标题：AI虚拟助手小说：2026年交互式叙事技术全解析

system_prompt = "你是一个小说中的角色赫敏·格兰杰，请回答用户的问题。"
user_input = "你怎么看待魁地奇比赛？"
response = llm.generate(system_prompt + user_input)

 极简角色扮演实现
system_prompt = """
你是一位经验丰富的中医，精通中医理论和实践。
- 语气：温和、专业、有耐心
- 要求：用问诊的方式引导对话，而不是直接给答案
- 禁止：使用西医诊断术语
"""

user_input = "我最近总是失眠，怎么办？"

 构建完整提示词
full_prompt = f"[系统设定]\n{system_prompt}\n\n[用户]: {user_input}\n[角色]:"
response = llm.generate(full_prompt)

print(response)   预期输出类似：“您好，失眠的原因有很多种。请问您失眠多久了？是入睡困难还是容易醒？”

┌─────────────────────────────────────────────────────────┐
│                    AI虚拟助手小说                        │
│                 （产品形态与目标场景）                     │
│   ┌─────────────────────────────────────────────────┐   │
│   │                AI虚拟助手 (概念A)                  │   │
│   │         系统产品形态：角色+记忆+交互                │   │
│   └─────────────────────┬───────────────────────────┘   │
│                         │ 实现方式之一                    │
│                         ▼                               │
│   ┌─────────────────────────────────────────────────┐   │
│   │          大语言模型角色扮演 (概念B)                 │   │
│   │     技术手段：让LLM在生成时模拟特定角色             │   │
│   └─────────────────────┬───────────────────────────┘   │
│                         │ 依赖                         │
│         ┌───────────────┼───────────────┐              │
│         ▼               ▼               ▼              │
│   ┌──────────┐   ┌──────────┐   ┌──────────────┐       │
│   │ 提示工程  │   │  微调    │   │ 多智能体协作  │       │
│   │(低成本)  │   │(高一致性)│   │ (长上下文)   │       │
│   └──────────┘   └──────────┘   └──────────────┘       │
└─────────────────────────────────────────────────────────┘

 传统方式：每次对话独立处理
def traditional_chat(user_input):
    prompt = f"你是一个侦探，回答用户的问题：{user_input}"
    return llm.generate(prompt)

 问题演示
print(traditional_chat("我叫张三，是个侦探"))
 输出：好的，张三侦探，很高兴认识你。
print(traditional_chat("你还记得我叫什么吗？"))
 输出：抱歉，我不知道你的名字。—— ❌ 遗忘用户信息

import json
from datetime import datetime

class AIDetectiveAssistant:
    """AI虚拟助手小说核心类"""
    
    def __init__(self, character_name, personality):
         1. 角色设定（Persona）
        self.character_name = character_name
        self.personality = personality
        self.system_prompt = f"""
        角色：{character_name}，一位经验丰富的私家侦探。
        性格：{personality}
        说话风格：冷静、理性、喜欢用反问引导思考。
        规则：
        - 始终以角色身份说话
        - 不要跳出角色（不要说“作为AI模型”等）
        - 如果用户问超出侦探知识范围的问题，委婉拒绝
        """
        
         2. 会话记忆（Working Memory）
        self.conversation_history = []
        
         3. 长期记忆（Long-term Memory）- 简化版用字典存储
        self.long_term_memory = {
            "user_info": {},
            "case_progress": {},
            "key_clues": []
        }
    
    def chat(self, user_input):
        """处理用户输入并生成角色化响应"""
        
         步骤1：更新工作记忆
        self.conversation_history.append({
            "role": "user",
            "content": user_input,
            "timestamp": datetime.now().isoformat()
        })
        
         步骤2：从长期记忆中检索相关上下文
        context = self._retrieve_context(user_input)
        
         步骤3：构建完整提示词
        full_prompt = f"""
[系统角色设定]
{self.system_prompt}

[对话历史]（最近5轮）
{self._format_history()}

[长期记忆相关上下文]
{context}

[用户最新输入]
{user_input}

[角色{self.character_name}的回复]：
"""
        
         步骤4：生成响应
        response = llm.generate(full_prompt)
        
         步骤5：更新工作记忆（存储响应）
        self.conversation_history.append({
            "role": "assistant",
            "content": response,
            "timestamp": datetime.now().isoformat()
        })
        
         步骤6：维护工作记忆大小（保持上下文窗口可控）
        if len(self.conversation_history) > 20:
            self._archive_to_long_term()
        
        return response
    
    def _retrieve_context(self, query):
        """从长期记忆检索相关内容"""
         简化版：关键词匹配检索
         生产环境应使用RAG+向量数据库
        relevant = []
        if "名字" in query and "user_info" in self.long_term_memory:
            relevant.append(f"用户信息：{self.long_term_memory['user_info']}")
        return "\n".join(relevant)
    
    def remember_user(self, key, value):
        """显式记忆用户信息"""
        self.long_term_memory["user_info"][key] = value
    
    def _format_history(self):
        """格式化对话历史"""
        recent = self.conversation_history[-10:]
        formatted = []
        for msg in recent:
            role = "用户" if msg["role"] == "user" else self.character_name
            formatted.append(f"{role}：{msg['content']}")
        return "\n".join(formatted)
    
    def _archive_to_long_term(self):
        """将工作记忆归档到长期记忆"""
         提取关键信息存入长期记忆
         完整实现需要结合LLM提取摘要
        pass


 使用示例
detective = AIDetectiveAssistant(
    character_name="夏洛克·福尔摩斯",
    personality="敏锐、推理能力强、有些孤傲"
)

 交互演示
print(detective.chat("你好，我是华生医生，新来的搭档。"))
 输出：华生医生，欢迎。观察你的站姿和握手力度，你曾在阿富汗服役。
detective.remember_user("name", "华生医生")

print(detective.chat("你还记得我是谁吗？"))
 输出：当然，华生医生。我的记忆从不遗漏任何细节。