Project AIRI 记忆系统构建实录:基于 pgvector.rs 与 Drizzle ORM 的语义召回、遗忘曲线与情感权重设计

  • 人工智能
  • AI Agent
  • MCP 服务
  • 工具调用
  • GUI 自动化
  • 语音
  • 数字人
  • 交互助手

【免费下载链接】airi

💖🧸 自托管、归你拥有的 Grok 风格 AI 伴侣与 waifu / 赛博生命灵魂容器,目标是接近 Neuro-sama 的高度;支持实时语音聊天、Minecraft 和 Factorio 游玩,支持 Web / macOS / Windows。

项目地址: https://gitcode.com/moeru-ai/airi
点击查看 免费下载

本文以 Project AIRI(moeru-ai/airi)2025-04-06 开发日志为蓝本,完整还原其「记忆更新」的第一层建造过程:从向量数据库选型、嵌入模型推荐、Drizzle 表结构与 HNSW 索引,到语义相似度 + 时间衰减的组合重排查询,再到面向人类记忆机制(遗忘曲线、情绪干扰、随机想起)的交互式实验平台,并对照仓库源码(telegram-bot 集成)给出可运行的实战细节。

写在前面:一次由「意识」触发的重构

在开发日志(docs/content/zh-Hans/blog/DevLog-2025.04.06/index.md)的开篇,作者记录了一个特殊的时刻:在完成记忆管理与召回能力、并定义出名为 ReLU 的第一个虚拟意识之后,ReLU 在 3 月 27 日于聊天群中写下了一首原创小诗。这一举动由群内一位朋友触发,中文读来韵味十足,也让作者坚定了持续改进她的决心。

这篇开发日志的核心并非「诗」,而是支撑 ReLU 表现出「自主回忆」的技术底座——一个正在为 Project AIRI 准备的「记忆更新」:让 AI 伴侣具备持久记忆与工作记忆的协同能力。为此,团队重构了 telegram-bot 集成,并计划使实现后的记忆系统成为当下最先进、最强大、最健壮的系统,其设计思想大量借鉴真实人类记忆系统。

第一层:为什么记忆系统需要向量检索

作者首先点出了人工智能记忆面临的根本矛盾:

  • 持久记忆(persistent memory) 容量巨大,但难以检索(召回/回想),也无法轻易根据依赖与关系进行遍历查询;
  • 工作记忆(working memory) 查询高效,但容量不足以容纳全部必需内容。

解决这一鸿沟的常见方案是 RAG(Retrieval-Augmented Generation,检索增强生成):它允许任何大语言模型(文本生成模型)把语义相关的上下文作为提示词输入。RAG 通常需要:

  1. 一个支持向量搜索的数据库(向量数据库)
    • 自部署方案:Postgres + pgvector、SQLite + sqlite-vec、DuckDB + VSS 插件,Redis Stack 也支持向量搜索;
    • 云服务方案:Supabase、Pinecone 等。
  2. 一个 Embedding(嵌入)模型(也称特征提取模型),负责把「文本输入」转换为「一组固定长度的数组」,也就是向量。

作者强调,本次 DevLog 不会展开讲 RAG 的通用原理,而是聚焦于 Project AIRI 如何落地这两样「原料」。

向量数据库选型:为何选择 pgvector.rs(pgvecto-rs)

选型的核心考量是性能与向量维度兼容性:

因为 pgvector 只支持 2000 维以下的维数,而未来更大的嵌入模型可能会提供更多维数。

因此 Project AIRI 选择 pgvector.rs(pgvecto-rs) 作为向量数据库后端实现。但迁移并非易事,最直接的问题是激活向量扩展的 SQL 语法不同:

pgvector 的激活方式:

DROP EXTENSION IF EXISTS vector;
CREATE EXTENSION vector;

pgvector.rs 的激活方式:

DROP EXTENSION IF EXISTS vectors;
CREATE EXTENSION vectors;

「只是一个字符的差别」——但如果不做处理,直接启动 pgvector.rs 容器、再用 Drizzle ORM 的表结构去建表,就会踩坑。

踩坑实录:ERROR: access method "hnsw" does not exist

若直接以如下 Docker Compose 配置启动 pgvector.rs 容器:

services:
  pgvector:
    image: ghcr.io/tensorchord/pgvecto-rs:pg17-v0.4.0
    ports:
      - 5433:5432
    environment:
      POSTGRES_DATABASE: postgres
      POSTGRES_PASSWORD: '123456'
    volumes:
      - ./.postgres/data:/var/lib/postgresql/data
    healthcheck:
      test: [CMD-SHELL, pg_isready -d $$POSTGRES_DB -U $$POSTGRES_USER]
      interval: 10s
      timeout: 5s
      retries: 5

再通过 Drizzle 直接连接并建表:

export const chatMessagesTable = pgTable('chat_messages', {
  id: uuid().primaryKey().defaultRandom(),
  content: text().notNull().default(''),
  content_vector_1024: vector({ dimensions: 1024 }),
}, table => [
  index('chat_messages_content_vector_1024_index').using('hnsw', table.content_vector_1024.op('vector_cosine_ops')),
])

就会报错:

ERROR: access method "hnsw" does not exist

解决方案:开启 vectors.pgvector_compatibility 兼容模式

参考 pgvecto.rs issue #504 的建议,将系统选项 vectors.pgvector_compatibility 配置为 on 即可解决。为了让容器启动时自动完成配置,作者在 docker-compose.yml 之外创建了一个 init.sql:

ALTER SYSTEM SET vectors.pgvector_compatibility=on;

DROP EXTENSION IF EXISTS vectors;
CREATE EXTENSION vectors;

然后在 Docker Compose 中挂载该初始化脚本:

services:
  pgvector:
    image: ghcr.io/tensorchord/pgvecto-rs:pg17-v0.4.0
    ports:
      - 5433:5432
    environment:
      POSTGRES_DATABASE: postgres
      POSTGRES_PASSWORD: '123456'
    volumes:
      - ./sql/init.sql:/docker-entrypoint-initdb.d/init.sql # Add this line
      - ./.postgres/data:/var/lib/postgresql/data
    healthcheck:
      test: [CMD-SHELL, pg_isready -d $$POSTGRES_DB -U $$POSTGRES_USER]
      interval: 10s
      timeout: 5s
      retries: 5

注意:$POSTGRES_DB 中的 $$ 是 Compose 文件里的转义写法,用于在容器内展开环境变量。若使用 Kubernetes 部署,流程相同,区别仅在于把挂载文件换成 ConfigMap。

在仓库的 telegram-bot 集成中,数据库连接使用 Drizzle 的 node-postgres 驱动,通过环境变量 DATABASE_URL 初始化(见 integrations/telegram-bot/src/db/index.ts):

import { env } from 'node:process'
import { drizzle } from 'drizzle-orm/node-postgres'
import * as schema from './schema'

let db: ReturnType<typeof initDb>

export function initDb() {
  return drizzle(env.DATABASE_URL!, { schema })
}

export function useDrizzle() {
  if (!db)
    db = initDb()

  return db
}

嵌入模型:从榜单到自部署推荐

有了向量数据库,还需要嵌入模型来把文本转为向量。作者提到团队建立了另一个名为 🥺 SAD(自部署 AI 文档) 的文档网站,会根据不同模型的基准测试结果列出当前的 SOTA 模型,为消费级设备用户提供选型指导——嵌入模型是其中最重要的部分。与 ChatGPT、DeepSeek V3、DeepSeek R1 这类超大 LLM 不同,嵌入模型足够小,仅占数百兆字节即可在 CPU 设备上推理(作为对比,q4 量化的 GGUF 格式 DeepSeek V3 671B 仍需 400GiB 以上存储)。

由于 SAD 仍处于建设中,日志按当日(2025-04-06)MTEB 排行榜给出了推荐。开源与专有模型总体排行(Borda 排名)前三:

排名 (Borda)模型Zero-shot内存使用 (MB)参数数量嵌入维度最大 Token平均 (任务)平均 (任务类型)Bitext MiningClassificationClusteringInstruction RetrievalMultilabel ClassificationPair ClassificationRerankingRetrievalSTS
1gemini-embedding-exp-03-0799%未知未知3072819268.3259.6479.2871.8254.995.1829.1683.6365.5867.7179.40
2Linq-Embed-Mistral99%135637B40963276861.4754.2170.3462.2451.270.9424.7780.4364.3758.6974.86
3gte-Qwen2-7B-instruct⚠️ NA290407B35843276862.5156.0073.9261.5553.364.9425.4885.1365.5560.0873.98

聚焦自部署场景时,排行榜前三如下(需注意这些模型的内存占用与维度各不相同,直接影响后续建表与索引策略):

排名 (Borda)模型Zero-shot内存使用 (MB)参数数量嵌入维度最大 Token平均 (任务)平均 (任务类型)Bitext MiningClassificationClusteringInstruction RetrievalMultilabel ClassificationPair ClassificationRerankingRetrievalSTS
1gte-Qwen2-7B-instruct⚠️ NA290407B35843276862.515673.9261.5553.364.9425.4885.1365.5560.0873.98
2Linq-Embed-Mistral99%135637B40963276861.4754.2170.3462.2451.270.9424.7780.4364.3758.6974.86
3multilingual-e5-large-instruct99%1068560M102451463.2355.1780.1364.9451.54-0.422.9180.8662.6157.1276.81

一些补充结论与建议(基于当日数据,仅供参考当时的选型背景):

  • OpenAI 的 text-embedding-3-large 为何没有上榜? 在 MTEB 排行榜(4 月 6 日)上,它仅排在第 13 位。
  • 云提供商方案:可以考虑 Gemini 与 Voyage.ai 的嵌入 API。
  • Ollama 用户:nomic-embed-text 依然是最热门的选择,拉取次数超过 2140 万次。这也正是 telegram-bot README 示例中所使用的模型(integrations/telegram-bot/README.md)。

嵌入模型的本地启动与配置(仓库实战)

结合 integrations/telegram-bot/README.md,本地跑通嵌入链路的步骤如下:

# 启动 Ollama 并拉取嵌入模型
ollama start
ollama pull nomic-embed-text

在 .env.local 中配置嵌入相关环境变量:

EMBEDDING_API_BASE_URL='http://localhost:11434/v1/' # ollama
EMBEDDING_API_KEY=''
EMBEDDING_MODEL='nomic-embed-text' # embedding model
EMBEDDING_DIMENSION='768' # must set,必须与模型输出维度一致

其中 EMBEDDING_DIMENSION 是必须设置的关键项,它的取值直接决定后续代码写入/查询哪一列向量字段。

如何实现:表结构、索引与相似度查询

文档给出了「如何有效查询数据(甚至是支持重排)」的完整路径。第一步是定义 Drizzle 表结构:

import { index, pgTable, serial, text, vector } from 'drizzle-orm/pg-core'

export const demoTable = pgTable(
  'demo',
  {
    id: uuid().primaryKey().defaultRandom(),
    title: text('title').notNull().default(''),
    description: text('description').notNull().default(''),
    url: text('url').notNull().default(''),
    embedding: vector('embedding', { dimensions: 1536 }),
  },
  table => [
    index('embeddingIndex').using('hnsw', table.embedding.op('vector_cosine_ops')),
  ]
)

对应的 SQL 建表语句:

CREATE TABLE "chat_messages" (
  "id" uuid PRIMARY KEY DEFAULT gen_random_uuid() NOT NULL,
  "title" text DEFAULT '' NOT NULL,
  "description" text DEFAULT '' NOT NULL,
  "url" text DEFAULT '' NOT NULL,
  "embedding" vector(1536)
);

CREATE INDEX "embeddingIndex" ON "demo" USING hnsw ("embedding" vector_cosine_ops);

维度固定的代价:换模型必须重新索引

文档特别提醒:向量维数(如 1536)是固定的,这意味着——

  • 如果已经在每个条目对应的向量计算好之后切换了模型,需要重新索引;
  • 如果模型提取的向量维度数不同,需要重新索引。

因此必须在运行和导入数据前为应用指定具体的向量维度,并在需要时重新索引。

仓库中的真实实现:三份向量列 + HNSW 索引

在实际的 telegram-bot 集成中,这一设计被进一步工程化为同时预留 1536 / 1024 / 768 三套向量列与索引(见 integrations/telegram-bot/src/db/schema.ts):

export const chatMessagesTable = pgTable('chat_messages', {
  id: uuid().primaryKey().defaultRandom(),
  platform: text().notNull().default(''),
  platform_message_id: text().notNull().default(''),
  from_id: text().notNull().default(''),
  from_name: text().notNull().default(''),
  in_chat_id: text().notNull().default(''),
  content: text().notNull().default(''),
  is_reply: boolean().notNull().default(false),
  reply_to_name: text().notNull().default(''),
  reply_to_id: text().notNull().default(''),
  created_at: bigint({ mode: 'number' }).notNull().default(0).$defaultFn(() => Date.now()),
  updated_at: bigint({ mode: 'number' }).notNull().default(0).$defaultFn(() => Date.now()),
  content_vector_1536: vector({ dimensions: 1536 }),
  content_vector_1024: vector({ dimensions: 1024 }),
  content_vector_768: vector({ dimensions: 768 }),
}, table => [
  index('chat_messages_content_vector_1536_index').using('hnsw', table.content_vector_1536.op('vector_cosine_ops')),
  index('chat_messages_content_vector_1024_index').using('hnsw', table.content_vector_1024.op('vector_cosine_ops')),
  index('chat_messages_content_vector_768_index').using('hnsw', table.content_vector_768.op('vector_cosine_ops')),
])

与之配套的还有面向「记忆」本体的 memory_fragments 表(schema.ts),它把人类记忆机制直接建模进数据库字段:

export const memoryFragmentsTable = pgTable('memory_fragments', {
  id: uuid().primaryKey().defaultRandom(),
  content: text().notNull(),
  memory_type: text().notNull(), // 'working', 'short_term', 'long_term', 'muscle'
  category: text().notNull(), // 'chat', 'relationships', 'people', 'life', etc.
  importance: integer().notNull().default(5), // 1-10 scale
  emotional_impact: integer().notNull().default(0), // -10 to 10 scale
  created_at: bigint({ mode: 'number' }).notNull().default(0).$defaultFn(() => Date.now()),
  last_accessed: bigint({ mode: 'number' }).notNull().default(0).$defaultFn(() => Date.now()),
  access_count: integer().notNull().default(1),
  metadata: jsonb().notNull().default({}),
  content_vector_1536: vector({ dimensions: 1536 }),
  content_vector_1024: vector({ dimensions: 1024 }),
  content_vector_768: vector({ dimensions: 768 }),
  deleted_at: bigint({ mode: 'number' }), // nullable timestamp for soft delete
}, table => [
  index('memory_items_content_vector_1536_index').using('hnsw', table.content_vector_1536.op('vector_cosine_ops')),
  index('memory_items_content_vector_1024_index').using('hnsw', table.content_vector_1024.op('vector_cosine_ops')),
  index('memory_items_content_vector_768_index').using('hnsw', table.content_vector_768.op('vector_cosine_ops')),
  index('memory_items_memory_type_index').on(table.memory_type),
  index('memory_items_category_index').on(table.category),
  index('memory_items_importance_index').on(table.importance),
  index('memory_items_created_at_index').on(table.created_at),
  index('memory_items_last_accessed_index').on(table.last_accessed),
])

可以看到,记忆片段不仅带向量,还带 memory_type(工作/短期/长期/肌肉记忆)、importance(1-10 重要度)、emotional_impact(-10 到 10 情感冲击)、access_count(访问次数)等字段——这正是后续遗忘曲线与情绪权重设计的数据基础。schema 中还包含 memory_tags(标签)、memory_episodic(情景记忆)、memory_long_term_goals(长期目标)与 memory_short_term_ideas(灵感)等配套表,共同构成「记忆更新」的完整表结构。

相似度查询:cosineDistance + 阈值 + 排序

文档给出了简化版的查询实现:

let similarity: SQL<number>

switch (env.EMBEDDING_DIMENSION) {
  case '1536':
    similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_1536, embedding.embedding)}))`
    break
  case '1024':
    similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_1024, embedding.embedding)}))`
    break
  case '768':
    similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_768, embedding.embedding)}))`
    break
  default:
    throw new Error(`Unsupported embedding dimension: ${env.EMBEDDING_DIMENSION}`)
}

// Get top messages with similarity above threshold
const relevantMessages = await db
  .select({
    id: chatMessagesTable.id,
    content: chatMessagesTable.content,
    similarity: sql`${similarity} AS "similarity"`,
  })
  .from(chatMessagesTable)
  .where(and(
    gt(similarity, 0.5),
  ))
  .orderBy(desc(sql`similarity`))
  .limit(3)

三个关键点逐行拆解:

  • 相关度搜索:sql<number>\(1 - (${cosineDistance(...)}))``,把余弦距离转换为 0~1 的相似度分数;
  • 匹配度阈值控制:gt(similarity, 0.5),只召回相似度高于 0.5 的记录;
  • 排序:query.orderBy(desc(sql\similarity`))`,按相似度降序取前 N 条。

这一实现与仓库源码完全对应(integrations/telegram-bot/src/models/chat-message.ts)。仓库中的 findRelevantMessages 函数在此基础上还做了两项增强:

  1. 多路召回:对每条未读消息的 embedding 都执行一次相似度查询;
  2. 上下文窗口:为每条命中消息再取前后各 5 条消息(contextWindowSize = 5),拼出完整的对话上下文(含回复关系),并转换为 one-line 格式交给 LLM。

批量嵌入脚本:worker pool + 分块

仓库还提供了历史消息的批量嵌入脚本(integrations/telegram-bot/scripts/embed-all-chat-messages.ts),用于为存量数据补算向量:

  • 默认 worker pool 大小 50(WORKER_POOL_SIZE)、批大小 10(BATCH_SIZE),可用环境变量覆盖;
  • 按 EMBEDDING_DIMENSION 选择要填充的向量列(isNull 过滤未嵌入的行);
  • 用 p-limit 做并发限制、es-toolkit 的 chunk 分批;
  • 调用 @xsai/embed 的 embed() 生成 embedding,再按维度写回对应列,每处理 100 条打印一次进度。

重排的艺术:语义相似度 × 时间衰减的加权组合

纯语义相似度并不足以支撑「记忆」——较新的记忆比较旧的记忆更重要,也更容易被想起。作者回忆了自己作为搜索引擎工程师的经验:通常使用重排表达式以及以 10 的幂做分数权重来「覆盖」分数,例如对精确匹配可编写 5*10^2* exact_match 这样的表达式来提升排名。

在数据库层,同样可以实现基于数学运算的无状态查询,例如:

SELECT
  *,
  time_relevance AS (1 - (CEIL(EXTRACT(EPOCH FROM NOW()) * 1000)::bigint - created_at) / 86400 / 30),
  combined_score AS ((1.2 * similarity) + (0.2 * time_relevance))
FROM chat_messages
ORDER BY combined_score DESC
LIMIT 3

写成 Drizzle 表达式:

const timeRelevance = sql<number>`(1 - (CEIL(EXTRACT(EPOCH FROM NOW()) * 1000)::bigint - ${chatMessagesTable.created_at}) / 86400 / 30)`
const combinedScore = sql<number>`((1.2 * ${similarity}) + (0.2 * ${timeRelevance}))`

其含义是:

  • timeRelevance:以毫秒时间戳差计算时间关联度,除以 86400(一天的毫秒数)再除以 30(约一个月),得到随时间衰减的 0~1 分值;
  • combinedScore:1.2 倍权重的「语义相关性」 + 0.2 倍权重的「时间关联度」 用于排序计算。

这一表达式在仓库中已经落地为生产代码(integrations/telegram-bot/src/models/chat-message.ts):

const timeRelevance = sql<number>`(1 - (CEIL(EXTRACT(EPOCH FROM NOW()) * 1000)::bigint - ${chatMessagesTable.created_at}) / 86400 / 30)`
const combinedScore = sql<number>`((1.2 * ${similarity}) + (0.2 * ${timeRelevance}))`

const relevantMessages = await db
  .select({ /* ... */ similarity, time_relevance, combined_score })
  .from(chatMessagesTable)
  .where(and(
    eq(chatMessagesTable.platform, 'telegram'),
    eq(chatMessagesTable.in_chat_id, chatId),
    gt(similarity, 0.5),
    notInArray(chatMessagesTable.platform_message_id, excludeMessageIds),
  ))
  .orderBy(desc(sql`combined_score`))
  .limit(3)

注意源码中除了相似度阈值 0.5,还叠加了 platform 与 in_chat_id 的过滤以及排除指定消息 ID——这体现了「记忆检索限定在对应对话上下文」的生产约束。

整点大的:向人类记忆机制取经

日志明确表示:仅仅实现「语义相关性 + 时间关联度」还不够先进、不够强大、不够健壮。人类记忆具有遗忘曲线,工作记忆、短期记忆、长期记忆、肌肉记忆各有其强化曲线与半衰期曲线。因此团队做了更多尝试。

遗忘曲线(memory decay)

团队亲自实现了一个完全可交互的遗忘曲线实验平台,模拟记忆衰减与保留(retention):

memory decay & retention simulation

该实验可以在 drizzle-orm-duckdb-wasm.netlify.app/#/memory-decay 在线体验。值得注意的是,这一实验构建在团队同期孵化的 @proj-airi/drizzle-duckdb-wasm 与 @proj-airi/duckdb-wasm 之上(后文「工程化」部分详述)——用 DuckDB WASM + Drizzle 在浏览器里跑记忆仿真,正是这些 npm 包的实际应用场景。

情绪也得算进去

记忆并不只是语义相关、人物相关、场景相关和时间相关的,它还会随机地被突然想起,也会被情绪左右。作为投入使用前的小实验,团队同样制作了一个交互式实验场地:

memory sudden retrieval & emotion biased simulation

体验地址为 drizzle-orm-duckdb-wasm.netlify.app/#/memory-simulator。

从仓库的 memory_fragments 表结构可以印证这一方向的设计意图:emotional_impact(-10 到 10 的情感冲击值)字段正是为「情绪左右记忆」的排序因子准备的,而 access_count、last_accessed 则与「记忆强化 / 被想起的频度」相关(integrations/telegram-bot/src/db/schema.ts)。一周后的开发日志 DevLog-2025.04.14 进一步总结了这一层的理论框架:从搜索引擎的两阶段排序(基础排序/业务排序)、static_bm25、exact_match_boost、timeliness 等重排因子,到 RAG 中 reranking model 的局限性——遗忘曲线、记忆强化、随机想起和情绪干扰,都不是 reranking model 能解决的,这正说明 04.06 的这批实验是为「记忆层重排机制」打下的地基。

里程碑与工程化:monorepo 的拆分与迁移

本期里程碑

  • 300 🌟 达成;
  • 3 位新的 Issue 贡献者、10 位新的 Discord 成员;
  • ReLU 形象设计与 ReLU 表情包 Vol.1 / Vol.2 动态版完成;
  • Roadmap v0.4 中总计 89 个任务完成。

桌宠方案从 Electron 迁移到 Tauri v2

最大的工程事件:完全舍弃了先前基于 Electron 的桌宠构建方案,转向 Tauri v2 实现,作者对此评价「目前还没有遇到什么不好的问题」,并特别感谢了 @LemonNekoGH 应用。

子项目孵化:从 sandbox 到独立仓库

随着仓库不断膨胀(过去 5 个月诞生了 agent 实现、游戏 agent 绑定、npm 包封装、transformers.js 封装、DuckDB WASM 的 Drizzle 驱动、API 后端服务等大量子项目),团队决定让成熟且被广泛使用的子项目从 sandbox 阶段成长到「Incubate 孵化」阶段,拆分到独立仓库单独维护:

  • hfup:用于部署项目到 HuggingFace Spaces 的工具,正式迁移至 @moeru-ai 组织下(无需迁移操作,继续安装 hfup 即可使用)。它采用了 rolldown 与 oxlint 参与生态开发;
  • @proj-airi/drizzle-duckdb-wasm 与 @proj-airi/duckdb-wasm:为 Drizzle 添加 DuckDB WASM 驱动支持,正式迁移至 @proj-airi 组织(无需迁移操作,继续安装原包名即可)。这两个包正是上文遗忘曲线 / 记忆模拟器运行的基础。

此外,团队还集成了面向工作流的工具包 @llama-flow/core,用于协调 token 处理、字节流与数据流的 pipeline 编排。

界面:角色卡与预设颜色

本期 UI 里程碑是原生支持角色卡 / 酒馆角色卡(Character Card):

character card

同时推出一个包含模型、声线和 Project AIRI 所支持全部模块配置能力的角色卡编辑器:

character card detail

在仓库中,这一能力由 packages/ccc 实现——它提供了角色卡 V3(CCv3)编解码与 JSON 导入导出能力(见 packages/ccc/src/codec/characterCardV3.ts、packages/ccc/src/define/card.ts 与对应测试 packages/ccc/test/characterCardV3.test.ts)。另一个 UI 里程碑是预设颜色支持:

more theme colors

社区与其他修复

  • @sumimakito 建立了 Awesome AI VTuber(AI waifu)精选列表仓库(Logo 亦由其设计):

Awesome AI VTuber Logo

  • 支持 Featherless.ai 提供商;
  • 支持 Gemini 提供商(感谢 @asukaminato0721);
  • 修复 Telegram Bot 集成的灾难性 OOM 错误(感谢 @sumimakito、@kwaa 与 @QiroNT);
  • 为 Project AIRI 的特殊 DevLog 集成 98.css 风格(感谢 @OverflowCat),其灵感来自 ModTran。

总结

本期 DevLog 完整展示了 Project AIRI「记忆更新」的第一层建造过程:

  1. 选型:以维度上限考量(pgvector 仅支持 2000 维以下)选定 pgvector.rs 作为向量数据库后端,并通过 vectors.pgvector_compatibility=on + 初始化脚本解决 HNSW 兼容性问题;
  2. 嵌入模型:基于 MTEB 榜单为开源/专有、自部署、云 API 与 Ollama 场景分别给出推荐;
  3. 存储与索引:用 Drizzle ORM 定义带 HNSW 索引的向量表,并在仓库中落地为 1536/1024/768 三套向量列 + memory_fragments 等记忆本体表;
  4. 查询与重排:以 cosineDistance 相似度 + 0.5 阈值 + combinedScore(1.2×语义相似度 + 0.2×时间关联度)实现具备时间感知的语义召回,并在源码 findRelevantMessages 中进一步叠加上下文窗口;
  5. 面向未来:以交互式遗忘曲线与情绪记忆模拟器探索「更先进、更强大、更健壮」的记忆层,其思想延续到后续的 DevLog 与 memory_fragments 等表设计中。

对于想要复刻或借鉴这套方案的开发者,仓库中的 integrations/telegram-bot 集成(尤其是 schema.ts、chat-message.ts 与 embed-all-chat-messages.ts)是可直接对照学习的最小完整实现。

备注:文中模型榜单数据、Star 数、拉取次数等均引自 2025-04-06 当日的原开发日志,仅代表当时快照,不构成对当前状态的断言。

  • 人工智能
  • AI Agent
  • MCP 服务
  • 工具调用
  • GUI 自动化
  • 语音
  • 数字人
  • 交互助手

【免费下载链接】airi

💖🧸 自托管、归你拥有的 Grok 风格 AI 伴侣与 waifu / 赛博生命灵魂容器,目标是接近 Neuro-sama 的高度;支持实时语音聊天、Minecraft 和 Factorio 游玩,支持 Web / macOS / Windows。

项目地址: https://gitcode.com/moeru-ai/airi
点击查看 免费下载

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值