用Python+DeepSeek，开发一个带记忆的AI助手

我有时候真的很佩服那些能记住我喜好的人，比如楼下咖啡店的老板娘，我刚一进门她就开始冲我最爱那款少糖美式，连我换口味都会被她识破：“今天不来点拿铁试试？”——这种服务叫个性化，体验感直接拉满。

而我之前试着做的AI助手，聊天是能聊，但你让它记点东西？对不起，聊完就忘，哪怕是刚刚你才告诉它你叫啥。对话体验像极了初中时的渣男，承诺都好听，就是不走心。

于是我就开始思考，这AI助手是不是也得“通人性”点？不能光能说，还得能记，记得住咱说过啥、聊过啥、爱好是什么，甚至我每天几点钟来找它唠嗑都应该知道吧？于是，我就动手整了这个项目——一个带记忆功能的AI助手，主力框架Python，结合了DeepSeek，再加上点技能包，最后还能部署上线，24小时待命不掉线，简直比我对象还稳定。

AI没记忆，和白开水有啥区别？

说真的，很多人玩AI，觉得它回答得再聪明，只要不能记住上一次对话的内容，就感觉差了点什么。就好像你每天和它打招呼：“我喜欢喝咖啡，不加糖。”第二天再来，它又是一脸懵逼：“请问您喜欢喝什么？”——我真的气笑了，仿佛在和一个失忆症患者交流。

所以啊，我觉得，记忆这玩意儿对AI来说，不是锦上添花，而是刚需。
一个好的助手，必须要有记性，才能做到个性化服务：

• 比如你说你是程序员，它下次直接给你推送GitHub热榜。
• 或者你说你在北京，那它查天气的时候别老问你在哪，直接就默认北京。
• 甚至你每天晚上都来问它一个哲学问题，它也能记住你是夜猫子类型，说不定哪天来一句：“今晚不来点海德格尔？”

而要实现这一点，说白了就是得有个“记事本”——我们用数据库搞定。

AI的记忆，其实就是建个数据库

我在搞这个AI助手的时候，最先搭的就是它的“记忆系统”。这个“记忆”其实就是拿数据库来保存用户的历史对话，让AI可以带着上下文思考问题。

我是用SQLite起步的，简单轻便，还不需要安装额外的东西，非常适合本地调试。一开始先建个表，记录每一次用户说了啥，AI又是怎么回复的：

import sqlite3

conn = sqlite3.connect('memory.db')
cursor = conn.cursor()

cursor.execute('''
    CREATE TABLE IF NOT EXISTS chat_history (
        id INTEGER PRIMARY KEY AUTOINCREMENT,
        user TEXT,
        message TEXT,
        response TEXT,
        timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
    )
''')

conn.commit()
conn.close()

然后每次对话的时候，就把内容塞进这张表里，下次用户再来找，咱先查一下他之前说了啥，生成的时候再带上点历史信息，这AI就“看起来”更像个活人了。

要是你的用户多起来了，SQLite可能就不够用了，这时候可以考虑换成PostgreSQL，再加点缓存系统，比如Redis，把最近的对话记录先暂存在内存，访问起来速度更快，还能减轻数据库压力。

给AI装上“技能包”，它才真像个助手

光会聊天还不够啊，聊天不就是图一乐，但你真想让这个AI帮你做点事，它得有技能。就像那个会开瓶盖、背九九乘法表的初代万能男友一样——能干才是硬道理。

我给我的AI装了几个小技能，都是实用型选手：

1. 天气查询功能

最常用的当然是查天气，我直接用的是常见天气API。为了防止用户每次都要输入城市，我给它加了默认城市的设定，并且做了缓存，减少API调用：

import requests

def get_weather(city="北京"):
    api_key = "你的API密钥"
    url = f"http://api.weatherapi.com/v1/current.json?key={api_key}&q={city}&lang=zh"
    response = requests.get(url)
    return response.json()['current']['condition']['text']

2. 翻译功能：用 deep_translator

翻译我用的是 deep_translator，支持多个平台，我最喜欢它的懒人模式：

from deep_translator import GoogleTranslator

def translate(text, target='en'):
    return GoogleTranslator(source='auto', target=target).translate(text)

3. Google 搜索

有时候用户想问点复杂问题，我让AI直接用Google自定义搜索API查一波，提取网页的摘要再回复给用户，效果贼棒，比瞎编强多了。

永久在线的AI怎么搞？

做完上面这些功能之后，我想着：不能每次还得开终端启动吧？那不太行，咱得让这个AI 7x24在线等着我，随叫随到。

我用的是 Flask 搭了个 API 接口，用户通过网页或微信小程序发消息，它就能响应。

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/chat', methods=['POST'])
def chat():
    user_msg = request.json.get("message")
    # 查历史记录、生成回复逻辑省略
    return jsonify({"response": "这里是AI的回答"})

if __name__ == '__main__':
    app.run()

部署我用的是 Docker，把整个服务打包一键部署，然后扔上 Heroku 测试，最后放到 Vercel 上跑——免费的额度对个人项目绰绰有余，而且速度也挺快的。

整个项目做下来，我最大的感触就是：AI工具如果不带点“记忆”和“技能”，那它就是个会讲笑话的玩具罢了。

我现在这个助手，每次和我对话，不仅知道我上次说了什么，还能查天气、翻译、上网搜资料，完全就是我桌面上的“数码男友”，哪怕我凌晨两点上线问它：“人生的意义是什么？”它都能给我端出一整盘康德+鸡汤+知乎回答混合体。

当然啦，还有不少可以继续优化的地方，比如：

• 记忆的整理，做成时间轴，方便查阅；
• 用户画像，根据聊天习惯推荐信息；
• 多轮上下文推理，提升连贯性。

但哪怕到现在这个程度，它已经能给我省下很多日常琐碎操作了。

-END-

以上，就是今天的分享了，看完文章记得右下角点赞，也欢迎在评论区写下你的留言