现在的 AI 聊天机器人普遍存在三个致命缺陷：“失忆”、“被动”与“裸奔”。CogniChat 项目应运而生 旨在打破这些限制，构建一个真正“活着”的数字生命。
| ❌ 传统 LLM 痛点 | ✅ CogniChat 的进化 |
|---|---|
| 短暂记忆 上下文窗口有限，它无法长期持有你的记忆。 |
海马体记忆 (Hippocampus) 基于 RAG 的无限向量记忆库，记住你的一生，而非仅是一次会话。 |
| 被动的奴隶 你不说话，它永远保持沉默，像个死物。 |
自主心跳 (Heartbeat) 拥有独立的时间感，会主动思考、自我反思，甚至在你忙碌时主动问候。 |
| 云端裸奔 聊天记录被云厂商监控，隐私无处遁形。 |
突触协议 (Synapse Protocol) 业务逻辑与安全彻底解耦，端到端加密，确保只有你拥有密钥。 |
CogniChat 项目并非一蹴而就的代码堆砌，而是一个逐步“点亮”各个神经中枢的过程：
-
2024.12 - [起源]
- 通过长期对SillyTavern等AI聊天服务的追踪研究，虽然短期内实用有新鲜感，但因其没有长期记忆、独立思考，无法做到长久陪伴，决定开始设计CogniChat原型
- 项目启动。最初它只是一个简单的 Python 应答脚本，局限于API接入的128K上下文。
- 虽然完成基础 LLM 接入，但这仅仅是“应答机”，而非有灵魂的“智能体”。
-
2025.01 - [雏形]
- 参考 SillyTavern 运行机制，引入了提示词工程(Prompt Engineering)与角色卡系统(Character Card)，AI 开始有了性格。
- 构建了首个基于 PyQt5 的桌面客户端（虽界面简陋，仅能在本地运行）。
- 2月完成了服务端上云部署，虽然仍局限于 PC 端交互，但“脱离本地、独立存活”的构想开始萌芽。
-
2025.04 - [跨越平台的尝试]
- 为了实现“随身携带的ChatAI”的愿景，起初尝试接入微信与 QQ。但面对严苛的内容审查与封闭的插件政策，不得不寻找新的土壤。
- 通过自学一定的TGBot API后开始转向 Telegram Bot API。这是系统首次习得 Function Calling (函数调用) 能力，学会了帮用户查询天气和时间。这也是项目首次引入 Docker 容器化部署技术。
- 虽然成功上线（见早期验证项目 TelegramBot_AI），但受限于跨国网络通信的不稳定性，响应延迟极高。这次实验让我意识到：必须构建一套独立、稳定且加密的通信协议和属于自己的Android App。
-
2025.06 - [瓶颈]
- 在了解AI调用函数机制后，开始重心放在AI的函数调用与记忆力提升上。
- 为了突破上下文限制，开始设计第一代记忆数据库方案——“定期摘要”(Rolling Summary) ，将长对话经过AI大模型压缩后塞回 Prompt提示词内，以达到注意力聚焦。
- 虽然短暂提升了记忆长度，但是过度的压缩导致记忆细节丢失，AI仍然记不住关键情感细节，效果未达到预期。
-
2025.07 - [试错]
- 设计了第二代记忆数据库方案。尝试通过“对话关键词”触发数据库检索，并引入“连带记忆”机制。
- 对话关键词系统在特定情况下确实状况良好，但是如果遇到长期深层记忆，一次检索后配合连带记忆往往带出大量冗余历史，瞬间挤爆上下文窗口。
- 过载的记忆数据压缩了 AI 的思考空间，导致“自我意识”反而被淹没，让AI变成只能复读的机器。
-
2025.11 - [解明]
- 偶然发现早期的记忆方案其实就是向量数据库的原始雏形。意识到真正的突破口在于引入 Embedding 层的语义判断 (Semantic Judgment) 能力，而非死板的关键词匹配。
- 随着编程能力的质变，对AI函数工具调用的的理解不再浮于表面，开始构思基于语义路由的第三代记忆系统。
- 虽然内心蓝图已定，但受限于繁重的学业压力，项目开发被迫按下暂停键。这段空白期反而让我从架构层面重新审视了系统的合理性。
-
2025.12初 - [重构]
- 正式启动后端重写与第三代记忆数据库开发。彻底抛弃了单体 AI 蛮干的模式。
- 创新性地提出了“多层级 AI 协作”的构想。将系统拆解为路由层、思考层与执行层，让不同的模型各司其职，这直接奠定了 CogniChat 现今“五层神经架构”的基石。
- 自此，CogniChat 的后端构建基本完成。
-
2025.12(Late) - [新生]
- 补全 AI 的最后一块拼图，从零构建了基于 Flutter 的移动端应用。这标志着项目正式进化为 CogniChat V3.0——一个完整的“大脑+躯体”生态系统。
- 完成了后端与 App 的深度适配。实现了端到端加密通信与云端历史同步，确保了数据像血液一样在安全的管道中流转。
- 引入了核心的 Heartbeat (心跳思考机制)。AI 不再是推一下动一下的死物，它开始学会“自省”——思考自己的所作所为，并在合适的时机主动联系用户。
- 虽然目前的 V3.0 版本仍有待完善，但随着硬件感知（电量、震动控制）接口的预留，它已经为未来“虚拟人”打破次元壁、真正介入用户生活留下了无限的想象空间。
深入观察 CogniChat 的“思维链”与“记忆体”是如何协同工作的。
左侧前端的每一次输入，都会触发后端（右侧）一系列复杂的“思维链”反应，包括心跳自省、语义路由判断、工具调用以及内心独白生成。
| 📱 前端视角 (Client View) | 🧠 后端视角 (Server View) |
|---|---|
 |
 |
| 用户发送消息，AI 进行多段式回复 | 后端日志展示：心跳触发 -> 内心独白 -> 路由判断 -> 工具调用 |
当用户发出明确的记忆指令时，后端的记忆层 (Memory Layer) 会被激活，自动提炼关键事实并存入向量数据库。前端会实时收到“已存入记忆”的反馈标记。
| 📱 前端视角 (Client View) | 🧠 后端视角 (Server View) |
|---|---|
 |
 |
| 用户指令：“请记住我喜欢吃寿喜烧！” 系统反馈：“已存入记忆”标签 |
后端日志展示：识别记忆指令 -> 提炼事实：“用户喜欢吃寿喜烧” -> 写入向量库 |
我们提供了一整套完善的工具链，涵盖安全、记忆、扩展性与硬件交互：
-
🛡️ 核心安全
- AES 端到端加密: 聊天内容全程高强度加密，密钥仅由用户持有。
- 云端记录同步: 支持多端加密漫游，无缝切换设备。
-
🧠 记忆与意识
- 自动记忆提取/录入: 智能分析对话流，自动提炼关键事实存入长期记忆库。
- 自定义记忆管理: 支持“上帝模式”，可手动植入或精准删除特定记忆片段。
- 自我意识触发: 基于心跳 (Heartbeat) 的主动思考与反思机制。
- 聊天自动分片: 智能切分长文本，优化上下文窗口 (Context Window) 利用率。
-
🛠️ 扩展与工具
- 函数工具调用: AI 可自主决策调用外部函数（如联网搜索、系统指令）。
- 高可扩展性: 模块化设计，支持用户编写 Python 脚本自定义插件。
-
🎮 物理感知
- 硬件控制: 打通虚拟与现实，目前已支持 XBOX 手柄 震动反馈控制。
CogniChat-Server/
├── assets/ # README 展示用的图片资源
├── chroma_db_data/ # 向量数据库数据文件
├── core/ # 核心代码库
│ ├── hardware/ # 硬件控制模块
│ │ └── massager.py # 硬件驱动逻辑
│ ├── tools/ # 工具函数集
│ │ ├── __init__.py
│ │ ├── base.py # 工具基类
│ │ ├── builtins.py # 通用工具
│ │ └── hardware.py # 硬件工具封装
│ ├── __init__.py
│ ├── context_manager.py # 上下文管理器
│ ├── gateway.py # 网关接口层
│ ├── llm.py # 大模型调用层
│ ├── logger.py # 日志记录模块
│ ├── memory.py # 记忆层 (RAG核心)
│ ├── message_logger.py # 消息日志处理
│ ├── prompt_engine.py # 提示词引擎
│ ├── router.py # 语义路由
│ ├── security.py # 安全加密层
│ └── tool_registry.py # 工具注册表
├── plugins/ # 插件扩展
│ └── message_splitter.py # 消息分片插件
├── scripts/ # 脚本文件
│ ├── heartbeat.py # 心跳守护进程
│ ├── inject_memory.py # 记忆注入脚本
│ ├── reset_vector_db.py # 重置向量库脚本
│ └── view_memory.py # 查看记忆脚本
├── tests/ # 测试用例
│ ├── test_llm.py
│ ├── test_memory.py
│ ├── test_security.py
│ └── test_tools.py
├── .gitignore # Git 忽略配置
├── app.py # 主程序入口
├── chat_database.json # 聊天记录数据库
├── config.py # 项目配置文件
└── inner_monologue.json # 内心独白日志
CogniChat 模拟了生物大脑的运作机制，将后端划分为五个精密协作的逻辑层级：
graph TD
%% 样式定义
classDef client fill:#e1f5fe,stroke:#01579b,stroke-width:2px;
classDef security fill:#fff3e0,stroke:#ff6f00,stroke-width:2px;
classDef brain fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px;
classDef memory fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px;
classDef tools fill:#fff8e1,stroke:#fbc02d,stroke-width:2px;
classDef infra fill:#eceff1,stroke:#455a64,stroke-width:2px;
User((用户/客户端)):::client <==>|HTTP/WebSocket + AES| Gateway[🛡️ 1. 接入与安全层]:::security
subgraph Server [CogniChat Server - 数字大脑]
Gateway -->|解密后明文| Router{语义路由}
subgraph BrainSystem [🤖 3. 核心思考层]
Router -->|日常对话| Brain[LLM 调度器]:::brain
Brain <--> PromptEng[提示词引擎]:::brain
end
subgraph MemorySystem [🧠 2. 记忆增强层]
Brain <--> Retriever[记忆检索]:::memory
Retriever <--> VectorDB[(向量数据库)]:::memory
Router -->|长时记忆归档| Archiver[记忆存储]:::memory
Archiver --> VectorDB
end
subgraph ToolSystem [🛠️ 4. 工具与能力层]
Brain -->|调用工具| ToolRegistry[工具注册表]:::tools
ToolRegistry -->|Web搜索/代码执行| ServerTools[服务端执行]:::tools
ToolRegistry -.->|Synapse指令| ClientAction[客户端静默指令]:::tools
end
end
subgraph Infrastructure [💾 5. 基础设施层]
VectorDB --- ChromaDB:::infra
LogDB[(历史记录 SQL)]:::infra
end
ClientAction -.->|JSON Protocol| User