• 

Mindspace

让模型可以更换，让关系不必重置。

Inspiration

Mindspace 的灵感来自我长期使用 AI 产品时发现的一个矛盾：主流大模型越来越聪明，能够完成写作、搜索、编程和分析任务，但在长期交流中，用户仍可能遇到角色漂移、记忆冲突和关系断裂。

用户可能已经向 AI 介绍过自己的称呼、工作、偏好和边界，过一段时间后却仍要重新解释。更复杂的问题是，当用户的想法发生变化，例如从“喜欢草莓”变为“现在更喜欢蓝莓”时，系统不能只是把两句话同时保存，而应当知道新信息已经替代旧信息。

这让我意识到，AI 陪伴产品真正缺少的未必是更大的模型，而是一套能够管理人物、记忆与关系连续性的系统。因此，我开始构建 Mindspace，希望建立一套更懂用户、更有归属感，同时又可检查、可修改、可控制的情感体系。

What it does

Mindspace 是一款面向长期陪伴场景的 Windows AI 伴侣。它通过人物档案、长期记忆、关系状态、主动续话、实时语音和本地数据管理，让大模型从“被动回答一次问题”转变为“能够延续共同经历的长期角色”。

它目前可以：

• 为用户和 AI 分别建立人物档案，保存称呼、性格、偏好、关系定位和行为边界；
• 保留最近对话，并从更早的历史、结构化记忆和个人知识库中召回相关内容；
• 根据用户最新表达修正旧信息，减少喜欢与不喜欢等相互冲突的记忆；
• 允许用户查看、编辑、删除和恢复长期记忆；
• 根据当前时间、对话间隔和关系状态自然承接话题；
• 支持“让 AI 说点什么”、沉默后续接和实时语音连续陪伴；
• 提供通话与面对面互动模式，并支持角色头像和角色音色；
• 将会话、档案、知识库、头像和参考音频主要保存在 Windows 本地工作区。

Mindspace 并不声称 AI 真实拥有人的情感。它通过稳定的人格、连续的记忆和能够被用户控制的关系状态，让每一次交流成为下一次理解的基础。

How we built it

Mindspace 使用 Electron 构建 Windows 桌面启动器，React 负责产品界面，Python、FastAPI 和 LangGraph 负责对话编排，SQLite 与 JSON 投影负责会话、人物档案、记忆和运行状态的持久化。

一轮对话的主要流程为：

用户输入
→ 加载用户档案、AI角色卡与关系状态
→ 并行召回知识库和历史记忆
→ 相关性排序、时间衰减与公平曝光
→ 组装分层 Prompt
→ 调用 OpenAI-compatible 大模型
→ 校验角色回复与记忆更新
→ 保存会话、档案和结构化记忆

为了兼顾关键词匹配与语义理解，我们同时使用 BM25+ 词法检索和向量检索，再通过 RRF（倒数排名融合）组合不同检索结果：

$$ S_{\mathrm{RRF}}(d)=\sum_{r\in R}\frac{1}{k+\operatorname{rank}_{r}(d)} $$

其中，$d$ 表示候选记忆，$R$ 表示不同检索通道，$k$ 用于减弱单一排名波动带来的影响。

为了避免很久以前的信息持续压过用户最近的变化，系统还会加入基于对话轮次和现实时间的衰减：

$$ w_t(d)= \exp\left(-\frac{\Delta r}{\tau_r}\right) \cdot \exp\left(-\frac{\Delta h}{\tau_h}\right) $$

最终候选分数可以简化表示为：

$$ S_{\mathrm{final}}(d) =S_{\mathrm{hybrid}}(d)\cdot w_t(d)+B_{\mathrm{fair}}(d) $$

其中，$B_{\mathrm{fair}}$ 是有上限的公平曝光补偿，只帮助相关但长期未被选中的记忆获得机会，不能让无关内容绕过最低相关度要求。

在记忆写入环节，大模型不能直接重写整份人物档案，只能提出少量 JSON Patch。服务端继续校验证据来源、字段路径、数据类型、版本号、修改数量和冲突关系。只有通过校验的内容才会成为长期记忆。

模型每轮直接看到最近 8 轮原始对话；更早的内容保留在本地存储和检索索引中，仅在与当前问题相关时被召回。这样可以在维持连续性的同时控制 Token 成本和上下文噪声。

当前文本生成仍需要用户配置的 OpenAI-compatible API，因此 Mindspace 是本地优先的编排与数据系统，而不是完全离线的大模型。情绪识别能力在当前版本中保持关闭，我们没有把尚未启用的接口包装成已经实现的产品能力。

Challenges we ran into

1. 记住不等于记对

如果把全部对话直接写入向量库，玩笑、猜测、错误回复和过时信息也可能被当成长期事实。我们最终将近期原始对话、低可信召回内容和权威人物档案分层，并通过证据与服务端校验控制记忆写入。

2. 事实会发生变化

长期记忆不能只做增加，还要处理替换、删除、冲突消除和历史恢复。我们为不同字段设计了单值覆盖、去重集合、对立集合和有生命周期事件等规则。

3. 长期上下文会快速膨胀

持续把完整历史发送给模型会增加 Token 成本、响应延迟和角色漂移风险。我们通过“最近 8 轮原文＋旧内容按需召回＋后台上下文压缩”控制模型可见内容。

4. 角色稳定和角色自主存在矛盾

角色永远顺从用户会显得虚假；为了体现自主而故意反对用户，同样会破坏体验。我们将角色自主定义为：角色按照自身性格、关系立场和当前意愿作出一致反应，而不是机械迎合或机械反对。

5. 实时语音是一整条工程链路

语音体验不仅取决于识别准确率，还涉及断句、回声、插话、TTS 排队、模型冷启动、连接中断和异常恢复。我们加入了就绪检查、自动重连、可取消请求和播放看门狗，但仍需要更多真实设备测试。

6. 工程能力不等于用户价值

检索分数、Prompt Inspector、执行详情和系统诊断有助于开发与审计，却可能让普通用户觉得自己进入了技术控制台。如何把复杂能力隐藏在自然体验背后，是产品化阶段的重要挑战。

Accomplishments that we're proud of

我们最自豪的不是简单接入了一个聊天 API，而是完成了一套可检查、可恢复的长期关系基础链路：

• 构建了 Windows 桌面启动器与本地数据工作区；
• 实现了知识库与历史记忆的并行召回；
• 建立了最近对话、旧历史、结构化记忆和权威档案的分层上下文；
• 实现了基于证据和版本号的 JSON Patch 记忆写入；
• 支持冲突记忆消除、删除、恢复和档案版本历史；
• 建立了角色优先的 Prompt 顺序与本轮角色演绎校准；
• 实现了主动续话、连续陪伴、通话和面对面互动；
• 接入了本地 ASR、云端或本地 TTS、插话中断与语音异常恢复链路；
• 提供了 Prompt、召回内容和运行节点的可观察能力；
• 为长期恋爱向对话设计了 50 轮验收脚本，用于检查称呼、职业、偏好、边界、共同经历和关系变化。

这些成果证明 Mindspace 不只是一个界面原型，而是在尝试把“长期陪伴”拆成可以实现、检查和验证的系统能力。不过，验收脚本和测试设计仍不能代替真实用户数据，我们不会将其夸大为已经完成市场验证。

What we learned

构建 Mindspace 让我学到了六件重要的事：

1. 模型能力不等于产品能力。 同一个模型经过不同的记忆、角色和交互链路，会形成完全不同的体验。
2. 长期记忆首先是治理问题。 存储内容并不难，证据、冲突、版本、删除和恢复才是核心。
3. 情感来自连续性，而不只是温柔语气。 AI 下一次仍记得这次发生了什么，才会让用户感到真正被理解。
4. 角色需要稳定，也需要自主。 没有立场的无限顺从不会形成真实的人格感。
5. 本地优先必须明确边界。 本地保存个人数据不等于模型生成完全离线，产品应清楚说明数据流向。
6. 用户不会因为技术名词留下。 用户不会因为 RRF 或 LangGraph 选择产品，却可能因为 AI 记住一次共同经历、尊重一条边界并修正一个错误而留下。

What's next for Mindspace

下一阶段，我们不会继续盲目增加功能，而会优先验证 Mindspace 的核心假设：可控记忆和关系连续性是否真的能提高长期留存与信任。

我们计划：

• 建立 30 轮、50 轮和 100 轮长期对话评测集；
• 统计记忆召回准确率、冲突率、纠正后旧信息残留率和角色漂移率；
• 测量主动续话的合适率、打扰率和用户关闭率；
• 测量实时语音的首句延迟、打断成功率和异常恢复率；
• 将默认关系体验与高级技术控制中心分离；
• 简化模型与语音配置，让普通用户不需要理解 API、RAG 或运行环境；
• 继续完善隐私说明、情感边界、身份提醒与未成年人保护；
• 在条件成熟后探索本地语言模型，使更多对话链路能够离线运行。

Mindspace 的最终目标不是做一个更大的模型，而是建立一套更懂用户、更有归属感，同时由用户掌控的长期情感体系：

模型可以更换，但共同建立的关系不必重置。

Built With

• deepseek-api
• electron
• fastapi
• langgraph
• python
• react
• retrieval-augmented-generation-(rag)
• typescript
• voice
• windows