用 Python 构建一个“记性好”的 AI 助手:JSON本地存储和向量检索

让我们先整理一下思路，将整个助手分成四个模块，各司其职：

1. 记忆存储：负责把对话写成 JSON 存到本地硬盘。

2. 向量化：把文字变成一串数字（向量），方便数学比较。

3. 检索：拿你当前的问题向量，去跟记忆库里每条向量的相似度，挑出最像的三条。

4. 对话生成：把这三条记忆加入提示词中，输入给大模型，再把新的对话存回记忆库。

可以总结为这样的流程：

你问问题 → 转成向量 → 跟记忆库比相似度 → 挑出最相关的 → 拼进 Prompt → 大模型回答 → 存下这条对话。

每次用户说话或者 AI 回答后，我们都调这个函数把内容存进记忆库：

先读出现有记忆，给新内容生成向量，拼出一条新的记录塞进列表，最后写回文件。

Python 知识点：`datetime.now` 获取时间、`strftime` 自定义格式、`append` 追加列表元素、字典嵌套结构。

AGI 概念：记忆存储的结构设计。

我们要比较当前问题和每条记忆的接近程度，这里用的是余弦相似度。公式不复杂：分子是点积，分母是两个向量模长的乘积。

不用 `numpy`，纯 Python 实现。`zip` 把两个向量的对应位置打包，生成器表达式直接喂给 `sum`，既简洁又省内存。

Python 知识点：`zip` 并行迭代、生成器表达式

AGI 概念：余弦相似度——衡量两个向量方向的一致性，值越接近 1 说明语义越像。

有了相似度计算，检索就水到渠成了：

过程很直观：

加载记忆 → 给当前问题生成向量 → 挨个算相似度 → 按得分从高到低排 → 取前几条。

Python 知识点：列表推导式、`lambda` 匿名函数当排序依据、元组解包、列表切片。

AGI 概念：RAG 的检索环节——基于向量相似度做语义召回，而不是机械匹配关键词。