Skip to content

项目介绍 ​

《AI智能伴侣》:基于大模型的情感陪伴应用。用户可以给 AI 伴侣设置昵称和性格,它以对应人设进行自然对话。

环境准备 ​

整体分前端、服务端两部分:

前端环境(Nginx) ​

把 nginx-ai-partner.zip 解压到没有中文、不带空格的目录:

  • 启动:双击 nginx.exe,占用 88 端口(端口在 conf/nginx.conf 里配置)
  • 停止:
    • 方式一:Nginx 目录下开 cmd,执行 nginx.exe -s stop
    • 方式二:任务管理器找到 nginx 进程,右键结束

坑

Nginx 不会开机自启,每次关机重开都要手动启动。

启动后浏览器访问 http://localhost:88 就是项目页面:

服务端环境(FastAPI) ​

  1. 新建名为 ai_partner 的项目

选 FastAPI 模板时,IDE 会自动装好 fastapi、uvicorn,并生成实例和样例代码:

  1. 把资料里的 data 目录拷到项目目录下(存放基础数据)

  1. 改实例描述信息 + 加启动代码
python
from fastapi import FastAPI

app = FastAPI(title="AI智能伴侣", description="一款基于人工智能的情感陪伴应用", version="1.0.0")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

前后端交互流程 ​

  1. 浏览器请求 http://localhost:88,路径后没写资源 → 默认返回 index.html
  2. 浏览器解析、渲染页面
  3. 页面加载完,前端自动请求 http://localhost:88/api/presets 拿伴侣预设
  4. conf/nginx.conf 里配了规则:/api 开头的请求转发给 http://localhost:8000
  5. 服务端处理完把结果给 Nginx,Nginx 再回给前端渲染

两个入口别混

访问完整项目走前端 http://localhost:88/;单独测接口走服务端 http://localhost:8000/。

接口一:预设伴侣信息加载 ​

GET /api/presets,无请求参数,前端用来渲染预设下拉框。

  • 数据源:data/companion_presets.json434

响应示例:

json
{
    "code": 200,
    "message": "获取预设列表成功",
    "data": [
        {
            "id": 1,
            "name": "东北甜妹",
            "nick_name": "小甜甜",
            "nature": "活泼开朗的东北姑娘……",
            "sort_order": 1
        }
    ]
}

写完先用 Swagger(http://localhost:8000/docs)自测,再开前端页面联调:

接口二:新建会话 ​

POST /api/sessions,访问项目时若没有会话,前端自动发起,把伴侣昵称、性格传过来。

  • 请求体:{"nick_name": "小甜甜", "nature": "活泼开朗的东北姑娘……"}
  • 响应:{"code": 200, "message": "创建会话成功", "data": "2026-05-29_15-30-00"}
  • 存储设计:一个会话一个文件,文件名 = %Y-%m-%d_%H-%M-%S,全部放在 sessions 目录,文件内容:
json
{
  "nick_name": "小甜甜",
  "nature": "活泼开朗的东北姑娘……",
  "session_name": "2026-05-25_10-47-15",
  "messages": []
}

接口三:与 AI 交互 ​

POST /api/chat,服务端自动加载该会话历史,调 DeepSeek 生成回复,并把这一轮对话写回会话文件。

  • 请求体 4 个字段:session_name、message、nick_name、nature
  • 响应:{"code": 200, "message": "请求成功", "data": "咋滴啦大兄弟?……"}

处理思路(四步)

  1. 定义接收请求体的类
  2. 用 nick_name + nature 拼系统提示词(固定 8 条规则 + 性格)
  3. 读会话文件 → 取出历史 messages → 追加本轮 user 消息(消息滚雪球,会话记忆靠这个实现)
  4. 组装 system + 历史 + 本轮 调模型,取 choices[0].message.content
  5. 把 assistant 回复追加进历史,整份 json 回写文件

系统提示词模板

python
SYSTEM_PROMPT_TEMPLATE = """你叫 %s,现在是用户的真实伴侣,请完全代入伴侣角色。
    规则:
        1. 每次只回1条消息
        2. 禁止任何场景或状态描述性文字
        3. 匹配用户的语言
        4. 回复简短,像微信聊天一样
        5. 有需要的话可以用❤️🌸等emoji表情
        6. 用符合伴侣性格的方式对话
        7. 回复的内容, 要充分体现伴侣的性格特征
        8. 不要太肉麻(比如想你之类的,就日常聊天)
    伴侣性格:
        - %s
    你必须严格遵守上述规则来回复用户。
    """

完整代码 ​

python
import json
import os
from datetime import datetime
from typing import Any
from fastapi import FastAPI
from openai import OpenAI
from pydantic import BaseModel

app = FastAPI(title="AI智能伴侣", description="一款基于人工智能的情感陪伴应用", version="1.0.0")

# 调用大模型的客户端
client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

PRESETS_FILE_PATH = "data/companion_presets.json"

# 会话文件目录,不存在则创建
SESSIONS_DIR = "sessions"
if not os.path.exists(SESSIONS_DIR):
    os.mkdir(SESSIONS_DIR)

def get_session_path(session_name: str) -> str:
    """会话名 → 文件路径"""
    return f"{SESSIONS_DIR}/{session_name}.json"

SYSTEM_PROMPT_TEMPLATE = """你叫 %s,现在是用户的真实伴侣,请完全代入伴侣角色。
    规则:
        1. 每次只回1条消息
        2. 禁止任何场景或状态描述性文字
        3. 匹配用户的语言
        4. 回复简短,像微信聊天一样
        5. 有需要的话可以用❤️🌸等emoji表情
        6. 用符合伴侣性格的方式对话
        7. 回复的内容, 要充分体现伴侣的性格特征
        8. 不要太肉麻(比如想你之类的,就日常聊天)
    伴侣性格:
        - %s
    你必须严格遵守上述规则来回复用户。
    """

# 统一响应结构
class ApiResponse(BaseModel):
    code: int
    message: str
    data: Any = None

# 新建会话的请求体
class CreateSessionRequest(BaseModel):
    nick_name: str
    nature: str

# 对话的请求体
class ChatRequest(BaseModel):
    session_name: str
    message: str
    nick_name: str
    nature: str

# ========== 接口一:预设列表 ==========
@app.get("/api/presets")
def get_presets():
    print("获取伴侣的预设列表")
    if not os.path.exists(PRESETS_FILE_PATH):
        return ApiResponse(code=500, message="预设信息不存在")
    with open(PRESETS_FILE_PATH, "r", encoding="utf-8") as f:
        data = json.load(f)
    return ApiResponse(code=200, message="获取伴侣预设信息成功", data=data)

# ========== 接口二:新建会话 ==========
@app.post("/api/sessions")
def create_session(request: CreateSessionRequest):
    print("新建一个会话~")
    # 会话名用当前时间
    session_name = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
    session_data = {
        "session_name": session_name,
        "nick_name": request.nick_name,
        "nature": request.nature,
        "messages": []
    }
    # 一个会话一个 json 文件
    with open(get_session_path(session_name), "w", encoding="utf-8") as f:
        json.dump(session_data, f, ensure_ascii=False, indent=2)
    return ApiResponse(code=200, message="新建会话成功", data=session_name)

# ========== 接口三:与 AI 交互 ==========
@app.post("/api/chat")
def chat(request: ChatRequest):
    print(f"发送消息成功~{request.session_name},{request.nick_name},{request.message},{request.nature}")
    # 1. 拼系统提示词
    sys_temp = SYSTEM_PROMPT_TEMPLATE % (request.nick_name, request.nature)
    # 2. 读出该会话的历史消息
    with open(get_session_path(request.session_name), "r", encoding="utf-8") as f:
        session_data = json.load(f)
    session_data_messages = session_data.get("messages")
    session_data_messages.append({"role": "user", "content": request.message})
    # 3. system + 全部历史(滚雪球 = 会话记忆)
    send_messages = [{"role": "system", "content": sys_temp}]
    for s in session_data_messages:
        send_messages.append(s)
    # 4. 调模型
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=send_messages,
        stream=False,
        reasoning_effort="high",
        extra_body={"thinking": {"type": "disabled"}}
    )
    result = response.choices[0].message.content
    # 5. 把回复也存进历史,整份回写文件
    session_data_messages.append({"role": "assistant", "content": result})
    session_data["nick_name"] = request.nick_name
    session_data["nature"] = request.nature
    with open(get_session_path(request.session_name), "w", encoding="utf-8") as f:
        json.dump(session_data, f, ensure_ascii=False, indent=2)
    return ApiResponse(code=200, message="回复成功", data=result)

if __name__ == '__main__':
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)