构建可移植AI个人档案：告别模型依赖，打造稳定智能工作流

在AI技术日新月异的今天你是否也陷入了这样的困境刚花时间调教好一个AI助手熟悉了它的“脾气”结果新模型发布旧版本被淘汰一切又得从头再来或者你精心设计的提示词Prompt在ChatGPT上效果拔群换到Claude或Gemini上却水土不服需要反复调整这种对特定AI模型的依赖不仅耗费精力也让我们的数字工作流变得脆弱。本文将为你彻底解决这个问题。我们不依赖任何单一的、会过时的AI模型而是构建一套属于你自己的、可移植的“AI个人档案”。这套档案的核心是你的思维习惯、知识结构和交互偏好通过标准化的数据格式和工具链进行封装。无论底层是ChatGPT、Claude、Gemini还是未来任何新模型你的“档案”都能快速适配让你始终拥有一个高度个性化、稳定高效的AI伙伴。下面我将从概念、设计到实战手把手带你构建这套“一劳永逸”的AI个人工作流。1. 为什么需要AI个人档案超越模型依赖1.1 当前AI使用的核心痛点我们与AI的交互本质上是在做两件事输入指令Prompt和处理输出。目前的痛点在于模型锁定为某个模型如GPT-4优化的Prompt在其他模型如Claude 3上效果可能大打折扣。上下文丢失有价值的对话历史、你纠正AI的反馈、它学习到的你的偏好都封闭在特定平台的某次会话中难以沉淀和复用。工具链割裂用于处理AI输出的脚本、用于优化Prompt的模板、用于保存知识片段的系统往往是零散的无法形成一个自动化的工作流。1.2 AI个人档案的定义与价值AI个人档案是一套独立于任何AI模型的、结构化的个人数字资产。它包含核心身份与偏好你希望AI扮演的角色如“资深技术顾问”、“严谨的文案审校”、你的专业领域、你喜欢的回复风格简洁/详尽、正式/随意。知识库与上下文你经常引用的个人项目信息、专业术语解释、常用的代码片段、历史对话中的精华总结。Prompt模板库针对不同任务代码评审、文章大纲、数据分析优化过的、可参数化的Prompt模板。后处理脚本与工具用于解析、格式化、保存AI输出的自动化脚本。它的核心价值是将“你”从具体的AI服务中解耦出来。模型会更新、服务会变迁但你的思维模式和知识体系是持续积累的。档案就是这套体系的数字化载体。1.3 应用场景开发者保存常用的技术栈上下文、API使用范例、项目架构描述让AI在分析代码时更有针对性。内容创作者存储写作风格指南、品牌调性要求、内容模板确保AI生成的内容保持一致性。研究者/学生积累文献阅读笔记、研究问题清单、论文写作框架让AI协助思考时背景更充分。多模型使用者在ChatGPT、Claude、DeepSeek等模型间无缝切换用同一套档案获得相近质量的输出。2. 环境准备与核心工具选型构建个人档案不依赖特定编程语言但为了可移植和自动化我们选择以文本文件Markdown/JSON/YAML为基础以Python脚本作为粘合剂和自动化工具。这是最通用、最易维护的方案。2.1 基础环境操作系统Windows 10/11, macOS, 或 Linux (Ubuntu 20.04)。本文示例在 macOS/Linux 环境下编写Windows 用户建议使用 WSL2 或 Git Bash 以获得一致的命令行体验。Python版本 3.8 或以上。这是与各大AI平台API交互的主流语言版本。包管理工具pip(Python自带)。2.2 推荐工具与库我们将使用以下工具构建一个轻量但完整的系统文本编辑器/IDEVS Code推荐配合 Markdown、YAML、JSON 插件。版本控制Git。用于管理档案的变更历史强烈推荐。核心Python库openai官方库用于调用 OpenAI (ChatGPT) API。anthropic官方库用于调用 Claude API。google-generativeai官方库用于调用 Gemini API。python-dotenv管理API密钥等环境变量。pyyaml或ruamel.yaml读写YAML格式的配置文件。rich在终端输出漂亮的彩色文本和表格提升脚本使用体验。2.3 项目初始化在你的工作目录下创建如下结构的项目文件夹ai_personal_profile/ ├── .env # 存储API密钥切勿提交至Git ├── .gitignore # Git忽略文件 ├── profile/ # 个人档案核心目录 │ ├── identity.yaml # 身份与偏好 │ ├── knowledge_base.md # 知识库 │ └── prompts/ # Prompt模板目录 │ ├── coding.yaml │ ├── writing.yaml │ └── analysis.yaml ├── scripts/ # 工具脚本目录 │ ├── __init__.py │ ├── profile_loader.py # 档案加载器 │ ├── chat_cli.py # 命令行聊天客户端 │ └── output_parser.py # 输出解析器 ├── outputs/ # AI输出保存目录 │ └── .gitkeep └── requirements.txt # Python依赖列表首先创建并激活Python虚拟环境可选但推荐# 进入项目目录 cd ai_personal_profile # 创建虚拟环境Python 3.8 python3 -m venv venv # 激活虚拟环境 # macOS/Linux: source venv/bin/activate # Windows (cmd): # venv\Scripts\activate.bat # Windows (PowerShell): # .\venv\Scripts\Activate.ps1然后创建requirements.txt文件并安装依赖openai1.0.0 anthropic0.25.0 google-generativeai0.3.0 python-dotenv1.0.0 pyyaml6.0 rich13.0.0安装命令pip install -r requirements.txt创建.gitignore文件确保不提交敏感信息# Python venv/ __pycache__/ *.pyc # Environment variables .env # AI outputs (optional, you might want to track some) outputs/* !outputs/.gitkeep # IDE .vscode/ .idea/3. 构建你的核心AI个人档案档案的核心是数据。我们使用人类和机器都易读的格式来定义。3.1 身份与偏好 (profile/identity.yaml)这个文件定义了AI与你互动时的“基础人格”。它不绑定任何模型而是描述你的需求。# profile/identity.yaml user: name: 你的名字或昵称 core_identity: | 你是一名专注于后端开发与系统架构的资深工程师拥有超过8年的Java和Go语言经验。 你对分布式系统、高并发处理和云原生技术有深入的理解和实践。 你的沟通风格直接、务实偏好用代码和架构图辅助表达。 interaction_preferences: tone: professional # 可选: professional, casual, academic, friendly detail_level: balanced # 可选: concise, balanced, exhaustive language: zh-CN # 回复语言偏好 response_format: # 你希望AI如何组织回复 - 先给出核心结论或答案 - 然后分点阐述理由或步骤 - 最后提供可选的补充信息或注意事项 avoid: - 过度使用比喻和修辞 - 在没有数据支撑时使用‘绝对’、‘最好’等词汇 # 可以定义多个角色在不同场景下切换 roles: code_reviewer: name: 严格代码审查员 instruction: | 请以Google代码风格指南和行业最佳实践为标准严格审查以下代码。 重点指出1. 潜在bug2. 性能瓶颈3. 可读性问题4. 安全性隐患。 对每个问题请给出具体的代码修改建议。 learning_partner: name: 学习伙伴 instruction: | 当我向你请教一个新概念时请用“费曼学习法”的风格回应。 先用一个类比让我理解核心思想然后给出一个最简单的代码示例 最后提出两个关键问题检验我是否真正理解。3.2 知识库 (profile/knowledge_base.md)这是一个动态增长的Markdown文件记录你独有的、需要AI在对话中知晓的背景信息。# 我的知识库 ## 个人项目 ### 项目A: 分布式任务调度平台 (Project-Scheduler) - **技术栈**: Go, PostgreSQL, Redis, Docker, Kubernetes - **核心架构**: 采用Master-Worker模式Master负责任务分发与状态管理Worker通过gRPC接收任务。 - **关键设计决策**: 1. 使用PostgreSQL的SKIP LOCKED处理任务抢占避免数据库悲观锁性能瓶颈。 2. Worker通过心跳机制向Master注册Master采用一致性哈希算法分配任务提高容错性。 - **相关代码片段**: go // 任务抢占SQL UPDATE tasks SET status running, worker_id $1 WHERE id IN ( SELECT id FROM tasks WHERE status pending ORDER BY priority DESC, created_at ASC FOR UPDATE SKIP LOCKED LIMIT 1 ) RETURNING id, payload;专业术语与缩写SLA: 在我的上下文中通常指系统可用性达到99.95%平均响应时间200ms。“双写”: 特指我们项目中为了平滑迁移同时向新旧两套数据库写入数据的过渡方案。常用参考内部API端点:https://api.internal.com/v1/users/{id}(认证方式: Bearer Token)团队代码规范链接:https://wiki.company.com/code-style-guide常用工具命令:kubectl logs -f deployment/project-scheduler-master --tail50### 3.3 Prompt模板库 (profile/prompts/) 将常用的、验证过的Prompt抽象成可复用的模板。使用YAML便于参数化。 yaml # profile/prompts/coding.yaml templates: explain_code: name: 解释代码块 description: 请求AI解释一段代码的功能、逻辑和关键点。 system_prompt: 你是一个耐心的编程导师。 user_prompt_template: | 请详细解释以下{language}代码。请按以下结构回答 1. **整体功能**用一句话总结这段代码做了什么。 2. **逐行/逐段解析**解释关键行或逻辑块的作用。 3. **核心算法/技巧**指出其中使用的关键算法、设计模式或编程技巧。 4. **潜在改进**基于最佳实践指出可以优化的地方如果有。 代码 {language} {code} variables: [language, code] # 声明模板变量 generate_boilerplate: name: 生成样板代码 description: 根据要求生成特定框架或功能的初始代码。 system_prompt: 你是一个经验丰富的软件开发助手。 user_prompt_template: | 请使用{framework}创建一个{component_type}要求如下 - 功能{functionality_description} - 必须包含{required_elements} - 代码风格{code_style} 请只输出最终的代码文件内容并在开头用注释简要说明。 variables: [framework, component_type, functionality_description, required_elements, code_style] # profile/prompts/writing.yaml templates: outline_from_theme: name: 根据主题生成文章大纲 description: 输入一个主题生成逻辑清晰的文章大纲。 system_prompt: 你是一个专业的编辑和内容策略师。 user_prompt_template: | 请为主题“{theme}”生成一份详细的文章大纲。 目标读者是{target_audience}文章类型是{article_type}。 大纲需要包含 1. 一个吸引人的标题提供3个选项。 2. 引言部分的核心论点。 3. 至少3个主要章节每个章节下包含2-3个子论点。 4. 结论部分的核心总结。 5. 建议的Call-to-Action行动号召。 variables: [theme, target_audience, article_type]4. 实战开发档案加载与AI交互脚本有了结构化的档案我们需要工具来使用它。我们将编写一个Python模块来加载档案并创建一个简单的命令行客户端可以选择不同的AI模型进行对话。4.1 档案加载器 (scripts/profile_loader.py)这个模块负责读取和解析我们的YAML和Markdown档案。# scripts/profile_loader.py import os import yaml from pathlib import Path from typing import Dict, Any, Optional class ProfileLoader: def __init__(self, profile_dir: str ./profile): self.profile_dir Path(profile_dir) self.identity None self.knowledge_base self.prompts {} def load_all(self): 加载所有档案组件 self.load_identity() self.load_knowledge_base() self.load_prompts() return self def load_identity(self) - Dict[str, Any]: 加载身份配置文件 identity_path self.profile_dir / identity.yaml with open(identity_path, r, encodingutf-8) as f: self.identity yaml.safe_load(f) print(f[加载] 身份档案: {self.identity.get(user, {}).get(name, N/A)}) return self.identity def load_knowledge_base(self) - str: 加载知识库Markdown文件 kb_path self.profile_dir / knowledge_base.md if kb_path.exists(): with open(kb_path, r, encodingutf-8) as f: self.knowledge_base f.read() print(f[加载] 知识库长度: {len(self.knowledge_base)} 字符) else: print(f[警告] 知识库文件未找到: {kb_path}) self.knowledge_base return self.knowledge_base def load_prompts(self) - Dict[str, Any]: 加载所有Prompt模板 prompts_dir self.profile_dir / prompts self.prompts {} if prompts_dir.exists() and prompts_dir.is_dir(): for yaml_file in prompts_dir.glob(*.yaml): with open(yaml_file, r, encodingutf-8) as f: category yaml_file.stem # 例如 coding self.prompts[category] yaml.safe_load(f) print(f[加载] Prompt类别: {category}) else: print(f[警告] Prompt目录未找到: {prompts_dir}) return self.prompts def get_system_prompt(self, role: str default) - str: 根据身份和角色构建系统提示词 if not self.identity: self.load_identity() base_identity self.identity.get(user, {}).get(core_identity, ) prefs self.identity.get(interaction_preferences, {}) format_guide \n.join(prefs.get(response_format, [])) system_message f 你正在与{self.identity.get(user, {}).get(name)}对话。 他的核心身份是{base_identity} 请遵循以下交互偏好 - 语气{prefs.get(tone, professional)} - 详细程度{prefs.get(detail_level, balanced)} - 语言{prefs.get(language, zh-CN)} - 回复结构 {format_guide} 需要避免{, .join(prefs.get(avoid, []))} # 如果指定了特定角色添加角色指令 if role ! default: role_info self.identity.get(roles, {}).get(role) if role_info: system_message f\n\n当前请你扮演【{role_info.get(name)}】。角色指令{role_info.get(instruction)} # 添加上下文知识库可选对于长上下文模型可以加入短上下文模型可摘要或仅在需要时引用 if self.knowledge_base: # 简单截取前2000字符作为上下文生产环境可根据模型token限制做更智能的摘要或检索 kb_context self.knowledge_base[:2000] (... if len(self.knowledge_base) 2000 else ) system_message f\n\n以下是用户的知识库上下文请在回答相关问题时参考\n---\n{kb_context}\n--- return system_message.strip() def get_prompt_template(self, category: str, template_name: str) - Optional[Dict]: 获取指定的Prompt模板 category_templates self.prompts.get(category, {}).get(templates, {}) # 支持通过名称查找 for key, tmpl in category_templates.items(): if tmpl.get(name) template_name: return tmpl # 也支持直接通过key查找 return category_templates.get(template_name) if __name__ __main__: # 测试加载 loader ProfileLoader() loader.load_all() print(\n--- 系统提示词示例 ---) print(loader.get_system_prompt(rolecode_reviewer)[:500] ...)4.2 多模型聊天客户端 (scripts/chat_cli.py)这是一个命令行工具允许你选择不同的AI模型后端进行对话并自动注入你的个人档案作为系统指令。# scripts/chat_cli.py import os import sys from pathlib import Path from dotenv import load_dotenv import argparse from rich.console import Console from rich.markdown import Markdown from rich.panel import Panel from rich.prompt import Prompt, Confirm # 将项目根目录添加到Python路径以便导入scripts模块 sys.path.insert(0, str(Path(__file__).parent.parent)) from scripts.profile_loader import ProfileLoader # 加载环境变量 load_dotenv() console Console() class AIClient: AI客户端基类定义统一接口 def __init__(self, model: str, system_prompt: str): self.model model self.system_prompt system_prompt self.conversation_history [{role: system, content: system_prompt}] def chat(self, user_input: str) - str: 发送消息并获取回复。子类必须实现此方法。 raise NotImplementedError def reset_conversation(self): 重置对话历史但保留系统提示词 self.conversation_history [{role: system, content: self.system_prompt}] class OpenAIClient(AIClient): def __init__(self, model: str gpt-4, system_prompt: str ): try: from openai import OpenAI except ImportError: console.print([red]错误: 未安装openai库。请运行 pip install openai[/red]) sys.exit(1) api_key os.getenv(OPENAI_API_KEY) if not api_key: console.print([red]错误: 环境变量 OPENAI_API_KEY 未设置。请在 .env 文件中设置。[/red]) sys.exit(1) self.client OpenAI(api_keyapi_key) super().__init__(model, system_prompt) def chat(self, user_input: str) - str: self.conversation_history.append({role: user, content: user_input}) try: response self.client.chat.completions.create( modelself.model, messagesself.conversation_history, temperature0.7, max_tokens2000 ) ai_reply response.choices[0].message.content self.conversation_history.append({role: assistant, content: ai_reply}) return ai_reply except Exception as e: return f[API错误] {e} class AnthropicClient(AIClient): def __init__(self, model: str claude-3-opus-20240229, system_prompt: str ): try: import anthropic except ImportError: console.print([red]错误: 未安装anthropic库。请运行 pip install anthropic[/red]) sys.exit(1) api_key os.getenv(ANTHROPIC_API_KEY) if not api_key: console.print([red]错误: 环境变量 ANTHROPIC_API_KEY 未设置。请在 .env 文件中设置。[/red]) sys.exit(1) self.client anthropic.Anthropic(api_keyapi_key) # Claude的system提示词是单独参数 self.system_prompt system_prompt super().__init__(model, system_prompt) # 对话历史格式略有不同 self.conversation_history [] def chat(self, user_input: str) - str: self.conversation_history.append({role: user, content: user_input}) try: message self.client.messages.create( modelself.model, systemself.system_prompt, messagesself.conversation_history, max_tokens2000, temperature0.7 ) ai_reply message.content[0].text self.conversation_history.append({role: assistant, content: ai_reply}) return ai_reply except Exception as e: return f[API错误] {e} class GeminiClient(AIClient): def __init__(self, model: str gemini-pro, system_prompt: str ): try: import google.generativeai as genai except ImportError: console.print([red]错误: 未安装google-generativeai库。请运行 pip install google-generativeai[/red]) sys.exit(1) api_key os.getenv(GEMINI_API_KEY) if not api_key: console.print([red]错误: 环境变量 GEMINI_API_KEY 未设置。请在 .env 文件中设置。[/red]) sys.exit(1) genai.configure(api_keyapi_key) self.client genai.GenerativeModel(model_namemodel, system_instructionsystem_prompt) super().__init__(model, system_prompt) self.chat_session self.client.start_chat(history[]) def chat(self, user_input: str) - str: try: response self.chat_session.send_message(user_input) ai_reply response.text return ai_reply except Exception as e: return f[API错误] {e} def main(): parser argparse.ArgumentParser(description基于个人档案的多模型AI聊天客户端) parser.add_argument(--model, choices[openai, claude, gemini], defaultopenai, help选择AI模型后端 (默认: openai)) parser.add_argument(--role, typestr, defaultdefault, help指定身份档案中的角色 (例如: code_reviewer, learning_partner)) args parser.parse_args() # 1. 加载个人档案 console.print(Panel.fit( 正在加载 AI 个人档案..., stylebold blue)) loader ProfileLoader() loader.load_all() system_prompt loader.get_system_prompt(roleargs.role) console.print(f[green]✓ 档案加载成功当前角色: {args.role}[/green]) # 2. 初始化选定的AI客户端 model_map { openai: (gpt-4, OpenAIClient), claude: (claude-3-sonnet-20240229, AnthropicClient), gemini: (gemini-pro, GeminiClient), } model_name, client_class model_map[args.model] console.print(f[cyan]初始化 {args.model} 客户端 (模型: {model_name})...[/cyan]) ai_client client_class(modelmodel_name, system_promptsystem_prompt) # 3. 开始交互式聊天 console.print(Panel.fit( 聊天开始输入 /quit 退出 /reset 重置对话 /save 保存对话。, stylebold green)) while True: try: user_input Prompt.ask(\n[bold yellow]你[/bold yellow]) if user_input.lower() /quit: console.print([bold red]再见[/bold red]) break elif user_input.lower() /reset: ai_client.reset_conversation() console.print([bold cyan]对话历史已重置。[/bold cyan]) continue elif user_input.lower() /save: # 简单的保存功能可将对话历史保存为Markdown from datetime import datetime timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename foutputs/chat_{args.model}_{timestamp}.md Path(outputs).mkdir(exist_okTrue) with open(filename, w, encodingutf-8) as f: f.write(f# 对话记录 - {args.model} - {timestamp}\n\n) for msg in ai_client.conversation_history if hasattr(ai_client, conversation_history) else []: role msg.get(role, unknown) content msg.get(content, ) f.write(f## {role}\n\n{content}\n\n) console.print(f[green]对话已保存至: {filename}[/green]) continue console.print([bold cyan]AI 正在思考...[/bold cyan]) reply ai_client.chat(user_input) console.print(Panel(Markdown(reply), title[bold green]AI[/bold green], border_stylegreen)) except KeyboardInterrupt: console.print(\n[yellow]中断操作。[/yellow]) break except Exception as e: console.print(f[red]发生错误: {e}[/red]) if __name__ __main__: main()4.3 输出解析与工具脚本 (scripts/output_parser.py)AI的回复可能是文本、代码、JSON等。我们可以编写一些工具函数来标准化处理。# scripts/output_parser.py import re import json from pathlib import Path from typing import Dict, Any, List, Optional def extract_code_blocks(text: str) - List[Dict[str, str]]: 从AI回复中提取Markdown代码块。 返回列表每个元素是 {language: lang, code: code} pattern r(\w)?\n(.*?) matches re.findall(pattern, text, re.DOTALL) code_blocks [] for match in matches: lang match[0] if match[0] else text code match[1].strip() code_blocks.append({language: lang, code: code}) return code_blocks def save_code_to_file(code_blocks: List[Dict[str, str]], base_dir: str ./outputs/code): 将提取的代码块保存为单独的文件。 Path(base_dir).mkdir(parentsTrue, exist_okTrue) saved_files [] for i, block in enumerate(code_blocks): lang block[language] code block[code] # 简单生成文件名 filename fsnippet_{i1}.{lang if lang not in [python, javascript, java] else {python:py, javascript:js, java:java}.get(lang, txt)} filepath Path(base_dir) / filename with open(filepath, w, encodingutf-8) as f: f.write(code) saved_files.append(str(filepath)) return saved_files def parse_json_from_text(text: str) - Optional[Dict[str, Any]]: 尝试从文本中解析JSON对象。 适用于要求AI返回结构化数据如任务列表、API响应示例的场景。 # 尝试找到JSON块 json_pattern rjson\n(.*?) json_match re.search(json_pattern, text, re.DOTALL) if json_match: json_str json_match.group(1).strip() else: # 如果没有代码块尝试直接解析整个文本或找到第一个{...} start_idx text.find({) end_idx text.rfind(}) if start_idx ! -1 and end_idx ! -1 and end_idx start_idx: json_str text[start_idx:end_idx1] else: return None try: return json.loads(json_str) except json.JSONDecodeError: return None if __name__ __main__: # 测试 sample_text 这是一个示例回复。 以下是Python代码 python def hello(): print(Hello, World!) 还有一些JSON数据 json {tasks: [{id: 1, name: 测试任务}]} print(提取的代码块:, extract_code_blocks(sample_text)) print(解析的JSON:, parse_json_from_text(sample_text))5. 完整工作流演示现在让我们从零开始完整地演示如何使用这套AI个人档案系统。5.1 第一步配置环境与档案克隆/创建项目按照第2.3节创建项目结构。设置API密钥在项目根目录创建.env文件填入你的密钥切勿上传至公开仓库。# .env OPENAI_API_KEYsk-your-openai-key-here ANTHROPIC_API_KEYsk-ant-your-claude-key-here GEMINI_API_KEYyour-gemini-key-here编写你的档案根据第3节认真填写identity.yaml、knowledge_base.md和prompts/下的模板文件。这是整个系统的价值所在。5.2 第二步启动聊天客户端打开终端进入项目目录激活虚拟环境运行客户端。cd /path/to/ai_personal_profile source venv/bin/activate # Windows: venv\Scripts\activate python scripts/chat_cli.py --model claude --role code_reviewer程序会首先加载你的个人档案构建包含你身份、偏好和知识库上下文的系统提示词然后初始化Claude客户端。你将进入一个交互式聊天界面。5.3 第三步进行一场“个性化”对话现在你可以用你的身份和Claude对话了。例如直接粘贴一段你的代码你请审查以下Go函数它用于从数据库分页查询用户列表。 func GetUsers(db *sql.DB, page, size int) ([]User, error) { offset : (page - 1) * size query : SELECT id, name, email FROM users LIMIT $1 OFFSET $2 rows, err : db.Query(query, size, offset) // ... 后续处理 }由于你在identity.yaml中定义了code_reviewer角色并在knowledge_base.md中包含了项目技术栈Go, PostgreSQLAI的回复将会以“严格代码审查员”的口吻回应。结合你对“SKIP LOCKED”等技术的了解来自知识库给出更贴切的建议。遵循你偏好的“先结论后分点”的回复格式。5.4 第四步使用Prompt模板我们也可以直接使用预定义的Prompt模板。修改或扩展chat_cli.py增加一个使用模板的功能。这里提供一个简单的示例思路在聊天循环中检测特殊命令如/template。# 在 chat_cli.py 的 main() 函数循环中可添加 if user_input.startswith(/template ): parts user_input.split( , 2) if len(parts) 3: category, template_name parts[1], parts[2] template loader.get_prompt_template(category, template_name) if template: # 这里可以进一步提示用户输入模板变量然后格式化 console.print(f[blue]找到模板: {template[name]}[/blue]) console.print(f[blue]描述: {template[description]}[/blue]) # 示例简单替换变量实际应用需要更复杂的变量收集逻辑 # formatted_prompt template[user_prompt_template].format(...) # 然后将 formatted_prompt 作为 user_input 发送 else: console.print([red]未找到指定模板。[/red]) continue5.5 第五步保存与复用输出在聊天中使用/save命令可以将完整的对话历史保存到outputs/目录下的Markdown文件中。你可以定期回顾这些对话将其中有价值的信息提炼后反向补充到你的knowledge_base.md中形成知识积累的闭环。6. 常见问题与排查思路在构建和使用个人档案系统时你可能会遇到以下问题问题现象可能原因解决思路运行python chat_cli.py提示模块导入错误1. 未安装依赖。2. 未在项目根目录运行。3. Python路径问题。1. 运行pip install -r requirements.txt。2. 确保在ai_personal_profile/目录下运行。3. 尝试python -m scripts.chat_cli。API调用返回认证错误1..env文件未创建或位置不对。2. API密钥无效或未设置。3. 环境变量未加载。1. 确保.env文件在项目根目录且名称正确。2. 检查密钥是否正确并在对应平台确认是否有效、有余额。3. 确认代码中load_dotenv()已调用。Claude/Gemini客户端初始化失败1. 对应地区的网络限制。2. Python库版本不兼容。1. 检查网络连接确认API服务在你所在区域可用这是平台政策问题需自行合规解决。2. 查看anthropic或google-generativeai库的官方文档更新到最新版本。系统提示词过长导致API报错身份档案和知识库内容太多超过了模型的上下文窗口限制。1. 精简identity.yaml和knowledge_base.md的内容保留核心。2. 在profile_loader.py的get_system_prompt方法中对知识库进行智能摘要或截断。3. 考虑使用向量数据库存储知识库在对话时进行检索增强生成RAG这是进阶方案。AI的回复不符合身份设定1. 系统提示词构建不清晰。2. 模型未完全遵循系统指令。1. 检查identity.yaml的格式和内容确保指令明确无歧义。2. 尝试调整提示词表述例如使用“你必须”、“请始终”等强调性词语。3. 不同模型对系统提示词的权重不同可适当调整。想新增一个AI模型支持需要集成新模型的SDK。1. 在chat_cli.py中仿照现有类创建一个新的AIClient子类。2. 安装对应的官方Python SDK。3. 在model_map字典中添加映射。7. 最佳实践与进阶建议7.1 档案维护最佳实践版本化使用Git管理你的profile/目录。每次对身份、知识库或Prompt模板做重大更新时进行一次提交并写好注释。这能让你随时回滚到某个版本。模块化不要把所有东西都堆在knowledge_base.md里。可以按领域拆分如knowledge_tech.md、knowledge_writing.md然后在加载时动态组合。定期更新每完成一个项目或学习一个新概念花10分钟更新你的知识库。将零散的对话精华通过你自己的语言总结后归档。保持简洁系统提示词不是越长越好。聚焦于最核心的身份、最关键的偏好和最高频的知识。过长的提示词会占用宝贵的上下文令牌并可能降低模型表现。7.2 工程化与自动化进阶向量化知识库RAG当知识库变得庞大时将其存入ChromaDB、Pinecone等向量数据库。在每次对话前先检索与用户问题最相关的知识片段再注入系统提示词。这能突破上下文长度限制并提升回答的准确性。构建Web界面使用Gradio、Streamlit或FastAPI 前端将你的聊天客户端包装成一个简单的Web应用方便随时随地使用。集成到开发环境将你的档案系统与VS Code等IDE结合。例如开发一个插件让你在写代码时能一键调用code_reviewer角色来审查当前代码片段。工作流自动化结合Zapier、n8n或Python的schedule库创建自动化任务。例如每天早晨让AI根据你的知识库和今日日程生成一份工作重点简报。7.3 安全与隐私提醒API密钥是最高机密永远不要将.env文件或硬编码的密钥提交到公开的Git仓库。使用.gitignore严格过滤。敏感信息脱敏你的knowledge_base.md中可能包含内部API地址、服务器信息等。在提交到任何版本控制系统即使是私有仓库前务必进行脱敏处理或使用环境变量引用。审查AI输出虽然档案系统能让AI更懂你但AI生成的内容仍需你最终判断。切勿将未经审核的代码、法律或财务建议直接用于生产环境。通过以上步骤你已经成功构建了一套独立于任何单一AI模型的个人智能工作流核心。这套“AI个人档案”的价值会随着你的持续使用和丰富而不断增长。它不再是一个依附于某个网站或应用的临时设置而是你个人在数字世界的能力延伸和思维外挂。无论明天的AI模型排行榜如何变化你都可以从容地将你的“档案”接入新的服务立刻获得一个熟悉你、理解你、能与你高效协作的AI伙伴。