这两个月，我利用空闲时间写了一个 AI 照片库软件。

想法很简单：现在大模型已经这么强了，如果把它用到自己的照片库上，除了传统的浏览、分类和搜索，还能玩出什么新花样？

基础功能

普通相册软件该有的功能都得有：按时间线浏览、查看 EXIF 信息、相册、人脸识别、地图等。

索引

索引是实现各种高级功能的基石。目前做了四类索引：

• CLIP：为每张照片生成语义向量，既能用文字描述搜图，也能找相似的照片；
• 人脸：检测照片中的人脸并聚类；
• 元数据：读取 EXIF 信息，GPS 坐标会换算成地名；
• 视觉描述：用视觉大模型（VLM）给每张照片写一段文字描述，同时把图里的文字抄录下来（OCR）。

视频会先抽取关键帧，再按同样的方式建索引。

和照片库对话

有了索引，再加上大模型，就可以直接和照片库对话。

比如可以问：

「我和某某一起去过哪些地方？」

或者：

「帮我找出地点在回龙观，而且画面里只有一盘菜的美食照片。」

我一直有个习惯：买了东西之后，会顺手把说明书、标签、设备背面的贴纸拍下来备查。

但真正需要的时候，往往翻不出那张照片。

现在就可以直接问 AI：

「我的路由器密码是啥？」

记忆与猜测

对话中，AI 会把了解到的信息存进记忆，比如人物之间的关系、住在哪里、在哪里工作，之后回答问题时会用到。

除了我直接告诉它的，AI 还能从大量照片中分析出一些事实。AI给负责这件事的角色起了个名字，叫「图书馆员」。图书馆员每天夜里对整个照片库做统计分析，再让大模型做少量推理，得出一些猜测，比如「家应该搬过一次」「这几个人常一起出游」。

这些猜测带有置信度，会作为线索参与推理。图书馆员也会拿它们来问我：我确认了，就写进正式记忆；我否认了，就删掉。

我本来以为睡眠时梳理记忆、提炼知识是我的独创，查了一下才发现大家都想到了。这种行为在神经科学里叫"睡眠依赖的记忆巩固（memory consolidation）"，用在AI领域叫做sleep-time compute。

自动相册

很多照片管理软件都能自动生成相册，有了大模型，这件事可以做得更好。

AI 会按旅行、地点、人物、主题等多种线索把照片归成相册，给相册起名、写描述，还能为相册单独生成 HTML 页面和视频。

换句话说，它不仅是在“分类照片”，也开始有一点“策展”的味道。

生成视频

给一组照片生成视频，发挥空间更大。

传统的照片视频，基本就是图片轮播、缩放、转场，再配一段音乐。

大模型可以自己当导演：先理解这一组照片在讲什么，再设计故事线、安排镜头顺序、写字幕和旁白，然后调用各种工具完成剪辑。

甚至还可以调用三维软件，生成一些原本并不存在的场景和视觉结构，把照片放进去。

下面这张截图，就是AI调用Blender把一组照片挂在了一棵虚拟的树上：

工作量

开发总共花了60多个小时，其中我自己投入的大约10几个小时，其余时间是AI在干活。开发工具用的是Claude Code，视频部分有一些创意是 Codex做的，因为GPT-6的视觉能力强。

建索引用的模型（CLIP、人脸、视觉描述与 OCR）都是开源模型，跑在家里的一块显卡上。对话、起名、策展这些需要「思考」的环节调用的是 DeepSeek 的云端 API。

另外也提供MCP接口，这样可以连接我的GPT或Claude的订阅，使用更先进的模型，同时少花API token费用。

软件还在继续开发和完善，大家如果有好玩的思路，欢迎留言告诉我。