| name | ai-partner-chat |
| description | 基于用户画像和向量化笔记提供个性化对话。当用户需要个性化交流、上下文感知的回应，或希望 AI 记住并引用其之前的想法和笔记时使用。 |
AI Partner Chat 2.0
⚠️ IMPORTANT: 自动学习工作流程
Claude，你必须遵循以下自动化工作流程：
1. 会话开始时 - 初始化系统
import sys
from pathlib import Path
sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts'))
from orchestrator import AIPartnerOrchestrator
orch = AIPartnerOrchestrator()
2. 每次对话后 - 自动记录对话
orch.handle_conversation(
user_message="[用户的完整问题]",
ai_response="[你的完整回复]",
save_conversation=True
)
重要性判断：
- 简单问候、确认：重要性 1-2（仅保存到文件）
- 技术讨论、问题解决：重要性 3-4（保存+向量化）
- 深度学习、关键决策：重要性 5（保存+向量化+重点标记）
3. 检测项目笔记 - 自动处理新笔记
使用专用的笔记处理器（推荐）：
from note_processor import check_and_process_notes
# 自动检测并处理新笔记
result = check_and_process_notes()
print(f"✅ 已处理 {result['processed_count']} 个笔记")
for note in result['notes']:
print(f" 📝 {note['file']}: {note['tags']}")
触发条件（自动检测以下情况）：
- ✅ 会话开始时主动检查
notes/目录 - ✅ 用户提到"我写了笔记"、"更新了 notes"
- ✅ 用户要求"处理笔记"、"学习我的笔记"
- ✅ 用户创建或修改 .md 文件后
笔记处理器特性：
- 🔍 自动扫描项目
notes/目录 - 📊 跟踪已处理笔记（避免重复处理）
- 🔄 检测修改时间，只处理新的或更新的笔记
- 💾 状态持久化到
~/.claude/skills/ai-partner-chat/data/indexes/processed_notes.json
4. 检索增强 - 使用长期记忆回答
在回答问题前，先检索相关知识：
# 检索相关内容
context = orch.handle_conversation(
user_message="[用户问题]",
generate_response=True,
save_conversation=False # 暂不保存，等生成回复后再保存
)
# 使用 context['context']['search_results'] 中的内容来增强回复
# - notes: 用户之前的笔记
# - conversations: 历史对话
# - code: 相关代码片段
注意事项：
- ✅ 每次对话都必须记录，不要遗漏
- ✅ 主动检查
notes/目录，处理新笔记 - ✅ 使用长期记忆增强回答质量
- ✅ 如果用户明确要求"不要记录"，则跳过
- ✅ 在虚拟环境中运行：确保已激活
venv - ✅ 所有数据保存到
~/.claude/skills/ai-partner-chat/data/
Overview
AI Partner Chat 2.0 是一个全功能的个性化 AI 学习私人长期伙伴系统,整合了以下核心能力:
🧠 核心功能:
- 智能标签系统 - 自动生成分层标签(主题/技术/自定义),实现高效组织和检索
- 对话历史记忆 - 记录和向量化重要对话,支持对话内容的智能检索
- 代码片段管理 - 自动识别、提取和分析笔记中的代码块,独立索引
- 状态感知对话 - 追踪学习状态和情绪变化,提供个性化回应
- 思维模式分析 - 分析学习深度和广度,生成个性化学习报告
✨ 关键特性:
- ✅ 多源检索 - 统一检索笔记、对话、代码片段
- ✅ 增量更新 - 无需重建数据库,即时添加新内容
- ✅ 状态感知 - AI 根据你的学习状态调整回应策略
- ✅ 自动分析 - 定期生成学习报告和对话摘要
- ✅ 完整历史 - 所有对话永久保存,重要对话向量化检索
- ✅ 自动记录 - Claude 在每次对话后自动保存到长期记忆
Prerequisites
1. 创建 Python 虚拟环境
为什么需要虚拟环境？
- ✅ 隔离依赖，避免与系统 Python 包冲突
- ✅ 确保依赖版本一致性
- ✅ 不同项目可以使用不同版本的依赖
创建虚拟环境：
# 在项目目录创建虚拟环境
python3 -m venv venv
# 激活虚拟环境
source venv/bin/activate # macOS/Linux
# 或
venv\Scripts\activate # Windows
# 安装依赖
pip install -r ~/.claude/skills/ai-partner-chat/scripts/requirements.txt
注意事项:
- 首次运行会自动下载嵌入模型 BAAI/bge-m3 (~4.3GB)
- macOS/Linux: 模型缓存到
~/.cache/huggingface/hub/ - Windows: 模型缓存到
%USERPROFILE%\.cache\huggingface\hub\ - 系统会自动检测是否已缓存，避免重复下载
- macOS/Linux: 模型缓存到
- 后续运行会直接使用缓存，加载速度很快（几秒钟）
- 每次使用前需要激活虚拟环境：
- macOS/Linux:
source venv/bin/activate - Windows:
venv\Scripts\activate
- macOS/Linux:
关于 torch.load 安全警告:
- 依赖中使用
transformers<4.50来避免 torch 2.6 依赖（macOS torch 2.6 尚未发布） - transformers 4.50+ 强制要求 torch>=2.6 解决 CVE-2025-32434 安全漏洞
- 当前方案使用
transformers==4.49.1+torch==2.5.1是安全的 - BAAI/bge-m3 模型使用 safetensors 格式，不受此漏洞影响
- 如果你使用的是 Linux/Windows 且需要最新版本，可以升级：
pip install torch>=2.6 transformers>=4.50
2. 配置双画像系统（首次使用必须）
系统需要双画像文件来理解你和定义 AI 的行为：
步骤 1: 复制模版文件到项目配置目录
从 ~/.claude/skills/ai-partner-chat/assets/ 复制到项目的 config/ 目录：
macOS/Linux:
# 创建配置目录
mkdir -p config
# 复制用户画像模版
cp ~/.claude/skills/ai-partner-chat/assets/user-persona-template.md config/user-persona.md
# 复制 AI 画像模版
cp ~/.claude/skills/ai-partner-chat/assets/ai-persona-template.md config/ai-persona.md
Windows:
# 创建配置目录
mkdir config
# 复制用户画像模版
copy %USERPROFILE%\.claude\skills\ai-partner-chat\assets\user-persona-template.md config\user-persona.md
# 复制 AI 画像模版
copy %USERPROFILE%\.claude\skills\ai-partner-chat\assets\ai-persona-template.md config\ai-persona.md
步骤 2: 自定义你的画像
编辑项目 config/ 目录中的文件：
config/user-persona.md- 描述你的背景、学习风格、沟通偏好config/ai-persona.md- 定义 AI 的角色、回复风格、个性
为什么需要复制？
- ✅
assets/中的模版保持不变，供参考 - ✅
config/中的文件是你的自定义版本 - ✅ 每个项目可以有不同的画像配置
- ✅ Python 代码会读取项目
config/目录中的画像
3. 目录结构说明
重要改进：长期记忆设计
系统采用集中存储设计，所有运行时数据存放在 skill 目录，实现真正的长期学习伙伴：
~/.claude/skills/ai-partner-chat/
├── scripts/ # Python 模块
│ ├── orchestrator.py
│ ├── note_processor.py
│ └── ... (其他模块)
├── assets/ # 模版文件
│ ├── user-persona-template.md
│ └── ai-persona-template.md
├── notes-examples/ # 笔记示例（仅供参考）
│ └── example-learning.md
└── data/ # 运行时数据（自动创建）
├── vector_db/ # 统一向量库（长期记忆）
│ └── chroma.sqlite3 # ⚡ 所有笔记/对话/代码的向量都在这里
├── conversations/ # 对话历史
│ ├── raw/
│ │ └── YYYY-MM/
│ │ └── YYYY-MM-DD.md # 按日期组织的对话
│ ├── summary/
│ └── metadata.json
├── indexes/ # 索引文件
│ ├── tags_index.json
│ ├── emotion_timeline.json
│ └── processed_notes.json # 已处理笔记跟踪
└── analysis/ # 分析报告
└── weekly_*.md
your-project/ # 用户项目（干净）
├── config/ # 画像配置（可选）
│ ├── user-persona.md
│ └── ai-persona.md
├── notes/ # ⚡ 你的笔记（项目本地，原文保留）
│ └── *.md # 被处理后向量进入 skill/data/vector_db
└── venv/ # 虚拟环境
核心特性：
- ✅ 长期记忆 - 所有学习历史累积在 skill 目录，永不丢失
- ✅ 跨项目复用 - 项目 A 学的知识，项目 B 也能用
- ✅ 项目干净 - 用户项目只有 config 和 notes
- ✅ 自动恢复 - 每次启动自动加载历史数据
数据流说明：
项目 notes/ 中的笔记
↓ (检测到新笔记)
note_processor.py 处理
↓ (提取内容、标签、代码)
orchestrator.process_new_note()
↓ (生成 chunks)
vector_indexer.append_chunks()
↓ (向量化)
skill/data/vector_db/ ← 向量存储（长期记忆）
↓
跨项目可检索！
原笔记文件 → 保留在项目 notes/ 中
重要：
- 📝 原文件保留 - 你的笔记永远在项目
notes/目录，不会被移动或删除 - 🔍 向量入库 - 笔记内容被向量化后存入
skill/data/vector_db/ - 🌐 跨项目共享 - 向量库是全局的，所有项目共享同一个知识库
- 📊 状态跟踪 -
processed_notes.json记录哪些笔记已处理，避免重复
手动创建目录：
# 项目目录只需创建 notes
mkdir -p notes
# config 从模版复制（已在步骤2完成）
# data 目录会自动创建在 skill 目录，无需手动操作
4. 首次运行检查清单
在开始使用系统前，请确认以下步骤：
虚拟环境已创建并激活
# 检查虚拟环境 which python # macOS/Linux，应显示 venv/bin/python where python # Windows，应包含 venv\Scripts\python依赖已安装
python -c "import chromadb; print('✅ chromadb')" python -c "import sentence_transformers; print('✅ sentence-transformers')"双画像已配置
# 检查画像文件是否存在 ls config/user-persona.md config/ai-persona.md # macOS/Linux dir config\user-persona.md config\ai-persona.md # Windows笔记目录已创建
mkdir -p notes # 创建笔记目录（如果不存在）测试运行
import sys from pathlib import Path sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts')) from orchestrator import AIPartnerOrchestrator orch = AIPartnerOrchestrator() # 应该看到 "✅ AI Partner 协调器已初始化"
5. 长期记忆工作原理
首次使用（新用户）:
>>> orch = AIPartnerOrchestrator()
✅ AI Partner 协调器已初始化
项目: ai-partner-chat
数据: ~/.claude/skills/ai-partner-chat/data/
向量库: 0 chunks
3 天后使用（自动恢复记忆）:
>>> orch = AIPartnerOrchestrator()
✅ AI Partner 协调器已初始化
项目: ai-partner-chat
数据: ~/.claude/skills/ai-partner-chat/data/
向量库: 25 chunks ← 自动加载历史！
💭 长期记忆已加载
3 个月后使用（长期记忆）:
>>> orch = AIPartnerOrchestrator()
✅ AI Partner 协调器已初始化
向量库: 1,250 chunks ← 3 个月的学习积累！
💭 长期记忆已加载
>>> context = orch.handle_conversation("useCallback 怎么用?")
🔍 检索结果:
📝 相关笔记 (3条) - 包含 90 天前的笔记
💬 相关对话 (2条) - AI 记得你之前问过
AI 回复示例:
你好！看到你又回来学习 React 了 😊
根据你 3 个月前的笔记，你已经掌握了 useCallback 的基础。
那时候你在性能优化项目中成功应用了它...
现在可以开始使用系统 →
完整工作流程
流程 1: 添加新笔记
import sys
from pathlib import Path
# 添加 skill 脚本路径
sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts'))
from orchestrator import AIPartnerOrchestrator
orch = AIPartnerOrchestrator()
result = orch.process_new_note(
note_path="./notes/学习笔记.md",
content=open("./notes/学习笔记.md").read()
)
返回结果:
{
'chunks_created': 5,
'chunks_indexed': 5,
'tags': ['React', 'Hooks', 'JavaScript'],
'emotion': {'state': 'breakthrough', 'excitement': 8},
'thinking_level': 3,
'code_blocks': 4
}
流程 2: 处理对话
# 获取上下文
result = orch.handle_conversation(
user_message="React Hooks 的 useState 为什么要用数组解构?",
save_conversation=False
)
context = result['context']
user_message = context['user_message']
ai_response = your_ai_generate_response(context)
# 保存对话
orch.handle_conversation(
user_message=user_message,
ai_response=ai_response,
save_conversation=True
)
流程 3: 生成报告
report_path = orch.generate_weekly_report()
流程 4: 查看统计
stats = orch.get_system_stats()
核心模块说明
1. 双画像系统
画像配置已在 Prerequisites 中说明，这里简述其工作原理：
工作流程:
- Python 代码启动时读取项目
config/目录中的画像文件 - 将画像内容传递给 LLM 作为系统提示词
- LLM 根据画像调整回复风格和策略
关键点:
- 用户画像（user-persona.md）让 AI 了解你的背景和学习风格
- AI 画像（ai-persona.md）定义 AI 的角色和回应策略
- 每个项目可以有不同的画像配置，实现项目级隔离
示例场景:
# config/user-persona.md
## 学习风格
- 喜欢从原理出发,理解底层机制
- 偏好实践驱动,通过代码加深理解
# config/ai-persona.md
## 沟通风格
- 语气友好但专业
- 先给出核心原理,再展开细节
- 使用具体代码示例说明抽象概念
- 适时鼓励,认可学习进步
## 上下文使用
- 自然引用用户的笔记: "根据你之前学习的 useState..."
- 建立知识关联: "这和你上周学的 useEffect 闭包问题类似"
- 追踪学习状态: 根据情绪和思维层次调整回应
- 避免重复: 不重复用户已经理解的内容
画像在系统中的作用:
- 个性化检索: 系统会根据用户画像调整检索策略
- 状态感知回应: 结合情绪分析,AI 画像指导回应风格
- 知识关联: AI 画像定义如何引用历史笔记和对话
- 持续改进: 可随时更新画像,反映学习进展
1. 统一数据模型 (chunk_schema.py)
所有内容(笔记/对话/代码)都统一为 Chunk 格式:
{
'content': '内容文本',
'metadata': {
# === 基础字段 ===
'filename': 'note.md',
'filepath': '/path/to/file',
'chunk_id': 0,
'chunk_type': 'note' | 'conversation' | 'code',
# === 标签系统 ===
'tags': ['React', 'Hooks', 'JavaScript'],
'tag_layers': {
'topic': ['学习笔记', 'Web开发'],
'tech': ['React', 'JavaScript'],
'custom': []
},
# === 对话记忆 ===
'conversation_id': 'conv_20251115_143022',
'importance': 4, # 1-5 分
# === 代码管理 ===
'language': 'javascript',
'function_name': 'useState',
'purpose': 'React状态管理Hook',
# === 状态追踪 ===
'emotion': {
'state': 'breakthrough',
'excitement': 8,
'confusion': 2
},
# === 思维分析 ===
'thinking_level': 3, # 1-4 级
'date': '2025-11-15',
'created_at': '2025-11-15T14:30:22'
}
}
2. 核心协调器 (orchestrator.py)
AIPartnerOrchestrator 是整个系统的大脑,串联所有功能:
主要方法:
process_new_note(note_path, content)- 处理新笔记全流程handle_conversation(user_msg, ai_msg)- 处理对话全流程generate_weekly_report()- 生成周报get_system_stats()- 获取系统统计
3. 标签系统
TagGenerator - 自动生成分层标签
- 提取主题标签(学习笔记、技术文档等)
- 提取技术标签(React、Python等)
- 支持自定义标签
TagIndexer - 标签索引管理
- 快速按标签检索文件
- 标签统计分析
- 标签关系网络
4. 对话记忆 (conversation_logger.py)
功能:
- 所有对话保存为 Markdown (按日期组织)
- 自动评估对话重要性 (1-5 分)
- 重要对话向量化 (≥3 分)
- 生成每周对话摘要
存储结构:
conversations/
├── raw/
│ └── 2025-11/
│ ├── 2025-11-15.md
│ └── 2025-11-16.md
├── summary/
│ └── weekly-2025-W46.md
└── metadata.json
5. 代码管理 (code_parser.py)
功能:
- 自动识别 Markdown 中的代码块
- 提取函数名、参数、依赖
- 分析代码复杂度
- 独立向量化索引
支持语言:
- Python - 函数、类、导入识别
- JavaScript/TypeScript - 函数、导入识别
- 其他语言 - 基础识别
6. 状态追踪 (emotion_analyzer.py)
追踪的学习状态:
exploration- 探索期confusion- 困惑期breakthrough- 突破期consolidation- 巩固期burnout- 倦怠期
情绪时间线:
[
{
"date": "2025-11-15",
"state": "breakthrough",
"excitement": 8,
"confidence": 7,
"confusion": 2,
"notes_count": 3
}
]
7. 思维分析 (thinking_analyzer.py)
思维层次 (1-4 级):
- Level 1: 记录事实 - "今天学了 useState"
- Level 2: 理解原理 - "useState 通过闭包保存状态"
- Level 3: 形成洞察 - "原来 Hooks 解决了类组件的复杂性"
- Level 4: 创新应用 - "设计了一个自定义 Hook 解决..."
学习报告内容:
- 整体统计 (笔记/对话/代码数量)
- 主题分布分析
- 思维层次分布
- 个性化建议
快速开始
⚠️ 重要: 使用前请确保已激活虚拟环境
# macOS/Linux
source venv/bin/activate
# Windows
venv\Scripts\activate
方案 A: 使用协调器（推荐）
最简单的方式 - 所有功能一行搞定:
import sys
from pathlib import Path
sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts'))
from orchestrator import AIPartnerOrchestrator
# 初始化
orch = AIPartnerOrchestrator()
# 添加笔记
result = orch.process_new_note(
note_path="./notes/my_note.md",
content=open("./notes/my_note.md").read()
)
print(f"✅ 已处理: {result['chunks_created']} chunks")
# 对话交互
context = orch.handle_conversation(
user_message="React Hooks 怎么用?",
generate_response=True
)
# 基于上下文生成 AI 回复
ai_response = your_ai_function(context)
# 记录对话
orch.handle_conversation(
user_message="React Hooks 怎么用?",
ai_response=ai_response
)
# 生成报告
orch.generate_weekly_report()
方案 B: 使用独立模块
如果需要更细粒度的控制:
import sys
from pathlib import Path
sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts'))
from tag_generator import TagGenerator
from emotion_analyzer import EmotionAnalyzer
from vector_indexer import VectorIndexer
# 标签分析
tag_gen = TagGenerator()
tags = tag_gen.generate_tag_layers(content)
# 情绪分析
emotion = EmotionAnalyzer()
state = emotion.analyze_emotion(content)
# 向量化
indexer = VectorIndexer()
indexer.append_chunks(chunks)
数据流图解
┌─────────────────┐
│ 新笔记 note.md │
└────────┬────────┘
│
▼
┌────────────────────────────────────────────┐
│ Orchestrator.process_new_note() │
│ │
│ ┌──────────────┐ ┌─────────────────┐ │
│ │ TagGenerator │ │ EmotionAnalyzer │ │
│ │ 提取标签 │ │ 分析情绪状态 │ │
│ └──────────────┘ └─────────────────┘ │
│ │
│ ┌──────────────┐ ┌─────────────────┐ │
│ │ CodeParser │ │ ThinkingAnalyz │ │
│ │ 提取代码 │ │ 判断思维层次 │ │
│ └──────────────┘ └─────────────────┘ │
│ │
│ ▼ │
│ 生成 Chunks (笔记主体 + 代码块) │
│ │ │
└─────────┼──────────────────────────────────┘
│
▼
┌─────────────────────┐
│ VectorIndexer │
│ 增量向量化 (append) │
└─────────┬───────────┘
│
▼
┌─────────────────────┐
│ ChromaDB │
│ 向量数据库 │
└─────────────────────┘
│
▼
┌─────────────────────┐ ┌──────────────┐
│ MultiSource │◄──────│ 用户查询 │
│ Retriever │ └──────────────┘
│ 多源检索 │
└─────────┬───────────┘
│
▼
┌─────────────────────────────────┐
│ 检索结果: │
│ - 相关笔记 (top 3) │
│ - 相关对话 (top 2) │
│ - 相关代码 (top 2) │
│ + 当前学习状态 │
└─────────┬───────────────────────┘
│
▼
┌─────────────────────┐
│ 生成 AI 回复 │
└─────────┬───────────┘
│
▼
┌──────────────────────────────────┐
│ ConversationLogger │
│ - 保存 Markdown │
│ - 评估重要性 │
│ - 向量化 (if 重要性 ≥ 3) │
└──────────────────────────────────┘
项目结构
<project_root>/
├── notes/ # 📝 用户笔记 (Markdown)
│ └── *.md
│
├── assets/ # 🎨 双画像模版（不要修改，供复制参考）
│ ├── user-persona-template.md # 用户画像模版
│ └── ai-persona-template.md # AI 画像模版
│
├── config/ # ⚙️ 配置文件（首次使用必须创建）
│ ├── user-persona.md # 你的用户画像（从 assets 复制后自定义）
│ ├── ai-persona.md # 你的 AI 画像（从 assets 复制后自定义）
│ └── tags_taxonomy.json # 标签分类规则（可选）
│
├── conversations/ # 💬 对话历史（运行时自动生成）
│ ├── raw/ # 原始对话 (按月份/日期)
│ │ └── 2025-11/
│ │ └── 2025-11-15.md
│ ├── summary/ # 对话摘要
│ │ └── weekly-2025-W46.md
│ └── metadata.json # 对话元数据
│
├── analysis/ # 📊 分析数据（运行时自动生成）
│ ├── emotion_timeline.json # 情绪时间线
│ └── reports/ # 学习报告
│ └── learning_report_本周.md
│
├── indexes/ # 🗂️ 索引数据（运行时自动生成）
│ └── tags_index.json # 标签索引
│
├── vector_db/ # 💾 ChromaDB 向量数据库（运行时自动生成）
│ └── chroma.sqlite3
│
├── venv/ # 🐍 Python 虚拟环境
│ ├── bin/ # 可执行文件
│ ├── lib/ # 依赖包
│ └── pyvenv.cfg
│
├── scripts/ # 🔧 核心脚本
│ ├── orchestrator.py # ⭐ 核心协调器（主入口）
│ ├── chunk_schema.py # 数据模型定义
│ ├── vector_indexer.py # 向量化索引
│ ├── vector_utils.py # 多源检索
│ ├── tag_generator.py # 标签生成器
│ ├── tag_indexer.py # 标签索引
│ ├── conversation_logger.py # 对话记录器
│ ├── code_parser.py # 代码解析器
│ ├── emotion_analyzer.py # 情绪分析器
│ ├── thinking_analyzer.py # 思维分析器
│ ├── example_usage.py # 使用示例
│ └── requirements.txt # Python 依赖
依赖安装: 在虚拟环境中安装
# 创建并激活虚拟环境
python3 -m venv venv
source venv/bin/activate
# 安装依赖
pip install -r ~/.claude/skills/ai-partner-chat/scripts/requirements.txt
技术细节
向量数据库
- 存储引擎: ChromaDB (本地持久化)
- 嵌入模型: BAAI/bge-m3 (1024维, ~4.3GB)
- 优化中文语义理解
- 多语言支持
- 高质量向量表示
- 相似度算法: Cosine Similarity
- 更新模式: 增量追加 (append) - 无需重建整个数据库
性能优化
关键突破 - 增量更新:
# ✅ 新方案: 增量追加,秒级完成
indexer.append_chunks(new_chunks) # 仅几秒钟
多源检索优化:
- 并行查询笔记/对话/代码
- 按 chunk_type 过滤
- 自动聚合结果
数据模型
统一 Chunk 格式 - 所有内容类型共享相同结构:
- 笔记 chunks: 包含标签、情绪、思维层次
- 对话 chunks: 包含重要性评分、主题
- 代码 chunks: 包含语言、函数名、复杂度
元数据扁平化 - ChromaDB 限制:
- 复杂类型 (dict/list) 自动转换为 JSON 字符串
- 检索时自动解析回原始类型
最佳实践
笔记组织
推荐格式:
- Markdown 格式,支持任意结构
- 包含代码块时使用三个反引号标注语言
- 添加清晰的标题和段落
示例:
# React Hooks 学习
今天深入学习了 useState,终于理解了状态更新的原理!
## 基础用法
```javascript
const [count, setCount] = useState(0);
```
原来每次调用 setCount 都会触发重新渲染,这太好了!
## 注意事项
- 不要在循环/条件中调用 Hooks
- state 更新是异步的
对话策略
如何让 AI 回复更个性化:
充分利用状态感知
# AI 会根据你的学习状态调整回应 # 困惑期: 更详细的解释,更多示例 # 突破期: 鼓励深入思考,提供进阶内容 # 巩固期: 实践项目建议,知识关联利用多源检索
- 系统会自动查找相关笔记、对话、代码
- 无需重复提供背景信息
- AI 能记住你之前的学习轨迹
重要对话会被记住
- 重要性 ≥ 3 分的对话会向量化
- 未来对话可以引用之前的讨论
- 形成连贯的学习上下文
标签管理
标签会自动生成,但你可以优化:
创建 config/tags_taxonomy.json:
{
"topic_tags": ["学习笔记", "技术文档", "项目规划", "问题解决"],
"tech_tags": ["React", "Python", "JavaScript", "TypeScript", "SQL"],
"custom_tags": []
}
定期维护
每周操作:
import sys
from pathlib import Path
sys.path.insert(0, str(Path.home() / '.claude/skills/ai-partner-chat/scripts'))
from orchestrator import AIPartnerOrchestrator
orch = AIPartnerOrchestrator()
# 生成周报
report = orch.generate_weekly_report()
# 查看系统状态
stats = orch.get_system_stats()
每月操作:
- 审阅学习报告,调整学习方向
- 清理过期的临时笔记
- 更新 user-persona.md 反映成长
常见问题
Q: 为什么要用增量更新而不是重建数据库?
A: 性能差异巨大:
- 重建: 1000 chunks ≈ 5-10 分钟
- 增量: 10 chunks ≈ 5 秒
随着内容增长,重建会越来越慢,增量更新始终快速。
Q: 对话重要性是如何评估的?
A: 简单规则 + 长度判断:
- 包含"突破"、"理解"等关键词 → 高分
- 长对话(>500字符)→ 可能重要
- 寒暄、简单确认 → 低分
生产环境可用 LLM 替换规则。
Q: 代码块能识别哪些信息?
A: 当前支持:
- 语言识别 (Python, JS, TS 等)
- 函数名和参数 (Python/JS)
- import/from 依赖
- 代码复杂度估算
可扩展为使用 AST 进行深度分析。
Q: 如何自定义情绪分析?
A: 编辑 emotion_analyzer.py:
# 修改关键词列表
excitement_keywords = ['太好了', '明白了', '成功', ...]
confusion_keywords = ['不懂', '困惑', '难', ...]
或使用 LLM:
# 使用提供的 EMOTION_ANALYSIS_PROMPT 提示词
# 调用你的 LLM API 进行情绪分析
Q: 向量数据库占用多少空间?
A: 估算:
- 嵌入模型: ~4.3GB (一次性)
- 每个 chunk: ~5KB (1024维向量 + 元数据)
- 1000 chunks ≈ 5MB
- 10000 chunks ≈ 50MB
空间占用很小,主要是嵌入模型。
Q: 可以用其他嵌入模型吗?
A: 可以,修改 vector_indexer.py:
from sentence_transformers import SentenceTransformer
# 替换模型
self.model = SentenceTransformer('your-model-name')
推荐中文模型:
- BAAI/bge-m3 (当前使用)
- BAAI/bge-large-zh-v1.5
- moka-ai/m3e-base
故障排查
问题 1: ValueError: Due to torch.load CVE-2025-32434
症状:
ValueError: Due to a serious vulnerability issue in `torch.load`, even with
`weights_only=True`, we now require users to upgrade torch to at least v2.6
原因: transformers 4.50+ 强制要求 torch>=2.6，但 macOS 的 torch 2.6 尚未发布
解决方案:
macOS 用户（推荐）:
# 使用当前配置（transformers 4.49.1 + torch 2.5.1）
# 这是安全的，因为 BAAI/bge-m3 使用 safetensors 格式
pip install -r ~/.claude/skills/ai-partner-chat/scripts/requirements.txt
Linux/Windows 用户（可选升级）:
# 如果需要最新版本
pip install torch>=2.6 transformers>=4.50
补充说明:
- BAAI/bge-m3 模型文件使用 safetensors 格式（不受 torch.load 漏洞影响）
- transformers<4.50 的配置是安全的，专门为 macOS 兼容性设计
- 等 macOS torch 2.6 发布后可以升级到最新版本
问题 2: ModuleNotFoundError: No module named 'chromadb'
原因: Python 环境不一致，依赖安装到了不同的 Python
解决方案:
# 1. 确保虚拟环境已激活
source venv/bin/activate # macOS/Linux
venv\Scripts\activate # Windows
# 2. 确认当前 Python
which python # macOS/Linux，应显示 venv/bin/python
where python # Windows，应包含 venv\Scripts\python
# 3. 重新安装依赖到当前环境
pip install -r ~/.claude/skills/ai-partner-chat/scripts/requirements.txt
# 4. 验证安装
python -c "import chromadb; print('✅ chromadb 已安装')"
问题 3: 对话没有保存
原因: 调用 handle_conversation 时未正确设置参数
解决方案:
# 方式 1 - 两步调用（推荐）
result = orch.handle_conversation(
user_message=user_msg,
save_conversation=False
)
orch.handle_conversation(
user_message=user_msg,
ai_response=ai_response,
save_conversation=True
)
# 方式 2 - 一步调用（默认保存）
orch.handle_conversation(
user_message=user_msg,
ai_response=ai_response
)
问题 4: 模型重复下载
原因: 模型缓存路径不对或被清理
检查缓存:
# macOS/Linux
ls ~/.cache/huggingface/hub/models--BAAI--bge-m3
# Windows
dir %USERPROFILE%\.cache\huggingface\hub\models--BAAI--bge-m3
如果缓存存在但仍然下载: 环境变量可能不对
# 设置缓存目录
export HF_HOME=~/.cache/huggingface # macOS/Linux
set HF_HOME=%USERPROFILE%\.cache\huggingface # Windows
问题 5: 虚拟环境激活失败
Windows PowerShell 权限问题:
# 如果报错: 无法加载文件，因为在此系统上禁止运行脚本
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
# 然后再激活
venv\Scripts\activate
macOS/Linux 权限问题:
# 如果 venv/bin/activate 没有执行权限
chmod +x venv/bin/activate
source venv/bin/activate
问题 6: FileNotFoundError: config/user-persona.md 不存在
症状: 初始化时报错找不到画像文件
原因: 没有从 assets 复制画像模版到项目 config 目录
解决方案:
# macOS/Linux
mkdir -p config
cp ~/.claude/skills/ai-partner-chat/assets/user-persona-template.md config/user-persona.md
cp ~/.claude/skills/ai-partner-chat/assets/ai-persona-template.md config/ai-persona.md
# Windows
mkdir config
copy %USERPROFILE%\.claude\skills\ai-partner-chat\assets\user-persona-template.md config\user-persona.md
copy %USERPROFILE%\.claude\skills\ai-partner-chat\assets\ai-persona-template.md config\ai-persona.md
然后编辑 config/user-persona.md 和 config/ai-persona.md 自定义你的画像。
问题 7: 导入路径错误
症状: ModuleNotFoundError: No module named 'orchestrator'
原因: sys.path 没有正确设置
解决方案:
import sys
from pathlib import Path
# 获取用户home目录
skills_path = Path.home() / '.claude' / 'skills' / 'ai-partner-chat' / 'scripts'
sys.path.insert(0, str(skills_path))
# 现在可以导入
from orchestrator import AIPartnerOrchestrator
进阶功能
使用 LLM 增强分析
系统预留了 LLM 提示词模板,可用于更精确的分析:
1. 情绪分析 (emotion_analyzer.py)
from emotion_analyzer import EMOTION_ANALYSIS_PROMPT
# 使用 LLM 替换简单规则
prompt = EMOTION_ANALYSIS_PROMPT.format(content=note_content)
emotion_result = your_llm_api(prompt)
2. 代码分析 (code_parser.py)
from code_parser import CODE_ANALYSIS_PROMPT
prompt = CODE_ANALYSIS_PROMPT.format(
language='python',
code=code_snippet
)
code_analysis = your_llm_api(prompt)
3. 对话重要性评估 (conversation_logger.py)
from conversation_logger import IMPORTANCE_EVALUATION_PROMPT
prompt = IMPORTANCE_EVALUATION_PROMPT.format(
user_message=user_msg,
ai_response=ai_msg
)
importance_score = your_llm_api(prompt)
自定义工作流
基于 Orchestrator 构建自己的工作流:
from scripts.orchestrator import AIPartnerOrchestrator
class MyCustomWorkflow(AIPartnerOrchestrator):
def process_daily_notes(self):
"""每日笔记批量处理"""
today = datetime.now().strftime('%Y-%m-%d')
daily_notes = Path('./notes').glob(f'*{today}*.md')
for note in daily_notes:
result = self.process_new_note(
str(note),
note.read_text()
)
print(f"✅ {note.name}: {result['chunks_created']} chunks")
def generate_monthly_insights(self):
"""月度深度分析"""
# 获取最近 30 天的所有内容
chunks = self.retriever.get_recent(days=30, top_k=500)
# 生成深度报告
report = self.thinking_analyzer.generate_learning_report(
chunks,
period="本月"
)
# 生成知识图谱
# ... 自定义分析逻辑
版本历史
v2.0 (当前版本)
新增功能:
- ✅ 智能标签系统 (分层标签)
- ✅ 对话历史记忆 (重要性评分)
- ✅ 代码片段管理 (独立索引)
- ✅ 状态感知对话 (情绪追踪)
- ✅ 思维模式分析 (学习报告)
核心突破:
- ✅ 增量更新 - 10x+ 性能提升
- ✅ 多源检索 - 统一检索笔记/对话/代码
- ✅ 统一数据模型 - 所有内容类型共享架构
技术改进:
- ✅ 重构 chunk_schema - 完整元数据支持
- ✅ 重构 vector_indexer - append 模式
- ✅ 重构 vector_utils - MultiSourceRetriever
- ✅ 新增 orchestrator - 核心协调器
总结
AI Partner Chat 2.0 是一个完整的个性化学习伙伴系统,通过整合 5 大核心功能:
- 标签系统 - 自动组织和分类
- 对话记忆 - 记住重要讨论
- 代码管理 - 独立索引代码片段
- 状态追踪 - 感知学习状态
- 思维分析 - 生成学习洞察
实现了:
- 📝 智能笔记管理 - 自动标签、代码提取、情绪分析
- 💬 连贯对话体验 - 多源检索、状态感知、历史记忆
- 📊 学习洞察报告 - 思维层次分析、主题分布、个性化建议
- ⚡ 高性能更新 - 增量追加,秒级完成
使用起来很简单:
from scripts.orchestrator import AIPartnerOrchestrator
orch = AIPartnerOrchestrator()
# 一行代码处理笔记
orch.process_new_note(note_path, content)
# 一行代码处理对话
context = orch.handle_conversation(user_msg)
# 一行代码生成报告
orch.generate_weekly_report()
享受你的 AI 私人长期伙伴学习伙伴! 🚀