用 Claude API 从零搭一个记住你习惯的私人 AI 助手

你有没有算过，你这辈子跟 AI 说了多少次"我不喜欢用'首先其次最后'"？

我数了一下，大概是 47 次。每次让 Claude 或 ChatGPT 帮我写东西，都要在开头贴一段"说明书"：我是做产品的、偏好简洁直接的语气、段落不要超过三行、禁止用任何排比句……说完这段话，AI 才算真正"认识了我"。

然后对话窗口一关，下次又是陌生人。

这不是 AI 的问题，是所有 AI 产品的架构通病——每个对话都是独立的，没有跨会话的记忆。ChatGPT 的 Memory 功能是个例外，但它是黑箱，你不知道它记了什么、怎么用的。

今天这篇文章要做的事很简单：用不到 100 行 Python，给 Claude 装上一个透明可控的记忆系统，让它真正记住你是谁、你喜欢什么、你的工作习惯是什么。

不需要懂机器学习，不需要搭数据库，只需要一个 Claude API Key 和一点点耐心。

为什么 AI 总是"失忆"？

先花两分钟搞清楚原理，后面动手会顺很多。

大语言模型的工作方式是这样的：你给它一段文字（叫做 context），它预测下一个词。它没有持久化存储，每次对话的"记忆"完全依赖你传给它的 context 内容。

这意味着，如果你想让 AI 记住你的偏好，本质上就是一件事：在每次对话开始时，把你的偏好信息塞进 context 里。

具体有三种实现路径：

本文选择 "结构化 JSON 文件 + 动态 System Prompt 拼接" 这条路。理由很实在：零额外依赖、完全透明可控、你随时可以打开 JSON 文件直接编辑自己的画像。

💡 Claude 的 context window 上限是 200K tokens，相当于一本 30 万字的中文小说。对于存储个人偏好画像这种场景，完全绰绰有余——一份写得很详细的用户画像，也不过几千个 token。

数据流长这样：

用户输入
↓
读取本地 profile.json（用户画像）
↓
将画像拼接进 System Prompt
↓
发送给 Claude API
↓
Claude 生成回复
↓
判断：这次对话有没有透露新的偏好信息？
↓
有 → 更新 profile.json → 写回本地
没有 → 直接结束

整个系统的核心就是这个循环。接下来我们一步步把它实现出来。

动手实操：30 分钟搭出来

第一步：获取 Claude API 密钥 + 环境配置

💡 国内用户获取 Claude API 的最快路径

>

直接访问 [api.884819.xyz](https://api.884819.xyz) 注册，无需解决网络问题，支持调用 Claude 全系列模型（包括 claude-opus-4 和 claude-sonnet-4-5），本文所有代码均在该平台测试通过。新用户注册即送体验 token，跑完本教程的额度完全够用。

拿到 API Key 之后，安装依赖：

pip install anthropic

就这一个包，没有其他依赖。

第二步：建立你的用户画像 JSON

在项目目录下创建 profile.json，这是整个系统的"记忆核心"：

{
"name": "Alex",
"profession": "产品经理",
"writing_style": {
"tone": "简洁直接，不废话",
"paragraph_length": "每段不超过3行",
"forbidden_phrases": ["首先", "其次", "最后", "综上所述", "不难看出"],
"preferred_format": "短句为主，必要时用列表"
},
"language_preference": "中文，偶尔用英文术语",
"work_context": {
"industry": "互联网，To B SaaS",
"common_tasks": ["写周报", "整理会议纪要", "分析竞品", "写PRD"],
"team_size": "10人左右的产品团队"
},
"personal_preferences": {
"likes": ["数据驱动的分析", "有结论的建议", "类比举例"],
"dislikes": ["套话", "模糊的建议", "过度正面的语气"]
},
"last_updated": "2025-01-01"
}

这个 JSON 就是你的"AI 身份证"。字段可以按需增减，关键是把你真正在乎的偏好写进去。

第三步：动态拼接 System Prompt

# prompt_builder.py
import json
from datetime import date

def load_profile(path="profile.json") -> dict:
"""加载用户画像，文件不存在时返回空画像"""
try:
with open(path, "r", encoding="utf-8") as f:
return json.load(f)
except FileNotFoundError:
return {}

def build_system_prompt(profile: dict) -> str:
"""将用户画像转换为 System Prompt"""
if not profile:
return "你是一个通用 AI 助手。"

# 核心：把结构化数据转成自然语言指令
prompt = f"""你是 {profile.get('name', '用户')} 的私人 AI 助手。

【关于用户】
职业：{profile.get('profession', '未知')}
工作背景：{profile.get('work_context', {}).get('industry', '未知')}
常用语言：{profile.get('language_preference', '中文')}

【写作风格要求】（每次回复都必须遵守）
语气：{profile.get('writing_style', {}).get('tone', '正常')}
段落长度：{profile.get('writing_style', {}).get('paragraph_length', '适中')}
禁止使用的词汇：{', '.join(profile.get('writing_style', {}).get('forbidden_phrases', []))}
格式偏好：{profile.get('writing_style', {}).get('preferred_format', '正常')}

【用户偏好】
喜欢：{', '.join(profile.get('personal_preferences', {}).get('likes', []))}
不喜欢：{', '.join(profile.get('personal_preferences', {}).get('dislikes', []))}

请始终以符合上述偏好的方式回答，不需要在回复中提及这些设定。"""

return prompt

这段代码只做一件事：把 JSON 里的结构化数据，翻译成 Claude 能理解的自然语言指令。

第四步：主对话循环

# main.py
import json
import anthropic
from datetime import date
from prompt_builder import load_profile, build_system_prompt

client = anthropic.Anthropic(
api_key="你的API密钥",
base_url="https://api.884819.xyz"  # 使用8848AI平台
)

def save_profile(profile: dict, path="profile.json"):
"""将更新后的画像写回文件"""
profile["last_updated"] = str(date.today())
with open(path, "w", encoding="utf-8") as f:
json.dump(profile, f, ensure_ascii=False, indent=2)

def check_and_update_profile(user_input: str, profile: dict) -> dict:
"""
让 Claude 判断用户输入是否包含新的偏好信息
如果有，返回更新后的画像；否则返回原画像
"""
update_prompt = f"""分析以下用户输入，判断是否包含用户偏好、习惯或背景信息的更新。

用户输入："{user_input}"

当前用户画像：
{json.dumps(profile, ensure_ascii=False, indent=2)}

如果用户输入包含新的偏好信息（比如"我不喜欢..."、"以后帮我..."、"我是做...的"等），
请返回更新后的完整 JSON 画像。
如果没有新信息，只返回字符串 "NO_UPDATE"。

只返回 JSON 或 "NO_UPDATE"，不要有其他内容。"""

response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=1000,
messages=[{"role": "user", "content": update_prompt}]
)

result = response.content[0].text.strip()

if result == "NO_UPDATE":
return profile

try:
updated_profile = json.loads(result)
print("✅ 检测到偏好更新，已自动保存到画像")
return updated_profile
except json.JSONDecodeError:
return profile  # 解析失败时保留原画像

def chat():
"""主对话循环"""
profile = load_profile()
conversation_history = []

name = profile.get('name', '你')
print(f"你好，{name}！我已加载你的个人画像，开始对话吧。输入 'quit' 退出。\n")

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

if user_input.lower() == 'quit':
print("再见！你的偏好已自动保存。")
break

if not user_input:
continue

# 每次对话前重新加载画像（支持实时更新）
profile = load_profile()
system_prompt = build_system_prompt(profile)

# 将用户输入加入对话历史
conversation_history.append({
"role": "user",
"content": user_input
})

# 发送请求
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=2000,
system=system_prompt,
messages=conversation_history
)

assistant_reply = response.content[0].text
conversation_history.append({
"role": "assistant",
"content": assistant_reply
})

print(f"\nClaude：{assistant_reply}\n")

# 异步判断是否需要更新画像
updated_profile = check_and_update_profile(user_input, profile)
if updated_profile != profile:
save_profile(updated_profile)

if __name__ == "__main__":
chat()

进阶玩法：让记忆更聪明

基础版已经能用了，但还有三个方向可以继续打磨。

1. 按场景分类记忆

一个人在工作和生活中的语气需求完全不同。可以在 profile.json 里加一个 modes 字段：

{
"modes": {
"work": {
"tone": "专业简洁",
"forbidden_phrases": ["哈哈", "感觉", "好像"]
},
"life": {
"tone": "轻松随意",
"forbidden_phrases": ["综上所述", "数据显示"]
}
},
"current_mode": "work"
}

在 build_system_prompt 里根据 current_mode 动态选择对应的风格配置，对话中输入 /work 或 /life 切换模式。

2. 记忆的"遗忘机制"

画像积累久了会越来越乱，互相矛盾的偏好会让 AI 无所适从。可以加一个定期清理函数：

def clean_profile(profile: dict) -> dict:
"""让 Claude 整理并精简画像，去除冗余和矛盾项"""
clean_prompt = f"""以下是用户的 AI 助手画像，请帮我整理：
1. 合并重复或相似的条目
2. 删除互相矛盾的设定（保留更新的那条）
3. 精简措辞，保持简洁

原始画像：
{json.dumps(profile, ensure_ascii=False, indent=2)}

返回整理后的完整 JSON，不要有其他内容。"""
# ... 调用 API 并解析返回结果

建议每隔 30 次对话自动触发一次，或者在 profile.json 里记录 conversation_count 来追踪。

3. 对话摘要压缩

当 conversation_history 积累很长时，可以定期让 Claude 把历史对话压缩成摘要，避免 context 过长：

def compress_history(history: list) -> list:
"""将超过20轮的对话历史压缩为摘要"""
if len(history) <= 20:
return history

# 保留最近10轮，把更早的压缩成摘要
old_history = history[:-10]
recent_history = history[-10:]

# 让 Claude 总结旧对话
summary = summarize_conversation(old_history)

return [{"role": "user", "content": f"[对话摘要] {summary}"},
{"role": "assistant", "content": "好的，我已了解之前的对话背景。"}] + recent_history

踩坑记录：这三个报错你大概率会遇到

报错 1：AuthenticationError

anthropic.AuthenticationError: Error code: 401 - {'type': 'error', 'error': {'type': 'authentication_error', 'message': 'invalid x-api-key'}}

报错 2：JSON 解析失败

json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)

result = result.strip()
if result.startswith("

result = result.split("``")[1]

报错 3：画像更新死循环

现象：每次对话都触发画像更新，哪怕你只是说了句"好的"。

原因：check_and_update_profile 的判断提示词写得太宽泛，Claude 过于积极地"发现"新偏好。

解决：在提示词里加一条约束：

这套方案的边界在哪里

说实话，这个方案是有局限的。

JSON 文件适合存储结构化的偏好信息：语气风格、职业背景、禁忌词汇……这些东西几百个字段就能描述清楚。

但如果你想让 AI 记住的是非结构化的内容——你写过的所有文章、读过的所有资料、过去一年的会议记录——JSON 就力不从心了。你不可能把一年的文档都塞进 System Prompt，context window 再大也有上限，而且每次都全量传输，成本和延迟都不可接受。

文中所有代码可在 [api.884819.xyz](https://api.884819.xyz) 申请密钥后直接运行，新用户注册后有免费额度可以完整跑完本教程。

下一篇预告 👇

>

本文的记忆方案用 JSON 文件存储，适合记住几十条偏好。

但如果你想让 AI 记住的不是几条习惯，而是你过去一年写过的所有文档、读过的所有文章——

JSON 就不够用了。

>

下一篇我们会把这套系统升级：接入向量数据库，让 Claude 拥有真正的长期语义记忆，实现"你随口一提，它就能翻出三个月前你说过的那句话"。

>

关注我，不要错过。

#AI教程 #Claude #Python #AI助手 #Prompt技巧 #8848AI #人工智能 #开发者工具