如何设计一个不忘你的AI人格：LongtermChatExternalSources提示词工程全解析

如何设计一个不忘你的AI人格：LongtermChatExternalSources提示词工程全解析

【免费下载链接】LongtermChatExternalSources GPT-3 chatbot with long-term memory and external sources 项目地址: https://gitcode.com/gh_mirrors/lo/LongtermChatExternalSources

LongtermChatExternalSources 是一个基于 GPT-3 的命令行聊天机器人项目，内置长期记忆与外部信息源能力：机器人"RAVEN"能跨会话记住你说过的事，并据此生成回答。本文将从提示词工程视角，拆解它如何用几个纯文本模板 + 向量记忆实现"不忘你"的 AI 人格。

快速上手：5分钟跑起来

项目依赖极少，只需 Python3 与一个 OpenAI API Key：

1. 克隆仓库：git clone https://gitcode.com/gh_mirrors/lo/LongtermChatExternalSources
2. 创建并激活虚拟环境（python3 -m venv env）
3. 安装依赖：pip install openai numpy
4. 将 API Key 写入项目根目录的 openaiapikey.txt（注意结尾不要换行）
5. 运行：python chat.py，即可在终端与 RAVEN 对话

项目结构与提示词文件清单

整个"人格 + 记忆"系统，核心就是 2 个 Python 程序和 5 个提示词模板：

第一层：用提示词定义人格

打开 prompt_response.txt，你会发现人格不是靠参数，而是靠一段"角色指令"：

I am a chatbot named RAVEN. My goals are to reduce suffering, increase prosperity, and increase understanding.

模板包含三部分：角色设定（名字、目标）、行为约束（"提供长篇、详细、啰嗦的回答"，"结尾必须抛出一个跟进问题"）、两个动态占位符：

• <<NOTES>>：由记忆系统注入的历史笔记
• <<CONVERSATION>>：最近的对话原文

主程序在 chat.py 中完成拼接：先取最近 4 条消息填入 <<CONVERSATION>>，再填入检索总结后的 <<NOTES>>，最后以 RAVEN: 结尾引导模型"续写"自己的台词——这是一个很巧妙的零样本格式引导技巧，模型看到"RAVEN:" 会自然以第一人称继续输出。

配合 temperature=0.0 与停止词 ['USER:', 'RAVEN:']，输出风格稳定、不会抢话，人格一致性因此得到保证。

第二层：向量检索让 RAVEN "记得你"

单靠提示词无法记住历史对话，记忆靠的是 Embedding + 余弦相似度：

1. 存档：你和 RAVEN 的每句话都会调用 text-embedding-ada-002 生成向量，连同时间戳、UUID 存成 nexus/ 下的独立 JSON 文件（如 log_1674383041.28684_USER.json）；
2. 召回：每次你发新消息，fetch_memories 会把新消息向量化，与全部历史向量计算余弦相似度，取最相关的 10 条作为"情景记忆"；
3. 压缩：这 10 条原文会送入 prompt_notes.txt 模板总结成要点——模板要求"用 - 开头的短横线列表写详细笔记"，例如项目里真实生成的笔记：

• User: Asked about difficulty sleeping
• Raven: Suggested establishing a regular sleep schedule...

格式约束（列表）让总结结果紧凑、易读，且便于再次喂给模型；摘要结果连同自己的向量一起存入 internal_notes/，形成"记忆的记忆"。

这就构成了三层记忆结构，与人脑类比非常直观：

第三层：梦境序列——让 AI 人格"做梦"成长

最富想象力的是 dream_sequence.py 配合的三个"梦境提示词"，它们在非对话时离线运行，模拟"睡眠中的记忆整理"：

• prompt_dream_raven.txt：读笔记，"从这些笔记中提炼关于 Raven 的原则或推论，用完整句子的短横线列表输出"——即自我认知；
• prompt_dream_user.txt：读笔记，提炼"用户的共同主题、偏好与观察"——即用户画像；
• prompt_dream_metaphor.txt：为一段记忆生成一个隐喻并解释——类似人类做梦时的意象化加工。

这些提示词的共同套路是：给定输入 + 指定提取维度 + 严格规定输出格式（- 列表 / 完整句子）。产出的"原则"可以再次作为外部源注入回答提示词，于是 RAVEN 对"我是谁、你是谁"的理解会随着聊天持续演化——这正是"AI 人格"区别于"聊天脚本"的关键。

提示词工程要点清单 📝

从这个项目可以提炼出 6 条可直接复用的设计原则：

1. 人格写进提示词：名字、目标、语气、结尾习惯，全部用自然语言在 prompt_response.txt 中显式声明；
2. 占位符做动态拼接：<<NOTES>>、<<CONVERSATION>>、<<INPUT>> 把模板与数据解耦，提示词可独立迭代；
3. 格式即约束：要求 - 列表、以 RAVEN: 续写，用格式锁定输出结构，减少幻觉式跑题;
4. 分层压缩记忆：原文 → 笔记 → 原则，每层都缩小上下文、提高信噪比；
5. 温度取 0、设置停止词：记忆机器人要"稳"，temp=0.0 + stop=['USER:', 'RAVEN:'] 保证一致且知止;
6. 全程留档可回溯：所有提示词与输出自动写入 gpt3_logs/，方便调优时"复盘"每次人格表现。

写在最后

LongtermChatExternalSources 用不到 200 行核心逻辑证明了：一个"不忘你"的 AI 人格，本质是提示词定义人格 + 向量检索唤起情景 + 分层笔记沉淀语义 + 梦境序列演化自我。项目源码中也留有 TODO（如检索声明式外部知识库、后台增量做笔记），如果你想继续深挖，可以从 chat.py 的记忆检索链路入手，把外部数据源（文件、网页、API）接进同一套"检索 → 总结 → 注入提示词"的管道里。

【免费下载链接】LongtermChatExternalSources GPT-3 chatbot with long-term memory and external sources 项目地址: https://gitcode.com/gh_mirrors/lo/LongtermChatExternalSources