业，你现在已经领先了很多人，不用过分焦虑，保持思考和学习，多去尝试。最后无论如何保持身体健康，因为不管是 AI 时代还是其他任何时代身体最重要。