1. 项目概述为什么我们需要一个有记忆的AI助手最近在捣鼓AI应用开发发现一个挺普遍的问题无论是用Claude的API还是其他大模型每次对话都像是“初次见面”。你告诉它你的名字、喜好、项目背景下一次聊天它又得从头问起。这在构建一个能真正帮上忙的、个性化的AI助手时是个巨大的体验短板。想象一下你的私人助理每次见面都要你重新做一遍自我介绍这活儿就没法干了。所以这个“30分钟构建带持久化记忆的Claude智能体”项目核心要解决的就是让AI记住你。它不是一个简单的聊天机器人而是一个能随着交互不断积累对你的了解并在后续对话中主动运用这些知识的“伙伴”。无论是管理你的待办事项、记录你的阅读笔记还是作为你某个创意项目的顾问一个有记忆的智能体才能真正融入你的工作流。听起来很复杂其实不然。得益于现在成熟的开发框架和云服务我们完全可以在半小时内搭出一个可用的原型。这个项目的价值在于它为你提供了一个理解“智能体”Agent核心工作机制的绝佳切入点——记忆Memory、工具Tools和推理Reasoning。今天我们就聚焦在“记忆”这个基石上手把手带你跑通一个最小可行产品MVP。2. 核心架构设计记忆系统如何工作在开始写代码之前我们必须先理清思路一个AI助手的“记忆”到底是什么以及它应该如何被存储和调用。这决定了我们整个项目的技术选型和实现路径。2.1 记忆的类型与存储策略AI的记忆并非人类那种连续、感性的回忆而是一种结构化的数据检索系统。通常我们可以将其分为两类对话历史记忆这是最基础的即保存用户与AI之间一来一往的聊天记录。它的作用是提供上下文让AI知道刚才聊到了哪里。但简单地把所有历史对话都塞给模型有两个问题一是可能超出模型的上下文窗口长度Token限制二是无关的历史信息会干扰模型当前的重点。实体记忆这是实现“个性化”的关键。它指的是关于用户或特定实体的结构化信息。例如“用户的姓名是张三”、“张三喜欢喝黑咖啡”、“张三正在进行的项目A的截止日期是下周五”。这类记忆需要被提取、存储并能被高效地查询。对于这个30分钟快速实现的项目我们的策略是短期/上下文记忆利用模型本身的上下文窗口保留最近几轮对话。这是最简单、零成本的方式。长期/实体记忆这是我们实现的重点。我们需要一个外部存储系统数据库来保存这些记忆片段并需要一个“记忆检索”机制在每次对话时智能地将相关记忆插入到给模型的提示词Prompt中。2.2 技术栈选型与理由为了实现上述架构我们需要选择一组轻量、高效且易于集成的工具AI模型与框架Claude API是核心。我们选择Anthropic的 Claude 3 Haiku 或 Sonnet 模型。Haiku 速度快、成本低适合快速原型Sonnet 能力更强适合对推理要求更高的场景。框架上LangChain或LlamaIndex是首选。它们抽象了记忆、工具链等复杂概念提供了大量开箱即用的模块。考虑到30分钟的目标我们选用LangChain它的社区活跃文档丰富对于构建智能体流程非常直观。记忆存储需要一个轻量级数据库。SQLite是完美选择。它是一个单文件数据库无需安装复杂的数据库服务Python原生支持读写速度快完全能满足个人或小规模使用的记忆存储需求。我们将用SQLite来创建一张表专门存放“用户ID-记忆内容-时间戳”这样的记录。记忆检索这是智能化的关键。我们不能每次对话都把用户的所有记忆都塞进去。我们需要根据当前用户的问题找出最相关的几条记忆。这里就要用到向量检索。简单来说我们把每条记忆文本转换成数学向量嵌入向量存储起来。当用户输入新问题时也将问题转换成向量然后在向量数据库里快速找出“距离最近”即语义最相似的几条记忆。为了实现这一点我们需要嵌入模型将文本转换为向量。为了快速启动我们可以使用OpenAI 的 text-embedding-3-small模型它性价比极高且LangChain有现成集成。向量数据库存储和检索向量。同样为了轻量我们选择ChromaDB。它支持内存模式和持久化模式可以像SQLite一样将数据保存在本地文件里与我们的项目完美契合。开发语言与环境Python是不二之选。我们将在一个干净的虚拟环境中进行使用venv或conda管理依赖。整个数据流可以这样理解用户提问 - 系统将问题转换为向量 - 在ChromaDB中查询最相关的N条记忆 - 将这些记忆作为上下文连同最近对话历史和用户问题一起组装成最终的Prompt - 发送给Claude API - 返回答案并可能触发新记忆的存储。3. 一步步实现从零搭建记忆智能体理论清晰了现在开始动手。请确保你已安装Python建议3.9以上版本并准备好你的Anthropic API密钥。3.1 环境准备与依赖安装首先创建一个新的项目目录并进入。mkdir claude-memory-agent cd claude-memory-agent python -m venv venv # 创建虚拟环境 # 在Windows上激活: venv\Scripts\activate # 在Mac/Linux上激活: source venv/bin/activate接着创建requirements.txt文件填入以下依赖langchain0.1.0 langchain-anthropic0.0.2 # LangChain对Anthropic的官方集成 langchain-community0.0.10 # 包含许多社区集成如Chroma chromadb0.4.22 openai1.12.0 # 用于调用嵌入模型 tiktoken0.5.0 # 用于Token计数使用pip安装它们pip install -r requirements.txt注意LangChain版本迭代较快上述版本号是撰写时的稳定版本。如果遇到兼容性问题可以尝试去掉版本号或查阅最新文档。关键是要安装langchain-anthropic这个专门包。3.2 构建核心记忆模块这是项目的心脏。我们将创建一个memory_manager.py文件。# memory_manager.py import chromadb from chromadb.config import Settings from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.schema import Document import os from typing import List, Optional import uuid class MemoryManager: def __init__(self, persist_directory: str ./chroma_db, user_id: str default_user): 初始化记忆管理器。 :param persist_directory: ChromaDB持久化存储目录 :param user_id: 用户ID用于区分不同用户的记忆 self.user_id user_id self.persist_directory persist_directory # 初始化嵌入模型。你需要设置环境变量 OPENAI_API_KEY # 或者通过参数传入。这里使用OpenAI的嵌入模型因为它快速稳定。 self.embeddings OpenAIEmbeddings(modeltext-embedding-3-small) # 初始化或加载Chroma向量数据库 # 注意Chroma的客户端设置可以避免多进程问题 self.client_settings Settings( chroma_db_implduckdbparquet, persist_directorypersist_directory, anonymized_telemetryFalse # 关闭匿名数据收集 ) self.vectorstore Chroma( collection_namefuser_memories_{user_id}, embedding_functionself.embeddings, persist_directorypersist_directory, client_settingsself.client_settings ) # 确保存储目录存在 os.makedirs(persist_directory, exist_okTrue) def add_memory(self, memory_text: str, metadata: Optional[dict] None): 添加一条记忆到向量数据库。 :param memory_text: 记忆的文本内容如“用户喜欢在早晨喝咖啡” :param metadata: 可选的元数据如{type: preference, source: conversation} if metadata is None: metadata {} # 添加用户ID和唯一ID到元数据 metadata.update({user_id: self.user_id, memory_id: str(uuid.uuid4())}) # 创建LangChain Document对象 doc Document(page_contentmemory_text, metadatametadata) # 添加到向量库 self.vectorstore.add_documents([doc]) # 持久化保存 self.vectorstore.persist() print(f[Memory Added]: {memory_text[:50]}...) def search_memories(self, query: str, k: int 3) - List[Document]: 搜索与查询最相关的记忆。 :param query: 搜索查询通常是当前用户问题 :param k: 返回最相关的k条记忆 :return: 相关的Document列表 docs self.vectorstore.similarity_search(query, kk) return docs def format_memories_for_prompt(self, query: str, k: int 3) - str: 将搜索到的记忆格式化为可以插入Prompt的字符串。 relevant_memories self.search_memories(query, kk) if not relevant_memories: return 没有相关的过往记忆。 memory_texts [] for i, doc in enumerate(relevant_memories, 1): memory_texts.append(f{i}. {doc.page_content}) formatted 以下是从我们过往对话中提取的相关信息\n \n.join(memory_texts) return formatted def clear_memories(self): 清空当前用户的所有记忆用于测试或重置。 # 一种方法是删除并重新创建集合 self.vectorstore.delete_collection() self.vectorstore Chroma( collection_namefuser_memories_{self.user_id}, embedding_functionself.embeddings, persist_directoryself.persist_directory, client_settingsself.client_settings ) print(f[Memory Cleared] for user: {self.user_id})关键点解析用户隔离我们在集合名称中加入了user_id这意味着你可以用同一个数据库服务多个用户他们的记忆彼此独立。持久化persist_directory参数让ChromaDB将所有数据包括向量索引保存到本地磁盘下次启动程序时可以直接加载记忆不会丢失。嵌入模型我们使用了OpenAI的嵌入模型。你需要设置环境变量OPENAI_API_KEY。虽然这引入了另一个API调用但其速度、质量和稳定性对于原型来说非常值得。你也可以替换为开源模型如all-MiniLM-L6-v2但需要本地部署Sentence Transformers可能会稍微增加复杂度。记忆格式化format_memories_for_prompt方法负责将搜索到的记忆转换成一段自然的文本方便我们插入到给Claude的指令中。3.3 集成Claude与创建智能体接下来我们创建主程序claude_agent.py将记忆模块和Claude模型结合起来。# claude_agent.py import os from typing import List from memory_manager import MemoryManager from langchain_anthropic import ChatAnthropic from langchain.schema import HumanMessage, AIMessage, SystemMessage from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.memory import ConversationBufferWindowMemory from langchain.chains import LLMChain import json # 设置API密钥更安全的方式是从环境变量读取 os.environ[ANTHROPIC_API_KEY] 你的-Anthropic-API-密钥 os.environ[OPENAI_API_KEY] 你的-OpenAI-API-密钥 # 用于嵌入模型 class ClaudeMemoryAgent: def __init__(self, user_id: str default_user): 初始化带记忆的Claude智能体。 self.user_id user_id # 1. 初始化记忆管理器 self.memory_manager MemoryManager(user_iduser_id) # 2. 初始化Claude模型。这里使用Claude 3 Haiku因为它响应快、成本低。 # 你可以根据需要换成 claude-3-sonnet-20240229 或 claude-3-opus-20240229 self.llm ChatAnthropic( modelclaude-3-haiku-20240307, temperature0.2, # 较低的温度使输出更稳定、更事实性 max_tokens1024 ) # 3. 初始化短期对话记忆保留最近3轮对话 # 这用于提供最直接的上下文避免模型遗忘刚刚说的话。 self.conversation_memory ConversationBufferWindowMemory( k3, memory_keychat_history, return_messagesTrue ) # 4. 构建Prompt模板 # 这是智能体“性格”和“能力”定义的核心。 self.prompt_template ChatPromptTemplate.from_messages([ SystemMessage(content( 你是一个有帮助的、个性化的AI助手。你拥有关于用户的长期记忆。 在回答用户问题时请自然、恰当地运用你记忆中的相关信息让对话具有连续性。 如果用户的问题涉及到记忆中没有的信息请直接回答你不知道并可以询问用户是否愿意告诉你。 你的回答应简洁、准确、友好。 )), MessagesPlaceholder(variable_namechat_history), # 短期对话历史占位符 HumanMessage(content{input}), # 用户当前问题占位符 ]) # 5. 创建LangChain链 self.chain LLMChain( llmself.llm, promptself.prompt_template, memoryself.conversation_memory, verboseFalse # 设为True可以看到详细的链执行过程调试时有用 ) def _extract_and_store_memory(self, user_input: str, ai_response: str): 一个简单的记忆提取与存储逻辑。 在实际应用中这部分可以非常复杂比如用另一个LLM来总结对话、识别实体信息等。 这里我们实现一个简单的规则如果用户输入看起来是在陈述关于自己的事实就存储它。 # 这是一个非常基础的启发式规则。更高级的做法是让Claude自己判断是否需要存储以及存储什么。 memory_triggers [我喜欢, 我讨厌, 我习惯, 我的名字是, 我住在, 我工作是] if any(trigger in user_input for trigger in memory_triggers): # 简单地将用户陈述作为记忆存储 self.memory_manager.add_memory( memory_textuser_input, metadata{type: user_fact, source: direct_statement} ) # 你也可以从AI的回复中提取总结性记忆这里暂不实现。 def run(self, user_input: str) - str: 智能体的主要运行循环检索记忆 - 组装Prompt - 调用Claude - 处理回复 - 可能存储新记忆。 # 步骤1根据用户输入检索相关长期记忆 relevant_memory_context self.memory_manager.format_memories_for_prompt(user_input, k3) # 步骤2将长期记忆作为系统提示的一部分动态更新Prompt # 我们修改System Message将检索到的记忆加进去。 dynamic_system_message ( 你是一个有帮助的、个性化的AI助手。你拥有关于用户的长期记忆。\n\n f{relevant_memory_context}\n\n 在回答用户问题时请自然、恰当地运用你记忆中的相关信息让对话具有连续性。 如果用户的问题涉及到记忆中没有的信息请直接回答你不知道并可以询问用户是否愿意告诉你。 你的回答应简洁、准确、友好。 ) # 步骤3由于我们动态修改了System Message需要重新构建本次调用的消息列表 # 获取短期对话历史 chat_history self.conversation_memory.load_memory_variables({})[chat_history] # 组装最终的消息列表 messages [SystemMessage(contentdynamic_system_message)] messages.extend(chat_history) messages.append(HumanMessage(contentuser_input)) # 步骤4调用Claude模型 response self.llm.invoke(messages) ai_response_text response.content # 步骤5将本轮对话存入短期记忆 self.conversation_memory.save_context( {input: user_input}, {output: ai_response_text} ) # 步骤6尝试从本轮对话中提取新记忆并存储 self._extract_and_store_memory(user_input, ai_response_text) return ai_response_text def interactive_chat(self): 启动一个简单的交互式聊天循环。 print(f\n Claude Memory Agent (User: {self.user_id}) ) print(输入 quit 或 exit 结束对话。) print(输入 clear 清空长期记忆。) print(- * 40) while True: try: user_input input(\nYou: ).strip() if user_input.lower() in [quit, exit]: print(Agent: 再见期待下次与你聊天。) break if user_input.lower() clear: self.memory_manager.clear_memories() print([系统] 长期记忆已清空。) continue if not user_input: continue print(Agent: , end, flushTrue) response self.run(user_input) print(response) except KeyboardInterrupt: print(\n\n对话被中断。) break except Exception as e: print(f\n[错误] 发生异常: {e}) if __name__ __main__: # 你可以为不同用户创建不同的agent实例 agent ClaudeMemoryAgent(user_id张三) agent.interactive_chat()3.4 运行与测试现在一切就绪。在终端运行python claude_agent.py你会看到一个简单的命令行界面。让我们来测试一下记忆是否生效You: 我的名字叫张三是一名软件工程师。 Agent: 你好张三很高兴认识你软件工程师。今天有什么可以帮你的吗 You: 我最近喜欢上了喝手冲咖啡。 Agent: 手冲咖啡确实能带来非常纯粹的风味体验张三。作为软件工程师在忙碌的编码间隙来一杯精心冲泡的手冲咖啡应该是个不错的放松方式。有什么关于咖啡的问题或者需要我帮你规划一下工作时间吗 You: 你还记得我的名字和职业吗 Agent: 当然记得。你叫张三是一名软件工程师。而且你最近还告诉我你喜欢上了手冲咖啡。看在第三轮对话中智能体准确地回忆起了前两轮对话中你告诉它的信息姓名、职业、喜好。这些信息已经被存储到本地的ChromaDB向量数据库中。即使你关闭程序明天再打开只要./chroma_db目录还在它依然能记得“张三是个喜欢手冲咖啡的软件工程师”。4. 深入优化与问题排查一个基础的原型跑通了但要让它更健壮、更智能我们还需要考虑更多。以下是几个关键的优化方向和常见问题。4.1 记忆提取的智能化我们之前用的_extract_and_store_memory方法非常简陋只是基于关键词触发。在实际应用中这远远不够。一个更高级的方案是使用Claude模型本身来识别和总结需要记忆的内容。我们可以设计一个“记忆提炼”链。在每轮对话后将对话内容或最近几轮发送给一个配置了特定Prompt的Claude实例让它来回答“从这段对话中有哪些关于用户的新的、重要的、值得长期记住的事实或偏好” 然后将Claude提取出的精炼陈述存储为记忆。这能极大提升记忆的质量和相关性。# 一个高级记忆提取函数的思路 def advanced_memory_extraction(self, conversation_snippet: str): extraction_prompt f 请仔细分析以下对话片段并提取出关于对话参与者用户的、值得长期记忆的客观事实或个人偏好。 请以简洁、陈述的句子列出每条记忆独立一行。 只提取确定无疑的信息不要推断或猜测。 对话片段 {conversation_snippet} 提取的记忆每条一行 # 调用一个专门的、配置了低temperature的Claude实例来处理这个Prompt # 将返回的每一行文本作为一条记忆调用 self.memory_manager.add_memory4.2 记忆的更新、合并与遗忘当前的实现只是简单地添加记忆。随着时间推移数据库里可能会有重复或冲突的记忆例如用户先说“我喜欢猫”后来说“我其实对猫毛过敏”。一个成熟的系统需要去重在添加新记忆前进行相似性搜索如果已有高度相似的记忆则更新该记忆的时间戳而非新增。冲突解决当检测到新旧记忆矛盾时通过语义分析可以设计规则例如“以时间最近的为准”或者主动询问用户进行澄清。记忆衰减/遗忘可以为记忆添加“强度”或“最后访问时间”字段。长期不被触发的记忆可以逐渐“淡忘”在检索时降低其权重或归档。4.3 性能与成本考量Token消耗每次对话我们都会向Claude发送系统提示包含检索到的记忆、聊天历史和当前问题。记忆检索得越多Token消耗就越大成本越高速度也可能越慢。务必限制检索的记忆条数k值和每条记忆的长度。在存储记忆时可以要求Claude将记忆总结成非常精炼的句子。嵌入成本使用OpenAI的嵌入模型会产生额外费用虽然text-embedding-3-small非常便宜每百万Token约0.02美元但在大规模使用时仍需监控。检索速度ChromaDB在本地小规模数据上速度极快。但如果记忆条数超过数万检索延迟可能会被感知。这时需要考虑更专业的向量数据库如Qdrant, Weaviate或对记忆进行分层索引。4.4 常见问题与排查错误No module named langchain_anthropic原因未正确安装langchain-anthropic包。解决确保使用pip install langchain-anthropic安装并检查requirements.txt文件。错误API key not provided或AuthenticationError原因未设置ANTHROPIC_API_KEY或OPENAI_API_KEY环境变量。解决在运行程序前在终端中执行export ANTHROPIC_API_KEYyour-keyLinux/Mac或set ANTHROPIC_API_KEYyour-keyWindows对OpenAI密钥同理。更安全的方式是使用.env文件配合python-dotenv库。智能体似乎“忘记”了之前告诉它的事情原因1记忆未被成功存储。检查add_memory方法是否被调用以及ChromaDB的持久化目录是否有文件生成。原因2记忆检索相关度低。当前用户的输入和记忆的文本在语义上不匹配导致检索不到。可以尝试增加检索数量k比如从3调到5。检查嵌入模型是否正常工作。优化存储的记忆文本使其更通用、包含更多关键词。原因3记忆被成功检索但未在Prompt中正确呈现。在run方法中打印出relevant_memory_context变量看看它是否包含了预期的记忆。程序运行缓慢原因主要瓶颈可能是网络请求调用Claude API和OpenAI嵌入API。解决考虑对嵌入进行缓存对相同的文本不要重复请求嵌入。使用异步Async调用来并发处理如果你在构建Web应用。对于原型确保你的网络连接稳定。如何为不同用户隔离记忆解决正如我们在代码中实现的通过user_id参数为每个用户创建独立的MemoryManager实例和Chroma集合。在Web应用中这通常对应着登录用户的唯一ID。5. 从原型到产品下一步可以做什么30分钟搭建的原型已经具备了核心功能。如果你想把它变成一个更实用的工具或产品以下是几个明确的扩展方向1. 添加工具Tools能力智能体不只有记忆还能“动手”。利用LangChain的Tool概念你可以让Claude调用外部API。例如连接你的日历API让它帮你安排会议“张三记得你周四下午不喜欢开会”。连接待办事项应用让它管理你的任务“根据你之前说的项目优先级我建议先处理...”。连接搜索引擎让它获取实时信息。2. 构建Web界面用Streamlit或Gradio可以在一小时内为你的智能体套上一个简单的网页聊天界面。这比命令行友好得多也便于分享。3. 实现更复杂的记忆结构目前我们的记忆是扁平的文本片段。你可以设计更结构化的记忆schema例如FactMemory: 存储客观事实“用户住在北京”。PreferenceMemory: 存储偏好“用户喜欢深色模式”。EventMemory: 存储事件“用户于2023年10月完成了项目X”。 不同类型的记忆可以有不同的检索权重和更新策略。4. 部署与持久化将你的智能体部署到云服务器如AWS EC2, Google Cloud Run, Vercel等并配置一个真正的数据库如PostgreSQL with pgvector插件来替代SQLite/ChromaDB以支持多用户、高并发和更稳定的服务。这个项目就像一颗种子展示了如何将大语言模型从“健忘的天才”变成“有持续经验的伙伴”。通过亲手实现它你不仅学会了一套技术栈更重要的是理解了构建实用AI应用的核心模式——状态管理。记忆就是智能体的状态。有了它一切皆有可能。
30分钟构建带持久化记忆的Claude智能体：从向量检索到个性化AI助手
发布时间：2026/5/28 22:13:08
1. 项目概述为什么我们需要一个有记忆的AI助手最近在捣鼓AI应用开发发现一个挺普遍的问题无论是用Claude的API还是其他大模型每次对话都像是“初次见面”。你告诉它你的名字、喜好、项目背景下一次聊天它又得从头问起。这在构建一个能真正帮上忙的、个性化的AI助手时是个巨大的体验短板。想象一下你的私人助理每次见面都要你重新做一遍自我介绍这活儿就没法干了。所以这个“30分钟构建带持久化记忆的Claude智能体”项目核心要解决的就是让AI记住你。它不是一个简单的聊天机器人而是一个能随着交互不断积累对你的了解并在后续对话中主动运用这些知识的“伙伴”。无论是管理你的待办事项、记录你的阅读笔记还是作为你某个创意项目的顾问一个有记忆的智能体才能真正融入你的工作流。听起来很复杂其实不然。得益于现在成熟的开发框架和云服务我们完全可以在半小时内搭出一个可用的原型。这个项目的价值在于它为你提供了一个理解“智能体”Agent核心工作机制的绝佳切入点——记忆Memory、工具Tools和推理Reasoning。今天我们就聚焦在“记忆”这个基石上手把手带你跑通一个最小可行产品MVP。2. 核心架构设计记忆系统如何工作在开始写代码之前我们必须先理清思路一个AI助手的“记忆”到底是什么以及它应该如何被存储和调用。这决定了我们整个项目的技术选型和实现路径。2.1 记忆的类型与存储策略AI的记忆并非人类那种连续、感性的回忆而是一种结构化的数据检索系统。通常我们可以将其分为两类对话历史记忆这是最基础的即保存用户与AI之间一来一往的聊天记录。它的作用是提供上下文让AI知道刚才聊到了哪里。但简单地把所有历史对话都塞给模型有两个问题一是可能超出模型的上下文窗口长度Token限制二是无关的历史信息会干扰模型当前的重点。实体记忆这是实现“个性化”的关键。它指的是关于用户或特定实体的结构化信息。例如“用户的姓名是张三”、“张三喜欢喝黑咖啡”、“张三正在进行的项目A的截止日期是下周五”。这类记忆需要被提取、存储并能被高效地查询。对于这个30分钟快速实现的项目我们的策略是短期/上下文记忆利用模型本身的上下文窗口保留最近几轮对话。这是最简单、零成本的方式。长期/实体记忆这是我们实现的重点。我们需要一个外部存储系统数据库来保存这些记忆片段并需要一个“记忆检索”机制在每次对话时智能地将相关记忆插入到给模型的提示词Prompt中。2.2 技术栈选型与理由为了实现上述架构我们需要选择一组轻量、高效且易于集成的工具AI模型与框架Claude API是核心。我们选择Anthropic的 Claude 3 Haiku 或 Sonnet 模型。Haiku 速度快、成本低适合快速原型Sonnet 能力更强适合对推理要求更高的场景。框架上LangChain或LlamaIndex是首选。它们抽象了记忆、工具链等复杂概念提供了大量开箱即用的模块。考虑到30分钟的目标我们选用LangChain它的社区活跃文档丰富对于构建智能体流程非常直观。记忆存储需要一个轻量级数据库。SQLite是完美选择。它是一个单文件数据库无需安装复杂的数据库服务Python原生支持读写速度快完全能满足个人或小规模使用的记忆存储需求。我们将用SQLite来创建一张表专门存放“用户ID-记忆内容-时间戳”这样的记录。记忆检索这是智能化的关键。我们不能每次对话都把用户的所有记忆都塞进去。我们需要根据当前用户的问题找出最相关的几条记忆。这里就要用到向量检索。简单来说我们把每条记忆文本转换成数学向量嵌入向量存储起来。当用户输入新问题时也将问题转换成向量然后在向量数据库里快速找出“距离最近”即语义最相似的几条记忆。为了实现这一点我们需要嵌入模型将文本转换为向量。为了快速启动我们可以使用OpenAI 的 text-embedding-3-small模型它性价比极高且LangChain有现成集成。向量数据库存储和检索向量。同样为了轻量我们选择ChromaDB。它支持内存模式和持久化模式可以像SQLite一样将数据保存在本地文件里与我们的项目完美契合。开发语言与环境Python是不二之选。我们将在一个干净的虚拟环境中进行使用venv或conda管理依赖。整个数据流可以这样理解用户提问 - 系统将问题转换为向量 - 在ChromaDB中查询最相关的N条记忆 - 将这些记忆作为上下文连同最近对话历史和用户问题一起组装成最终的Prompt - 发送给Claude API - 返回答案并可能触发新记忆的存储。3. 一步步实现从零搭建记忆智能体理论清晰了现在开始动手。请确保你已安装Python建议3.9以上版本并准备好你的Anthropic API密钥。3.1 环境准备与依赖安装首先创建一个新的项目目录并进入。mkdir claude-memory-agent cd claude-memory-agent python -m venv venv # 创建虚拟环境 # 在Windows上激活: venv\Scripts\activate # 在Mac/Linux上激活: source venv/bin/activate接着创建requirements.txt文件填入以下依赖langchain0.1.0 langchain-anthropic0.0.2 # LangChain对Anthropic的官方集成 langchain-community0.0.10 # 包含许多社区集成如Chroma chromadb0.4.22 openai1.12.0 # 用于调用嵌入模型 tiktoken0.5.0 # 用于Token计数使用pip安装它们pip install -r requirements.txt注意LangChain版本迭代较快上述版本号是撰写时的稳定版本。如果遇到兼容性问题可以尝试去掉版本号或查阅最新文档。关键是要安装langchain-anthropic这个专门包。3.2 构建核心记忆模块这是项目的心脏。我们将创建一个memory_manager.py文件。# memory_manager.py import chromadb from chromadb.config import Settings from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.schema import Document import os from typing import List, Optional import uuid class MemoryManager: def __init__(self, persist_directory: str ./chroma_db, user_id: str default_user): 初始化记忆管理器。 :param persist_directory: ChromaDB持久化存储目录 :param user_id: 用户ID用于区分不同用户的记忆 self.user_id user_id self.persist_directory persist_directory # 初始化嵌入模型。你需要设置环境变量 OPENAI_API_KEY # 或者通过参数传入。这里使用OpenAI的嵌入模型因为它快速稳定。 self.embeddings OpenAIEmbeddings(modeltext-embedding-3-small) # 初始化或加载Chroma向量数据库 # 注意Chroma的客户端设置可以避免多进程问题 self.client_settings Settings( chroma_db_implduckdbparquet, persist_directorypersist_directory, anonymized_telemetryFalse # 关闭匿名数据收集 ) self.vectorstore Chroma( collection_namefuser_memories_{user_id}, embedding_functionself.embeddings, persist_directorypersist_directory, client_settingsself.client_settings ) # 确保存储目录存在 os.makedirs(persist_directory, exist_okTrue) def add_memory(self, memory_text: str, metadata: Optional[dict] None): 添加一条记忆到向量数据库。 :param memory_text: 记忆的文本内容如“用户喜欢在早晨喝咖啡” :param metadata: 可选的元数据如{type: preference, source: conversation} if metadata is None: metadata {} # 添加用户ID和唯一ID到元数据 metadata.update({user_id: self.user_id, memory_id: str(uuid.uuid4())}) # 创建LangChain Document对象 doc Document(page_contentmemory_text, metadatametadata) # 添加到向量库 self.vectorstore.add_documents([doc]) # 持久化保存 self.vectorstore.persist() print(f[Memory Added]: {memory_text[:50]}...) def search_memories(self, query: str, k: int 3) - List[Document]: 搜索与查询最相关的记忆。 :param query: 搜索查询通常是当前用户问题 :param k: 返回最相关的k条记忆 :return: 相关的Document列表 docs self.vectorstore.similarity_search(query, kk) return docs def format_memories_for_prompt(self, query: str, k: int 3) - str: 将搜索到的记忆格式化为可以插入Prompt的字符串。 relevant_memories self.search_memories(query, kk) if not relevant_memories: return 没有相关的过往记忆。 memory_texts [] for i, doc in enumerate(relevant_memories, 1): memory_texts.append(f{i}. {doc.page_content}) formatted 以下是从我们过往对话中提取的相关信息\n \n.join(memory_texts) return formatted def clear_memories(self): 清空当前用户的所有记忆用于测试或重置。 # 一种方法是删除并重新创建集合 self.vectorstore.delete_collection() self.vectorstore Chroma( collection_namefuser_memories_{self.user_id}, embedding_functionself.embeddings, persist_directoryself.persist_directory, client_settingsself.client_settings ) print(f[Memory Cleared] for user: {self.user_id})关键点解析用户隔离我们在集合名称中加入了user_id这意味着你可以用同一个数据库服务多个用户他们的记忆彼此独立。持久化persist_directory参数让ChromaDB将所有数据包括向量索引保存到本地磁盘下次启动程序时可以直接加载记忆不会丢失。嵌入模型我们使用了OpenAI的嵌入模型。你需要设置环境变量OPENAI_API_KEY。虽然这引入了另一个API调用但其速度、质量和稳定性对于原型来说非常值得。你也可以替换为开源模型如all-MiniLM-L6-v2但需要本地部署Sentence Transformers可能会稍微增加复杂度。记忆格式化format_memories_for_prompt方法负责将搜索到的记忆转换成一段自然的文本方便我们插入到给Claude的指令中。3.3 集成Claude与创建智能体接下来我们创建主程序claude_agent.py将记忆模块和Claude模型结合起来。# claude_agent.py import os from typing import List from memory_manager import MemoryManager from langchain_anthropic import ChatAnthropic from langchain.schema import HumanMessage, AIMessage, SystemMessage from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.memory import ConversationBufferWindowMemory from langchain.chains import LLMChain import json # 设置API密钥更安全的方式是从环境变量读取 os.environ[ANTHROPIC_API_KEY] 你的-Anthropic-API-密钥 os.environ[OPENAI_API_KEY] 你的-OpenAI-API-密钥 # 用于嵌入模型 class ClaudeMemoryAgent: def __init__(self, user_id: str default_user): 初始化带记忆的Claude智能体。 self.user_id user_id # 1. 初始化记忆管理器 self.memory_manager MemoryManager(user_iduser_id) # 2. 初始化Claude模型。这里使用Claude 3 Haiku因为它响应快、成本低。 # 你可以根据需要换成 claude-3-sonnet-20240229 或 claude-3-opus-20240229 self.llm ChatAnthropic( modelclaude-3-haiku-20240307, temperature0.2, # 较低的温度使输出更稳定、更事实性 max_tokens1024 ) # 3. 初始化短期对话记忆保留最近3轮对话 # 这用于提供最直接的上下文避免模型遗忘刚刚说的话。 self.conversation_memory ConversationBufferWindowMemory( k3, memory_keychat_history, return_messagesTrue ) # 4. 构建Prompt模板 # 这是智能体“性格”和“能力”定义的核心。 self.prompt_template ChatPromptTemplate.from_messages([ SystemMessage(content( 你是一个有帮助的、个性化的AI助手。你拥有关于用户的长期记忆。 在回答用户问题时请自然、恰当地运用你记忆中的相关信息让对话具有连续性。 如果用户的问题涉及到记忆中没有的信息请直接回答你不知道并可以询问用户是否愿意告诉你。 你的回答应简洁、准确、友好。 )), MessagesPlaceholder(variable_namechat_history), # 短期对话历史占位符 HumanMessage(content{input}), # 用户当前问题占位符 ]) # 5. 创建LangChain链 self.chain LLMChain( llmself.llm, promptself.prompt_template, memoryself.conversation_memory, verboseFalse # 设为True可以看到详细的链执行过程调试时有用 ) def _extract_and_store_memory(self, user_input: str, ai_response: str): 一个简单的记忆提取与存储逻辑。 在实际应用中这部分可以非常复杂比如用另一个LLM来总结对话、识别实体信息等。 这里我们实现一个简单的规则如果用户输入看起来是在陈述关于自己的事实就存储它。 # 这是一个非常基础的启发式规则。更高级的做法是让Claude自己判断是否需要存储以及存储什么。 memory_triggers [我喜欢, 我讨厌, 我习惯, 我的名字是, 我住在, 我工作是] if any(trigger in user_input for trigger in memory_triggers): # 简单地将用户陈述作为记忆存储 self.memory_manager.add_memory( memory_textuser_input, metadata{type: user_fact, source: direct_statement} ) # 你也可以从AI的回复中提取总结性记忆这里暂不实现。 def run(self, user_input: str) - str: 智能体的主要运行循环检索记忆 - 组装Prompt - 调用Claude - 处理回复 - 可能存储新记忆。 # 步骤1根据用户输入检索相关长期记忆 relevant_memory_context self.memory_manager.format_memories_for_prompt(user_input, k3) # 步骤2将长期记忆作为系统提示的一部分动态更新Prompt # 我们修改System Message将检索到的记忆加进去。 dynamic_system_message ( 你是一个有帮助的、个性化的AI助手。你拥有关于用户的长期记忆。\n\n f{relevant_memory_context}\n\n 在回答用户问题时请自然、恰当地运用你记忆中的相关信息让对话具有连续性。 如果用户的问题涉及到记忆中没有的信息请直接回答你不知道并可以询问用户是否愿意告诉你。 你的回答应简洁、准确、友好。 ) # 步骤3由于我们动态修改了System Message需要重新构建本次调用的消息列表 # 获取短期对话历史 chat_history self.conversation_memory.load_memory_variables({})[chat_history] # 组装最终的消息列表 messages [SystemMessage(contentdynamic_system_message)] messages.extend(chat_history) messages.append(HumanMessage(contentuser_input)) # 步骤4调用Claude模型 response self.llm.invoke(messages) ai_response_text response.content # 步骤5将本轮对话存入短期记忆 self.conversation_memory.save_context( {input: user_input}, {output: ai_response_text} ) # 步骤6尝试从本轮对话中提取新记忆并存储 self._extract_and_store_memory(user_input, ai_response_text) return ai_response_text def interactive_chat(self): 启动一个简单的交互式聊天循环。 print(f\n Claude Memory Agent (User: {self.user_id}) ) print(输入 quit 或 exit 结束对话。) print(输入 clear 清空长期记忆。) print(- * 40) while True: try: user_input input(\nYou: ).strip() if user_input.lower() in [quit, exit]: print(Agent: 再见期待下次与你聊天。) break if user_input.lower() clear: self.memory_manager.clear_memories() print([系统] 长期记忆已清空。) continue if not user_input: continue print(Agent: , end, flushTrue) response self.run(user_input) print(response) except KeyboardInterrupt: print(\n\n对话被中断。) break except Exception as e: print(f\n[错误] 发生异常: {e}) if __name__ __main__: # 你可以为不同用户创建不同的agent实例 agent ClaudeMemoryAgent(user_id张三) agent.interactive_chat()3.4 运行与测试现在一切就绪。在终端运行python claude_agent.py你会看到一个简单的命令行界面。让我们来测试一下记忆是否生效You: 我的名字叫张三是一名软件工程师。 Agent: 你好张三很高兴认识你软件工程师。今天有什么可以帮你的吗 You: 我最近喜欢上了喝手冲咖啡。 Agent: 手冲咖啡确实能带来非常纯粹的风味体验张三。作为软件工程师在忙碌的编码间隙来一杯精心冲泡的手冲咖啡应该是个不错的放松方式。有什么关于咖啡的问题或者需要我帮你规划一下工作时间吗 You: 你还记得我的名字和职业吗 Agent: 当然记得。你叫张三是一名软件工程师。而且你最近还告诉我你喜欢上了手冲咖啡。看在第三轮对话中智能体准确地回忆起了前两轮对话中你告诉它的信息姓名、职业、喜好。这些信息已经被存储到本地的ChromaDB向量数据库中。即使你关闭程序明天再打开只要./chroma_db目录还在它依然能记得“张三是个喜欢手冲咖啡的软件工程师”。4. 深入优化与问题排查一个基础的原型跑通了但要让它更健壮、更智能我们还需要考虑更多。以下是几个关键的优化方向和常见问题。4.1 记忆提取的智能化我们之前用的_extract_and_store_memory方法非常简陋只是基于关键词触发。在实际应用中这远远不够。一个更高级的方案是使用Claude模型本身来识别和总结需要记忆的内容。我们可以设计一个“记忆提炼”链。在每轮对话后将对话内容或最近几轮发送给一个配置了特定Prompt的Claude实例让它来回答“从这段对话中有哪些关于用户的新的、重要的、值得长期记住的事实或偏好” 然后将Claude提取出的精炼陈述存储为记忆。这能极大提升记忆的质量和相关性。# 一个高级记忆提取函数的思路 def advanced_memory_extraction(self, conversation_snippet: str): extraction_prompt f 请仔细分析以下对话片段并提取出关于对话参与者用户的、值得长期记忆的客观事实或个人偏好。 请以简洁、陈述的句子列出每条记忆独立一行。 只提取确定无疑的信息不要推断或猜测。 对话片段 {conversation_snippet} 提取的记忆每条一行 # 调用一个专门的、配置了低temperature的Claude实例来处理这个Prompt # 将返回的每一行文本作为一条记忆调用 self.memory_manager.add_memory4.2 记忆的更新、合并与遗忘当前的实现只是简单地添加记忆。随着时间推移数据库里可能会有重复或冲突的记忆例如用户先说“我喜欢猫”后来说“我其实对猫毛过敏”。一个成熟的系统需要去重在添加新记忆前进行相似性搜索如果已有高度相似的记忆则更新该记忆的时间戳而非新增。冲突解决当检测到新旧记忆矛盾时通过语义分析可以设计规则例如“以时间最近的为准”或者主动询问用户进行澄清。记忆衰减/遗忘可以为记忆添加“强度”或“最后访问时间”字段。长期不被触发的记忆可以逐渐“淡忘”在检索时降低其权重或归档。4.3 性能与成本考量Token消耗每次对话我们都会向Claude发送系统提示包含检索到的记忆、聊天历史和当前问题。记忆检索得越多Token消耗就越大成本越高速度也可能越慢。务必限制检索的记忆条数k值和每条记忆的长度。在存储记忆时可以要求Claude将记忆总结成非常精炼的句子。嵌入成本使用OpenAI的嵌入模型会产生额外费用虽然text-embedding-3-small非常便宜每百万Token约0.02美元但在大规模使用时仍需监控。检索速度ChromaDB在本地小规模数据上速度极快。但如果记忆条数超过数万检索延迟可能会被感知。这时需要考虑更专业的向量数据库如Qdrant, Weaviate或对记忆进行分层索引。4.4 常见问题与排查错误No module named langchain_anthropic原因未正确安装langchain-anthropic包。解决确保使用pip install langchain-anthropic安装并检查requirements.txt文件。错误API key not provided或AuthenticationError原因未设置ANTHROPIC_API_KEY或OPENAI_API_KEY环境变量。解决在运行程序前在终端中执行export ANTHROPIC_API_KEYyour-keyLinux/Mac或set ANTHROPIC_API_KEYyour-keyWindows对OpenAI密钥同理。更安全的方式是使用.env文件配合python-dotenv库。智能体似乎“忘记”了之前告诉它的事情原因1记忆未被成功存储。检查add_memory方法是否被调用以及ChromaDB的持久化目录是否有文件生成。原因2记忆检索相关度低。当前用户的输入和记忆的文本在语义上不匹配导致检索不到。可以尝试增加检索数量k比如从3调到5。检查嵌入模型是否正常工作。优化存储的记忆文本使其更通用、包含更多关键词。原因3记忆被成功检索但未在Prompt中正确呈现。在run方法中打印出relevant_memory_context变量看看它是否包含了预期的记忆。程序运行缓慢原因主要瓶颈可能是网络请求调用Claude API和OpenAI嵌入API。解决考虑对嵌入进行缓存对相同的文本不要重复请求嵌入。使用异步Async调用来并发处理如果你在构建Web应用。对于原型确保你的网络连接稳定。如何为不同用户隔离记忆解决正如我们在代码中实现的通过user_id参数为每个用户创建独立的MemoryManager实例和Chroma集合。在Web应用中这通常对应着登录用户的唯一ID。5. 从原型到产品下一步可以做什么30分钟搭建的原型已经具备了核心功能。如果你想把它变成一个更实用的工具或产品以下是几个明确的扩展方向1. 添加工具Tools能力智能体不只有记忆还能“动手”。利用LangChain的Tool概念你可以让Claude调用外部API。例如连接你的日历API让它帮你安排会议“张三记得你周四下午不喜欢开会”。连接待办事项应用让它管理你的任务“根据你之前说的项目优先级我建议先处理...”。连接搜索引擎让它获取实时信息。2. 构建Web界面用Streamlit或Gradio可以在一小时内为你的智能体套上一个简单的网页聊天界面。这比命令行友好得多也便于分享。3. 实现更复杂的记忆结构目前我们的记忆是扁平的文本片段。你可以设计更结构化的记忆schema例如FactMemory: 存储客观事实“用户住在北京”。PreferenceMemory: 存储偏好“用户喜欢深色模式”。EventMemory: 存储事件“用户于2023年10月完成了项目X”。 不同类型的记忆可以有不同的检索权重和更新策略。4. 部署与持久化将你的智能体部署到云服务器如AWS EC2, Google Cloud Run, Vercel等并配置一个真正的数据库如PostgreSQL with pgvector插件来替代SQLite/ChromaDB以支持多用户、高并发和更稳定的服务。这个项目就像一颗种子展示了如何将大语言模型从“健忘的天才”变成“有持续经验的伙伴”。通过亲手实现它你不仅学会了一套技术栈更重要的是理解了构建实用AI应用的核心模式——状态管理。记忆就是智能体的状态。有了它一切皆有可能。
相关文章
Mac + Typora + Gitee：粘贴图片自动上传，告别本地管理
一、前言 日常使用Typora写Markdown笔记、技术博客时，大家都会遇到一个痛点：本地图片只能本机查看，换电脑、发博客、分享文档后图片全部失效。 市面上大部分免费图床要么限速、要么经常炸图、要么需要付费扩容。而Gitee作为国内稳定的代码托…
量化审计：比率指标BIF的陷阱与绝对幅度差∆Z的稳健性
1. 量化审计中的指标选择：一个被忽视的基石问题在量化策略研发的漫长链条中，回测验证是决定一个想法能否走向实盘的“临门一脚”。然而，这个环节充满了陷阱。我们花费大量时间优化模型、挖掘因子、调整参数，却常常在最后一步——评…
JSON.stringify() 方法详解
JSON.stringify() 方法详解 JSON.stringify() 是 JavaScript 中的一个内置方法，用于将一个 JavaScript 对象或值转换为 JSON 字符串。在 Web 开发中，JSON（JavaScript Object Notation）格式被广泛应用于数据交换和存储。本篇文章将详细解析 JSON.stringify() 方法，包括其用…
QEMU 仿真 Cortex-M55 + NuttX 完整部署指南
QEMU 仿真 Cortex-M55 NuttX 完整部署指南Cortex-M55 是 ARMv8.1-M 架构内核，QEMU 6.2 原生支持mps3-an547开发板（搭载 Cortex-M55），NuttX 官方已完美适配该平台，无需硬件即可完成仿真开发。本文提供一键式部署流程&a…
基于Arduino Mega的智能办公环境监测与自动化控制系统实战
1. 项目概述与核心价值如果你和我一样，长期在家庭办公室或固定工位上工作，一定对环境的舒适度和安全性有要求。温度是不是太闷了？空气是不是有点浑浊？光线太强需要拉上窗帘，或者天色已晚需要开灯——这些琐碎的操作如果…
论文/课题/组会PPT技术路线图绘制完整教程
写大论文、小论文、课题申请书，或是做组会汇报PPT时，很多同学都会卡在同一个难题：技术路线图到底该怎么画？怎么画才逻辑清晰、贴合研究、符合科研规范？其实科研技术路线图不是随意拼接流程图，核心只需围绕实…
DCU的Evict Buffer和Miss Buffer介绍
先给一句总览：Evict Buffer（Victim Buffer）：管 “被赶出去的旧行”——Cache 满了要替换，被踢掉的那条先放这里，暂存、防颠簸、异步写回。Miss Buffer（MSHR）：管 “没命中…
【2026实测】英文论文AI率高达97%？教你4招硬核重构稳过Turnitin
最近各大系统都在疯狂升级，很多伙伴明明只是用AI稍微润色了一下英文初稿的语病，结果交上去直接被大面积标红退回。如果你还在全网搜那些过时的免费降ai率工具去盲目替换同义词，最后不仅降不下来，文章的逻辑和格式还会全线崩盘。 想…
如何硬核通过Turnitin检测？2026英文高效降AI率实操教程，看这一篇就够了
答辩刚结束大家以为终于能松一口气了，结果根据答辩组老师的意见补写了几段英文内容，再次用系统一查，Turnitin的AIGC率又被标红了。 这种情况其实很常见，临近最终定稿，稍微改动几段表述，可能数值就升高了。…
大模型核心加速器：KV Cache 如何将 O(n²) 计算复杂度降至 O(n)？
KV Cache 是大模型自回归生成任务的关键优化技术，通过“空间换时间”策略缓存历史 Key 和 Value 向量，将推理复杂度从 O(n) 降至 O(n)。文章阐述了语义缓存与前缀精确匹配两种核心范式，深入分析了 KV Cache 的技术底层原理、工程化应用及规模…
物流系统如何打通信息孤岛？哲盟软件系统：一键打通内外部数据壁垒
在数字化转型加速的今天，物流企业面临的最大痛点之一就是信息孤岛——ERP、电商平台、智能硬件、OMS/TMS/WMS等系统各自为政，数据无法自由流转，导致人工操作繁琐、效率低下、出错率高。特别是在跨境物流领域，亚马逊、Shopee、TikT…
Windows Defender终极恢复指南：5种强力方法解决禁用问题
Windows Defender终极恢复指南：5种强力方法解决禁用问题 【免费下载链接】no-defender A slightly more fun way to disable windows defender firewall. (through the WSC api) 项目地址: https://gitcode.com/GitHub_Trending/no/no-defender 当你的Windo…
施工现场安全事故预警准确率达94.6%？——解密某央企AI Agent边缘计算部署架构与3个月落地实录
更多请点击： https://codechina.net 第一章：施工现场安全事故预警准确率达94.6%？——解密某央企AI Agent边缘计算部署架构与3个月落地实录 在华北某大型地铁盾构施工现场，一套轻量化AI Agent系统于2024年Q2完成全栈部署ÿ…
附录 B：术语表
本术语表面向“从 MM 到 HMM”专栏阅读过程中的快速查阅。它不是内核 API 手册，而是把文章中反复出现的概念放到同一张地图上：先给出直观含义，再说明它在 Linux MM/HMM 语境里的作用。建议阅读方式： 初读专栏时，把它当…
Midjourney渐变美学的神经渲染原理（附RGB-HSV-LCH三空间渐变映射对照表·行业首曝）
更多请点击： https://kaifayun.com 第一章：Midjourney渐变美学的神经渲染原理（附RGB-HSV-LCH三空间渐变映射对照表行业首曝） Midjourney 的渐变美学并非传统插值实现，而是由其隐式神经渲染器（Implicit Neu…
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案 【免费下载链接】MPC-BE MPC-BE – универсальный проигрыватель аудио и видеофайлов для операционной системы Windows. 项目地址:…
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南 【免费下载链接】STL-Volume-Model-Calculator STL Volume Model Calculator Python 项目地址: https://gitcode.com/gh_mirrors/st/STL-Volume-Model-Calculator 你是否曾经为3D打印项目…
通过Taotoken CLI工具一键配置团队开发环境与模型密钥
通过Taotoken CLI工具一键配置团队开发环境与模型密钥 1. CLI工具安装与基本使用 Taotoken提供的CLI工具可通过npm全局安装或直接使用npx运行。对于需要频繁使用CLI的团队，推荐全局安装： npm install -g taotoken/taotoken对于临时使用或项目级配置&a…