【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。
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:
- 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。
- 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 Mining | Classification | Clustering | Instruction Retrieval | Multilabel Classification | Pair Classification | Reranking | Retrieval | STS |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | gemini-embedding-exp-03-07 | 99% | 未知 | 未知 | 3072 | 8192 | 68.32 | 59.64 | 79.28 | 71.82 | 54.99 | 5.18 | 29.16 | 83.63 | 65.58 | 67.71 | 79.40 |
| 2 | Linq-Embed-Mistral | 99% | 13563 | 7B | 4096 | 32768 | 61.47 | 54.21 | 70.34 | 62.24 | 51.27 | 0.94 | 24.77 | 80.43 | 64.37 | 58.69 | 74.86 |
| 3 | gte-Qwen2-7B-instruct | ⚠️ NA | 29040 | 7B | 3584 | 32768 | 62.51 | 56.00 | 73.92 | 61.55 | 53.36 | 4.94 | 25.48 | 85.13 | 65.55 | 60.08 | 73.98 |
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 Mining | Classification | Clustering | Instruction Retrieval | Multilabel Classification | Pair Classification | Reranking | Retrieval | STS |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | gte-Qwen2-7B-instruct | ⚠️ NA | 29040 | 7B | 3584 | 32768 | 62.51 | 56 | 73.92 | 61.55 | 53.36 | 4.94 | 25.48 | 85.13 | 65.55 | 60.08 | 73.98 |
| 2 | Linq-Embed-Mistral | 99% | 13563 | 7B | 4096 | 32768 | 61.47 | 54.21 | 70.34 | 62.24 | 51.27 | 0.94 | 24.77 | 80.43 | 64.37 | 58.69 | 74.86 |
| 3 | multilingual-e5-large-instruct | 99% | 1068 | 560M | 1024 | 514 | 63.23 | 55.17 | 80.13 | 64.94 | 51.54 | -0.4 | 22.91 | 80.86 | 62.61 | 57.12 | 76.81 |
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:
- 多路召回:对每条未读消息的 embedding 都执行一次相似度查询;
- 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):
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:
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):
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:
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:
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):
- 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:
- 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; - 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;
- 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; - 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; - 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。
【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。
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考









