别再让 Claude 每次都重新认识你：用 Claude API 搭一个可持续更新的长期记忆助手

大多数人做“私人 AI 助手”，第一反应是给模型塞一份固定人设：你是谁、你喜欢什么、你讨厌什么。

这当然有用，但它只解决了第一层问题：让 AI 在这一刻看起来懂你。真正难的不是“记住你一次”，而是在你不断变化的工作、偏好和目标里，持续更新对你的理解。

比如你三个月前还在写 PRD，现在开始自己上手 Python；上周你还喜欢长解释，这周你只想直接看结论；昨天你让它帮你分析竞品，今天你又开始用它整理会议纪要。一个真正好用的私人助手，不该只有“记忆”，还要有记忆更新机制、权重排序和过期清理能力。

所以这篇文章不再讲“怎么让 Claude 记住你的习惯”这种入门版思路，而是直接往前走一步：用 Claude API 搭一个可以持续维护用户画像、自动更新长期记忆的个人 AI 助手。

你会得到的不是一个会背提示词的机器人，而是一套能随着你一起变化的轻量记忆架构。

一、问题不在“有没有记忆”，而在“记忆会不会演化”

一、为什么你的 AI 助手"没有记忆"

很多人以为 AI 健忘是产品设计失误，其实这是底层架构的必然结果。

当前主流 AI 产品——ChatGPT、Claude.ai——的工作方式是对话隔离：每次新建对话，模型都从零开始。它能"记住"的，只有当前这个对话窗口里的内容，也就是所谓的上下文窗口（Context Window）。

上下文窗口再大（Claude 支持 200K token），也有两个根本限制：

1. 关窗口就清零：对话结束，记忆消失，下次从头来

2. 无法跨会话积累：你用了半年，它对你的了解还是 0

这和人类记忆的运作方式完全不同。你的同事用了你三个月，会知道你喜欢直接给结论、不喜欢被反问"你想要什么效果"。这种持久记忆，是当前 AI 产品普遍缺失的。

二、长期记忆助手该怎么设计：存储、更新、淘汰三件事

先看架构，消除恐惧：

┌─────────────────────────────────────────────────────┐
│                    用户输入                          │
└──────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│              读取长期记忆与短期状态（user_profile.json）        │
└──────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│         动态拼装 System Prompt（注入用户档案）       │
└──────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│                  Claude API 调用                     │
└──────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│         输出给用户 + 提取新增偏好 → 更新长期记忆         │
└─────────────────────────────────────────────────────┘

• 模型层：Claude API（claude-opus-4-6 或 claude-sonnet-4-6）
• 记忆层：本地 JSON 文件（轻量）或 SQLite（稍复杂但更结构化）
• 胶水层：Python 脚本，约 150 行搞定

没有服务器，没有数据库运维，没有月租费。你的偏好数据完全在自己硬盘上。

三、手把手实现：把“会更新的记忆层”接到 Claude API 上

第一步：调通 Claude API 基础对话

新建 api_call.py：

# api_call.py
import anthropic

def chat(system_prompt: str, user_message: str, history: list = None) -> str:
"""
基础对话函数
system_prompt: 系统提示词（包含用户档案）
user_message: 用户当前输入
history: 历史消息列表（本次会话内）
"""
client = anthropic.Anthropic(
api_key="your_api_key_here",
# 国内用户替换为兼容接口：
# base_url="https://api.884819.xyz"
)

messages = history or []
messages.append({"role": "user", "content": user_message})

response = client.messages.create(
model="claude-opus-4-6",   # 或 claude-sonnet-4-6（更快更便宜）
max_tokens=2048,           # 单次回复最大长度
temperature=0.7,           # 创造性程度，0=严谨，1=发散
system=system_prompt,      # 关键：系统提示词在这里注入
messages=messages
)

return response.content[0].text

💡 获取 API Key 说明

本文所有代码基于 Claude API 实现。如果你在国内访问 Anthropic 官方有障碍，可以通过 [api.884819.xyz](https://api.884819.xyz) 获取兼容接口——格式与官方完全一致，文中代码无需任何修改，把 base_url 改成上面的地址即可直接跑通。新用户注册即送体验 token，国产模型（Deepseek/千问等）完全免费，无月租按量付费。

第二步：把静态档案升级成“长期记忆 + 短期状态”双层结构

先设计记忆文件格式。新建 user_profile.json：

{
"name": "Alex",
"long_term": {
"coding_style": "简洁优先，少注释，多类型声明，使用中文注释",
"language_preference": "回复用中文，代码用英文变量名",
"reply_style": "直接给结论，不要反问，不要废话",
"current_focus": "正在学习 Rust，对所有权机制还不熟悉",
"dislikes": "表情包、过度鼓励、'当然！'开头的回复"
},
"short_term": {
"current_project": "用 Rust 写一个命令行 Todo 工具",
"last_topic": "借用检查器报错处理"
},
"updated_at": "2025-01-15"
}

然后实现记忆读取与 System Prompt 拼装，新建 memory.py：

# memory.py
import json
from pathlib import Path
from datetime import date

PROFILE_PATH = Path("user_profile.json")

def load_profile() -> dict:
"""读取用户档案，不存在则返回空档案"""
if not PROFILE_PATH.exists():
return {"long_term": {}, "short_term": {}}
with open(PROFILE_PATH, "r", encoding="utf-8") as f:
return json.load(f)

def build_system_prompt(profile: dict) -> str:
"""
动态拼装 System Prompt
将用户档案注入到系统提示词中
"""
name = profile.get("name", "用户")
long_term = profile.get("long_term", {})
short_term = profile.get("short_term", {})

# 将偏好字典转为可读文本
long_term_text = "\n".join(
f"- {k}: {v}" for k, v in long_term.items()
) if long_term else "（暂无记录）"

short_term_text = "\n".join(
f"- {k}: {v}" for k, v in short_term.items()
) if short_term else "（暂无记录）"

return f"""你是 {name} 的私人 AI 助手，你非常了解他/她的习惯和偏好。

【用户长期偏好】
{long_term_text}

【当前上下文】
{short_term_text}

请严格遵守以上偏好，不要在回复中提及"根据您的偏好"等字样，自然地按照用户习惯回复即可。"""

def save_profile(profile: dict):
"""写回更新后的用户档案"""
profile["updated_at"] = str(date.today())
with open(PROFILE_PATH, "w", encoding="utf-8") as f:
json.dump(profile, f, ensure_ascii=False, indent=2)

第三步：实现对话后的自动习惯提取与写回

这是整个系统最关键的环节——让 Claude 自己来总结"从这段对话中学到了什么"。

在 memory.py 中增加提取函数：

def extract_habits(conversation: str, current_profile: dict, api_client) -> dict:
"""
用 Claude 从对话中提炼新的用户习惯
conversation: 本次对话的完整文本
"""
meta_prompt = f"""你是一个用户习惯分析助手。请分析以下对话，提取用户展现出的偏好、习惯或当前关注点。

【当前已知档案】
{json.dumps(current_profile, ensure_ascii=False, indent=2)}

【本次对话】
{conversation}

请以 JSON 格式返回需要更新的字段，格式如下：
{{
"long_term": {{"字段名": "新值或更新值"}},
"short_term": {{"字段名": "新值或更新值"}}
}}

规则：
1. 只返回有新信息的字段，不要重复已知内容
2. 如果没有新信息，返回 {{"long_term": {{}}, "short_term": {{}}}}
3. 只返回 JSON，不要其他内容"""

# 注意：这里用简单模式调用，不注入用户档案
response = api_client.messages.create(
model="claude-sonnet-4-6",  # 用轻量模型做提取，省 token
max_tokens=512,
temperature=0,              # 提取任务要严谨，temperature 设 0
messages=[{"role": "user", "content": meta_prompt}]
)

try:
updates = json.loads(response.content[0].text)
# 合并到现有档案
current_profile["long_term"].update(updates.get("long_term", {}))
current_profile["short_term"].update(updates.get("short_term", {}))
return current_profile
except json.JSONDecodeError:
return current_profile  # 解析失败就保持原样

最后是主程序 main.py：

# main.py
import anthropic
from memory import load_profile, build_system_prompt, extract_habits, save_profile

def main():
client = anthropic.Anthropic(
api_key="your_api_key_here",
# base_url="https://api.884819.xyz"  # 国内用户取消注释
)

profile = load_profile()
history = []
conversation_log = []

print("私人 AI 助手已启动。输入 'quit' 退出，输入 '忘掉[关键词]' 删除特定记忆。\n")

while True:
user_input = input("你：").strip()

if user_input.lower() == "quit":
# 退出时触发习惯提取
if conversation_log:
print("\n正在更新记忆档案...")
full_conversation = "\n".join(conversation_log)
profile = extract_habits(full_conversation, profile, client)
save_profile(profile)
print("记忆已更新。再见！")
break

# 处理"遗忘指令"
if user_input.startswith("忘掉"):
keyword = user_input[2:].strip()
keys_to_remove = [k for k in profile["long_term"] if keyword in k or keyword in str(profile["long_term"][k])]
for k in keys_to_remove:
del profile["long_term"][k]
save_profile(profile)
print(f"已从记忆中删除与"{keyword}"相关的内容。")
continue

system_prompt = build_system_prompt(profile)
response = chat_with_claude(client, system_prompt, user_input, history)

print(f"\nAI：{response}\n")

# 记录对话历史（用于本次会话连贯性）
history.append({"role": "user", "content": user_input})
history.append({"role": "assistant", "content": response})
conversation_log.append(f"用户：{user_input}\nAI：{response}")

def chat_with_claude(client, system_prompt, user_message, history):
messages = list(history) + [{"role": "user", "content": user_message}]
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=2048,
temperature=0.7,
system=system_prompt,
messages=messages
)
return response.content[0].text

if __name__ == "__main__":
main()

三个文件，不到 150 行，一个有记忆的 AI 助手就跑起来了。

四、让记忆"更聪明"的三个进阶技巧

技巧一：记忆分层，防止无限膨胀

随着使用时间增长，user_profile.json 会越来越大，最终拖慢 token 消耗。解法是分层管理：

• 长期偏好（long_term）：编程风格、语言偏好、性格特征——不常变，永久保留
• 短期上下文（short_term）：当前项目、最近话题——每周自动清理一次

在 save_profile 中加一段清理逻辑，short_term 超过 5 条就删最旧的，保持精简。

技巧二：遗忘指令，给用户掌控权

上面代码里已经实现了基础版：用户说"忘掉我之前说的编程语言偏好"，系统自动匹配并删除相关字段。

这个设计很重要——记忆系统必须可控，否则用户会产生"被监控"的不适感。

技巧三：记忆摘要，定期压缩

当 long_term 字段超过 20 条时，让 Claude 做一次"记忆压缩"：把相关条目合并成更简洁的描述。比如把"喜欢简洁回复"、"不喜欢废话"、"讨厌过度解释"合并成"回复风格：极简直接"。

五、部署与日常使用

三种使用形态

pip install gradio anthropic

import gradio as gr
把 main() 的逻辑包一层 gradio 接口即可

费用估算

基于 Claude API 实际定价，每天 20 次对话的月均成本大约在 $1-2 以内（使用 claude-sonnet-4-6，每次对话含记忆注入约 1500 token 输入 + 500 token 输出）。

轻度使用成本极低。通过 [api.884819.xyz](https://api.884819.xyz) 接入的读者可以参考其定价页面做实际估算，通常比直接购买官方套餐更灵活，按量付费没有月租压力。

第一周使用 Checklist

把助手"喂熟"的关键，是主动告诉它你的习惯，而不是等它猜：

• [ ] 第一天：告诉它你的名字、职业、主要使用场景
• [ ] 第二天：明确说出你不喜欢的回复风格（比如"不要用 emoji"）
• [ ] 第三天：告诉它你当前最重要的项目或学习目标
• [ ] 第四天：测试它是否记住了——开新会话，问同一个问题
• [ ] 第五天：用"忘掉"指令清理一条不准确的记录，验证遗忘功能
• [ ] 第七天：打开 user_profile.json 看看它学到了什么，手动修正错误

尾声：这才是 AI 助手本来应该有的样子

这套系统搭完，你会发现一件事：你开始期待打开它。

不是因为它更聪明，而是因为它认识你。它知道你在学 Rust、知道你不喜欢废话、知道你的代码注释要用中文。你不需要每次都重新介绍自己，它就是那个用了三个月、真的了解你工作习惯的助手。

这不是什么遥远的 AGI 愿景，这是今天下午就能搭出来的东西。

这个助手现在只有"文字记忆"。

下一篇，我们给它接上眼睛——让它能读你发的截图、分析你的文档、记住你上传过的资料。Claude 的视觉能力 + 本地知识库，一个真正的"第二大脑"长什么样？

→ 关注本号，下周更新《给私人 AI 助手装上眼睛：文档理解 + 多模态记忆实战》

#AI教程 #Claude #私人AI助手 #Python #持久记忆 #8848AI #AI开发 #ClaudeAPI

四、什么时候该从 JSON 升级到 SQLite 或向量检索？

如果你只是个人使用，几十到几百条偏好记录，JSON 其实够用，优点是透明、可编辑、迁移成本低。

但当你的助手开始处理三类信息时，建议升级：

• 时间敏感的信息：比如最近项目、当前目标、临时禁忌词，需要有过期机制
• 多来源记忆：聊天、文档、会议纪要、任务系统同时写入
• 冲突偏好：用户过去喜欢详细解释，现在更偏向短回复，需要保留时间戳和权重

这时更合理的方案是：短期状态放 SQLite，长期稳定偏好放 JSON，长文本经验再交给向量检索。这样既不重，也不会把一个个人助手做成过度设计的“AI 大平台”。

五、结语

很多人做私人 AI 助手，停在了“给模型加一段人设提示词”这一步。但真正拉开差距的，不是提示词写得多漂亮，而是你有没有把记忆的写入、更新、排序和淘汰这套机制补上。

Claude API 本身已经足够强，缺的往往只是外面那层属于你自己的记忆系统。把这层补起来，AI 才不是一次性的问答工具，而会慢慢变成一个越用越顺手的长期助手。

如果你想直接调用稳定的 Claude / Gemini / GPT 接口来搭自己的私人 AI 助手，可以直接去 api.884819.xyz 试，省掉不少接入和兼容层的时间。