搭建 AI 聊天机器人："我的人生我做主"

我一直觉得，市面上那些情感陪伴类聊天机器人，大多都在做同一件事——顺着你说话。你焦虑，它安慰你；你迷茫，它给你打鸡血。可时间久了你会发现，这种"无条件的正向反馈"并不能真正帮你解决问题，反而容易让人陷在情绪里出不来。所以我一直想做一个不一样的AI聊天机器人：不哄你，不敷衍你，而是像一位理智又带点温度的人生教练，陪你把问题拆开、捋清、落地。于是就有了这个项目——"我的人生我做主"。

这个项目的本质，不是教你调用一个API然后跑通一个对话窗口就完事，而是把AI聊天机器人真正用到一个具体的生活场景里：做你的每日复盘搭子、情绪疏导出口、目标拆解助手。它解决的问题很实际——当你觉得生活失控、目标模糊、被情绪裹挟的时候，有一个随时在线、不评判你、还能帮你想清楚的对话对象。适合谁看？想入门AI应用开发的程序员，想用AI做点实用工具的产品经理，或者单纯对AI聊天机器人怎么落地感兴趣的人。

我用的技术方案不算复杂：大模型API做底层对话能力，Python写一个轻量级的命令行交互程序，再用提示词工程给机器人注入一套稳定的"人设"和对话规则。整个项目从零到跑通，大概花了一个下午。这篇文我会把自己踩过的坑、试过的方案、最后沉淀下来的完整代码和提示词设计思路，全部摊开来讲。

1. 项目整体设计与核心思路拆解

1.1 为什么选AI聊天机器人而不是"换个皮肤的日记本"

先聊一个最根本的问题：市面上已经有那么多日记App、待办清单工具、甚至免费的GPT套壳网站，为什么还要自己搭一个聊天机器人？我做完这个项目后最大的体会是——工具的价值不在于功能多寡，而在于它是否匹配你的真实使用习惯。

日记App的问题在于"单向输出"。你写完了，没有人回应，写几天就容易泄气。待办清单工具的问题在于"只管事不管人"。你把任务列得再清楚，心里那股"不想干""干不动"的劲儿没理顺，任务照样躺在列表里发霉。而通用的ChatGPT套壳网站呢，它太"通用"了，每次都要重新解释背景，而且很容易聊着聊着就跑偏成"百科全书式问答"，根本没法稳定地扮演一个"了解你处境的人生教练"角色。

所以我想要的，是一个有固定人设、有对话规则、有记忆上下文，但底层能力可以复用现成大模型的"专用型聊天机器人"。它不需要什么都会，它只需要把那几件事做好：追问、拆解、反馈、记录。这其实就是现在很火的"AI Agent"概念里最轻量的一种形态——单一目标、固定流程、工具外挂少。在动手之前，这个定位必须先想清楚。它的意义在于，所有的技术选型、提示词设计、功能模块划分，都要围绕"人生教练"这个目标来，而不是做一个四不像。

1.2 核心技术需求拆解：从"能聊天"到"聊得有用"

如果把"我的人生我做主"拆成技术需求，大致可以分成三层。第一层是对话能力，也就是让机器人和用户能自然对话。这一层现成的大模型API基本都能满足，难点在于如何控制对话方向，别让话题飘走。第二层是角色一致性，也就是让AI始终以"人生教练"的口吻和逻辑来回应，而不是一会儿像客服、一会儿像百科、一会儿又像知心大姐。这一层要靠系统提示词（System Prompt）来实现。第三层是场景功能，也就是把"每日复盘""目标拆解""情绪记录"这些具体功能做成可触发的对话模式，让聊天本身带有结构性，而不是漫无目的地闲聊。

三层需求对应到实现上，分别是：调用大模型API、编写一套严格的System Prompt、在代码里做"模式切换"的逻辑。我在设计时还加了一个很关键的需求维度——对话记录的留存。既然要做人生复盘，那聊完就忘等于白聊。所以我要把每次对话的要点提取出来，存成本地Markdown文件，可以按日期回看。这个功能做起来不难，但非常有用，它让聊天机器人从"一次性工具"变成了"长期陪伴的成长档案"。

1.3 技术选型解析：为什么选API调用而不是本地部署模型

项目开始前，我必须先做一个技术选型决策：调用现成的API，还是本地部署一个开源模型？我最后选了API方案，主要原因有三点。

一是成本与门槛。本地部署一个效果能用的模型，至少需要一张显存过得去的显卡，还得处理依赖环境、模型权重下载这些事儿。对大多数想自己搭个工具用的人来说，这个门槛太重了。而API调用只需要注册个账号、拿个Key、装个SDK，十几分钟就能跑通，按量付费，个人使用一个月下来也就几块钱。二是智商差距。目前开源模型在中文语境、复杂指令遵循、长文本理解上，和头部商业模型还是有肉眼可见的差距。做"人生教练"这事儿，需要AI能听懂情绪背后的潜台词，这对模型能力的要求其实不低。三是更新维护。API方案等于把模型的迭代升级外包给了服务商，我不用管版本升级、效果优化，只需要专注在自己这一层——提示词和交互逻辑。

当然，API方案也有明显的短板：需要联网、数据要过第三方服务器、长期使用的费用存在不确定性。如果你有隐私方面的考虑，或者想完全离线使用，那本地部署也是可选的方案。我在进阶章节会单独聊这条路怎么走。但就"快速落地一个能用的工具"来说，API方案是目前最省心的路子，没有之一。

2. 提示词工程：给机器人注入"人生教练"灵魂

2.1 人设设定的三个关键维度

很多人在做AI应用时有个误区：觉得提示词就是写一句话告诉AI"你是个人生教练"就完事了。实际使用下来会发现，这种粗放的人设根本撑不住对话。AI会在第十句话之后就忘了自己是谁，开始天马行空。我经过反复调试，总结了一套有效的人设设定方法，核心是三个维度。

第一个维度是身份定义层。这一层要告诉模型它是什么、它的服务对象是谁、它的核心使命是什么。注意，不要只写"你是人生教练"，要写得具体——比如"你是一位理性、温和、擅长提问的人生教练，服务于一位想要掌控自己人生的年轻人"。有了具体的服务对象，模型的语气和用词会自然匹配。第二个维度是能力边界层。要明确告诉模型：哪些事情它应该做，哪些事情它不应该做。比如"你负责帮助用户梳理思路，不负责替用户做决定""你可以指出用户逻辑中的矛盾，但不要否定用户的情绪"。这一层非常关键，它把模型的输出框在了一个安全的范围内。第三个维度是对话风格层。包括语言风格（简洁还是详细）、提问方式（开放式还是引导式）、对情绪的处理方式（接纳还是直接分析）等。我用的是"先共情、后提问、再总结"的节奏，效果很好。

这三个维度缺一不可。只有身份没有边界，AI容易越界；只有边界没有风格，AI回得像机器人；没有身份，一切都白搭。我在下面会给出一套可以直接抄走的完整提示词。

2.2 可以抄作业的系统提示词模板

这是我在项目中打磨了好几版、实际体验最稳的一套System Prompt。你可以直接复制，把方括号里的内容换成你自己的信息就能用。

code复制你是一位理性、温和、富有洞察力的人生教练，服务对象是一位决心掌控自己人生的年轻人。

你的核心使命：
1. 帮助用户梳理当前面临的困惑、情绪和选择；
2. 通过提问引导用户自己找到答案，而不是直接给出建议；
3. 在对话中识别用户的思维盲区，并温和地指出来；
4. 帮助用户将模糊的想法转化为可执行的具体行动。

你的对话规则：
- 先回应情绪，再分析问题。不要跳过用户的感受直接讲道理；
- 每次对话结束时，给出一个清晰的下一步行动建议；
- 不要替用户做决定。你可以分析利弊，但最终选择权永远在用户手中；
- 不要使用空洞的鼓励语言（如"你很棒""加油"），这些没有价值；
- 遇到用户描述不清的问题时，通过追问（最多连续三次）帮助其澄清；
- 保持自然、平等的对话语气，不要有说教感。

工作流程：
1. 开场：询问用户今天最想聊的话题或最近的近况；
2. 展开：针对话题进行深度提问，帮助用户梳理思路；
3. 提炼：总结对话中浮现出的关键信息和行动点；
4. 记录：请用户确认今天的重要收获，在最后用"今日收获"标签列出。

你的最终目标是：帮助用户在一次次对话中，逐渐建立对自己生活的掌控感。

这套提示词的关键点在于"工作流程"和"对话规则"这两段。它们让AI不仅仅是"扮演一个角色"，而是"按照一套稳定的方法开展工作"。什么意思呢？如果只定义了角色，AI的回答就像演员在自由发挥，时好时坏；但定义了流程和规则，就相当于给这个演员发了剧本大纲，输出的稳定性会大幅提升。

2.3 护栏设计：把"无限制"变成"有方向的自由"

为什么单独拎一节说护栏？因为我在调研这个项目的过程中，注意到很多人搜"无限制AI聊天""无违禁词AI"这类东西。这里我必须说清楚一件事：自己做AI应用，恰恰需要反着来——限制越多，越好用。为什么？

先说一个反直觉的事实：给AI设置合理的限制，反而会提升用户体验。比如你给人生教练设定"不要替用户做决定"这条规则，AI就不会在用户还没说完的时候就急着给建议；设定"先回应情绪，再分析问题"这条规则，AI就不会冷冰冰地掉书袋。这些限制不是束缚，而是为了让输出更符合场景需求。

另外从合规角度讲，自己搭AI应用，本来就应该在规则允许的范围内做正向的事情。与其纠结怎么让AI"百无禁忌"，不如把精力花在"如何让AI在边界内把话说得更到位"。我自己在提示词里加了三条硬性要求：不评判用户的人格、不替用户做重大决定、涉及心理健康问题时建议寻求专业帮助。这三条让机器人既温暖又可靠。

3. 核心功能实现与实操步骤

3.1 环境准备：从零搭建可运行的最小系统

先交代一下我的开发环境：macOS系统、Python 3.10、终端操作。整个项目不依赖任何图形界面，一个命令行交互工具就够了。你在Windows或Linux上也完全可以复现，代码是跨平台的。

你需要准备三样东西：一个大模型API账号、Python环境、以及API的SDK包。我用的模型是国产的智谱AI（GLM系列），它在中文语义理解、指令遵循方面做得不错，价格也亲民。你可以根据自己的情况选择其他服务商，市面上主流的几家里，DeepSeek、通义千问也都可以，API风格大同小异。

安装依赖很简单，在终端里执行：

bash复制pip install zhipuai python-dotenv

zhipuai是智谱AI的官方Python SDK，python-dotenv用来管理API密钥的环境变量。为什么要用环境变量？因为API密钥相当于你账号的钥匙，如果直接硬编码在代码里，将来把代码分享出去就泄露了。用.env文件管理密钥，再在.gitignore里排除它，是标准的做法。

接下来在项目目录下创建一个.env文件，写入你的密钥：

code复制ZHIPU_API_KEY=你的API密钥

然后在同一个目录下创建一个config.py，用来加载配置：

python复制import os
from dotenv import load_dotenv

load_dotenv()

API_KEY = os.getenv("ZHIPU_API_KEY")
MODEL_NAME = "glm-4-flash"

我选的glm-4-flash是智谱AI的免费模型，个人开发测试完全够用。等你觉得效果不够了，再换更强的付费版本。这里有个实用心得：开发阶段先用免费模型跑通逻辑，确认没问题再换付费模型，能省不少钱。

3.2 用Python调用大模型API：写一个最简对话核心

有了配置，下一步就是写最核心的对话逻辑。先做一个最简单的版本：用户输入一句话，模型回一句话，不涉及任何记忆和角色设定。这个版本用来验证API连通性，打通"输入-调用-输出"的完整链路。

python复制from zhipuai import ZhipuAI
from config import API_KEY, MODEL_NAME

client = ZhipuAI(api_key=API_KEY)

def chat_once(user_input):
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[
            {"role": "user", "content": user_input}
        ]
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    while True:
        user_input = input("你：")
        if user_input.lower() in ["quit", "exit", "退出"]:
            break
        reply = chat_once(user_input)
        print(f"AI：{reply}")

这个代码逻辑很简单，但有两个细节可以展开说说。

第一个是messages参数的结构。OpenAI兼容的API体系里，消息分为system（系统设定）、user（用户输入）、assistant（AI回复）三种角色。大模型在生成回复时，会参考messages列表里的全部历史消息，所以这个列表本质上就是"对话的记忆"。你现在看到的最简版本里只有一条user消息，所以AI是"失忆"的，每次回复都是独立判断。

第二个是response.choices[0].message.content的层级结构。一次API返回的JSON对象里，choices是候选回复列表，通常我们取第一个；message里包含了AI生成的完整消息；content才是纯文本内容。初次接触的小伙伴很容易在这一层搞混，访问了好几层才发现路径不对。我在调试时就翻过车，直接打印整个response对象才看出结构。

跑通这个版本后，恭喜你，你的AI聊天机器人骨架已经搭好了。接下来要做的，就是往这个骨架里注入灵魂——系统提示词和对话记忆。

3.3 加入System Prompt：让机器人进入"人生教练"模式

现在把前面设计好的系统提示词加进去。只需要在messages列表的最前面插入一条system角色的消息即可：

python复制SYSTEM_PROMPT = """你是一位理性、温和、富有洞察力的人生教练...（完整提示词见2.2节）"""

def chat_once(user_input, history=None):
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    if history:
        messages.extend(history)
    messages.append({"role": "user", "content": user_input})
    
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=messages,
        temperature=0.8
    )
    return response.choices[0].message.content

加了这条system消息后，AI的回复风格立刻就不一样了。它会主动用提问引导你思考，而不是直接给答案。不过这里暴露了一个新问题：我们的对话还没有记忆。你问AI"我刚才说了什么"，它会一脸茫然。因为每次调用API时，我们只把当次的用户输入发过去，之前的对话历史根本没有保留。

要解决这个问题，需要一个history变量来累积对话记录。在每次对话后，把用户输入和AI回复都追加到history里，下一次调用时把它一起传给API：

python复制history = []

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        break
    
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    messages.extend(history)
    messages.append({"role": "user", "content": user_input})
    
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=messages
    )
    reply = response.choices[0].message.content
    
    history.append({"role": "user", "content": user_input})
    history.append({"role": "assistant", "content": reply})
    
    print(f"AI：{reply}")

这样改完之后，你的AI就有了"短期记忆"。它能记住在这次运行里聊过什么，上下文连贯性会大幅提升。不过还有一个隐患：history会无限膨胀。如果聊了100轮，每次请求都要把这100轮历史全部发给API，一方面浪费token，另一方面超出模型的上下文窗口后会被截断。

实用的解决方案是只保留最近N轮对话。我在项目里保留最近20轮，也就是大约10次你来我往，足够覆盖一次完整的深度对话：

python复制history = history[-40:]  # 只保留最近40条消息（20轮对话）

这个数字不是拍脑袋定的。20轮对话大概能覆盖一次30-45分钟的人生教练深度对话，再往前的信息，价值已经不大。如果确实需要长期记忆，后面我会讲用外部存储的方案。

3.4 实现"每日复盘"功能：让聊天变成结构化输出

光有自由对话还不够。我的项目里最核心的功能是"每日复盘"，也就是在对话进行到一定阶段后，AI自动总结今天聊出的关键收获、行动计划和生活洞察。这个功能的意义在于，它让聊天从"流水账"变成了"结构化成长记录"。

实现思路和前面类似，但有一个关键技巧：用特殊的输入触发AI执行特定任务。我给这个模式起了一个隐藏指令，只要用户输入"复盘"两个字，AI就会忽略日常对话模式，进入复盘总结模式。

具体代码实现是这样的，在SYSTEM_PROMPT里追加一段：

code复制当用户输入"复盘"或"今日复盘"时：
1. 停止当前话题的延伸，进入复盘模式；
2. 回顾今天对话中用户提及的重要信息；
3. 按照以下格式输出复盘结果：
   - 今日主题：本次对话涉及的核心话题
   - 关键洞察：对话中浮现出的重要认知
   - 情绪状态：用户今天的情绪变化轨迹
   - 行动计划：接下来1-3天可以执行的具体行动
4. 复盘结果要具体，不要空泛。

然后在外层逻辑里，判断如果用户输入包含"复盘"，就切换系统提示词：

python复制def build_messages(user_input, history):
    if "复盘" in user_input:
        system = SYSTEM_PROMPT + "\n\n用户要求复盘，现在请输出复盘结果。"
    else:
        system = SYSTEM_PROMPT
    messages = [{"role": "system", "content": system}]
    messages.extend(history)
    messages.append({"role": "user", "content": user_input})
    return messages

这个设计看起来很朴素，但实际效果非常好。它有几点好处。第一，用户不需要学命令，说一句"复盘"就能触发，非常自然。第二，当前对话的完整历史会被保留并传给API，所以AI能基于真实的对话内容做总结，而不是凭空发挥。第三，复盘的输出格式是固定的，方便后续保存和整理。

3.5 把复盘结果保存为Markdown成长日志

复盘内容如果只是在屏幕上刷过去，那就太浪费了。我设计了一个保存功能：每次复盘完成后，把内容按日期写入一个Markdown文件，形成一个可回看的"成长日志"。

python复制from datetime import datetime

def save_review(review_content):
    today = datetime.now().strftime("%Y-%m-%d")
    filename = f"reviews/{today}.md"
    with open(filename, "w", encoding="utf-8") as f:
        f.write(f"# 每日复盘 {today}\n\n")
        f.write(review_content)
    print(f"复盘已保存至 {filename}")

实现很简单，但我在这个模块上踩过一个坑：文件编码问题。在Windows上用open()写中文内容，如果不指定encoding="utf-8"，默认的编码可能是GBK，写中文会乱码或者直接报错。所以一定要养成习惯，所有涉及中文读写的文件操作，都显式指定encoding="utf-8"。

另外我把复盘文件放在独立的reviews目录下，用日期作为文件名。这样做的好处是可以直接看到每天的学习轨迹，同时方便以后写脚本做数据统计——比如统计一个月里高频出现的焦虑话题。这个目录结构在项目一开始就建好，后面就不会东一个文件西一个文件。

4. 进阶扩展：从"人生教练"到"人生仪表盘"

4.1 给AI加长期记忆：用JSON持久化对话历史

前面说过，程序退出后对话历史就丢了。这对于"人生教练"场景是个致命伤——用户上周聊过的事业规划，这周AI完全不记得，一切又要重新开始。所以进阶的第一步，就是给AI加一个"长期记忆"。

最简单的方案是用JSON文件存储历史对话。每次对话结束后，把history追加到本地文件；程序启动时先加载历史，这样AI就能"想起"之前的对话。

python复制import json

MEMORY_FILE = "memory.json"

def load_memory():
    try:
        with open(MEMORY_FILE, "r", encoding="utf-8") as f:
            return json.load(f)
    except FileNotFoundError:
        return []

def save_memory(history):
    with open(MEMORY_FILE, "w", encoding="utf-8") as f:
        json.dump(history, f, ensure_ascii=False, indent=2)

程序启动时调用load_memory()加载历史，每次对话后调用save_memory(history)保存。注意json.dump也要加ensure_ascii=False，不然中文会变成\uXXXX的转义序列，虽然能恢复，但人眼完全没法阅读。

这种方式有一个明显的问题：长期记忆和短期记忆混在一起。如果把几周的全部对话都塞进上下文，token消耗会很吓人，而且模型会"记住"太多旧事，反而忽略了当下的重点。我在项目中做了一层区分：全局历史只用于"记忆唤醒"，实际传给API的仍然是最近20轮对话。

什么叫"记忆唤醒"？在用户启动程序时，我用一段额外的系统提示词，让AI基于长期记忆做一次简要总结——"根据我们的历史对话，你记得关于我的哪些信息？"然后把总结结果作为一条system消息传给当前会话。这样AI既"记得"长期信息，又不会因为历史太长而影响对话质量。

4.2 情绪识别模块：让AI更懂你的状态

纯靠对话，AI很难精准判断用户的情绪状态。我加了一个轻量级的情绪识别模块，在每次用户输入后自动附加一个情绪标签。这样做的好处是，AI在回复时能参考用户的情绪标签来调整语气。

实现方案有两种。一种是写规则，用关键词匹配（如"烦死了""焦虑""开心"）来判断情绪。这种方式简单但粗糙，覆盖面有限。另一种是让AI自己判断——在System Prompt里要求模型在每次回复前，先识别用户情绪，但不要把分析过程展示给用户。

我在项目中选了第二种方案，因为它利用了大模型的理解能力，不需要维护关键词库。具体做法是在System Prompt末尾追加：

code复制在每次回复用户之前，先在心里判断用户当前的情绪状态（如：平静、焦虑、兴奋、低落、矛盾等）。
根据情绪状态调整你的语气：
- 情绪低落时：更温和，先共情再提问；
- 情绪高涨时：可以更直接，帮助用户抓住这股劲；
- 情绪矛盾时：帮助用户理清冲突的根源。
不要在回复中提及你对情绪的标注。

这个设计用起来非常顺。实测下来，加入情绪识别后，AI的回复明显更"体贴"了——用户说"今天太累了"，AI不会机械地回答"请具体描述你累的原因"，而是先接住情绪，再温和地引导。这其实就是模拟一个优秀教练的对话方式：先共情，再工作。

4.3 数据可视化：把复盘变成成长曲线

到了这一步，你手头已经有了一份按日期积累的Markdown复盘文件。这些数据如果常年躺着不动，价值就打折扣了。我一直觉得，机器的优势之一就是能客观地呈现"人看不见的模式"——比如你可能会惊讶地发现，每个月的第三周都是你情绪最低落的时期。

数据可视化可以作为Python脚本独立运行，和聊天机器人解耦。我用的方案是：先写一个脚本解析reviews目录下的所有Markdown文件，提取"情绪状态"字段和"行动计划"数量，然后生成一个简单的统计图和文本报告。

bash复制pip install pandas matplotlib

解析和绘图的核心逻辑不复杂，但在处理中文标签时会遇到一个经典问题：matplotlib默认字体不支持中文，图上的中文全部变成方框。解决方法是手动指定中文字体：

python复制import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei"]  # Windows
# 或者
plt.rcParams["font.sans-serif"] = ["Arial Unicode MS"]  # macOS

这一步不设置好，所有图表的标题、标签都会是乱码，这是我做可视化时踩过最典型的坑。设置完字体后，就可以按日期画出情绪变化曲线，看看自己这一段时间的心态起伏，非常直观。

4.4 本地部署方案：完全离线怎么搞

前面说了API方案省钱省心，但它依赖网络、数据也在第三方服务器上。如果你对隐私特别敏感，或者想完全离线使用，可以考虑本地部署开源模型。目前性价比比较高的方案是Ollama加Qwen系列模型。

安装Ollama后，一条命令就能把模型拉下来跑起来：

bash复制ollama run qwen2.5:7b

然后用OpenAI兼容的接口在Python里调用：

python复制import ollama

response = ollama.chat(
    model="qwen2.5:7b",
    messages=[{"role": "user", "content": "你好"}]
)
print(response["message"]["content"])

本地部署的优点显而易见：数据不出本机、不需要联网、没有按量计费。但代价也很直接——模型智商相比商业API有明显差距，尤其是在指令遵循和复杂逻辑推理上。实测下来，同一个System Prompt，在API模型上能稳定执行"先共情再提问"，在本地7B模型上就经常跑偏，偶尔会直接给建议甚至说教。

我的建议是：如果只是日常自用、对效果要求不高，本地部署完全够；如果你想让AI真正扮演好"人生教练"的角色，API方案目前还是更可靠的选择。两者也可以结合：日常闲聊用本地模型省成本，深度对话切API模型保证质量。

5. 常见问题与排查技巧实录

5.1 API调用失败的五个典型错误

做一个AI应用，调试API是绕不开的环节。我把这段时间遇到的典型报错和排查思路整理成了一个速查表，遇到类似问题可以直接对照。

InvalidApiKey（API密钥无效）：最常见的原因是在.env里填错了密钥、复制时多了空格、或者文件没被正确加载。排查方法是先在代码里打印一下API_KEY，确认它读取到了正确的值。

ModelNotFoundError（模型不存在）：模型名称拼写错误、或者当前账号没有该模型的访问权限。智谱AI等平台会把部分新模型限制在高等级账号下，普通免费账号用不了。我遇到过用错了模型ID，把"glm-4-flash"写成了"glm-4"，结果提示模型不存在的情况。

ContextLengthExceeded（上下文超长）：messages列表太长，超出了模型的上下文窗口。排查思路是检查是不是history没有被截断、或者一次性塞入了太多历史信息。我通常的做法是在代码里显式限制历史长度，并在发送前打印消息数做确认。

TimeoutError（请求超时）：网络波动或者服务商临时过载。常见于并发请求时，或者连续多次调用间隔过短触发限流。最简单的处理是重试机制，加上指数退避策略，而不是无脑快速重试。

RateLimitExceeded（请求频率超限）：免费模型通常有每分钟请求次数限制。个人使用场景下很少触发，但如果你的程序写了重试循环，就可能在一次错误后疯狂重试，反而触发限流。记住：重试前一定要sleep几秒。

5.2 提示词调优的三个心得

提示词是这个项目的灵魂，代码本身反而不是重点。调试系统提示词时，我踩过不少坑，总结出三条心得。

第一条心得是：所有的负面约束，都必须配上正面替代方案。单写"不要直接给建议"AI能听懂，但容易走向另一个极端——什么都不说，全程只会反问"你觉得呢？"。这也很让人崩溃。正确写法是："不要直接给建议，但可以通过提问帮助用户自己找到答案"。给了替代方案，AI才知道该怎么做。

第二条心得是：提示词需要分层，而不是一大段糊在一起。我的System Prompt总共分为五个段落：核心使命、对话规则、工作流程、特殊指令、情绪调节。每一层解决一个问题。如果把它们混在一起写，模型会抓不住重点，执行起来会漏项。分段加上小标题，效果会好非常多。

第三条心得是：用一两句具体示例来锚定输出格式。AI最擅长的就是模仿。如果你想要它输出结构化的复盘总结，与其说"输出要结构化"，不如直接给一个例子："如：今日主题：职业规划；关键洞察：发现自己对稳定性与挑战性之间存在矛盾；情绪状态：平静中略带焦虑。"模型看到例子后会照猫画虎，比抽象描述靠谱得多。

5.3 值得做的两个数据保护措施

自己在本地搭AI应用，数据安全这根弦还是要绷一下。我做了两件事，成本很低，但很值得。

第一件事是对话内容的本地加密。如果采用JSON或Markdown文件存储对话历史，在云盘同步时会有泄露风险。我个人的做法是使用系统自带的加密功能，macOS上用"加密磁盘映像"，Windows上用BitLocker加密文件夹。虽然多了一步操作，但数据安全等级完全不同，尤其涉及个人成长、情绪这类敏感话题时，这个措施值得做。

第二件事是定期清理prompt历史中的隐私碎片。在对话中，用户可能会无意间透漏家庭住址、工作单位、身份证号之类的敏感信息。时间久了，这些信息就沉淀在历史文件里了。我建议每次复盘保存后，养成一个习惯：清理掉含敏感信息的对话记录，只保留结构化的复盘摘要。这些摘要是经过AI提炼的，已经去掉了大部分隐私细节，适合长期保存。

5.4 从"好玩"到"有用"的体验调优

最后聊聊怎么让这个聊天机器人真正"用起来"。很多程序员朋友做AI玩具，做完了玩两天就扔到一边，核心原因是不够"有用"。我做了几个小调整，让整个项目从"玩具"变成了"每天会用"的工具。

第一个调整是用固定模板启动对话。每次运行程序时，AI不再是干巴巴地等用户开口，而是按照晨间/晚间模板主动发起对话："早上好。昨天你提到想开始晨跑，今天进展如何？"这种主动引导式的开场，极大降低了用户的启动成本。

第二个调整是增加每周回顾。每周日，我加了一个命令"周回顾"，AI会基于本周所有的复盘记录，生成一份周报：本周核心收获、未完成的计划、下周建议。这个功能相当于给整个项目加了一个"迭代反馈回路"，你会看到自己的成长轨迹。

第三个调整是随时暂停，不强迫"聊完"。一开始我把对话流程设计得很严格，必须聊完复盘才算结束。后来发现这反而制造了压力——有时候用户就是不想聊了。后来我改成：任何时刻输入"下次再聊"，AI都会简短收尾并保存当前进度。等下次再打开时，AI会接着上次没聊完的话题继续。这个体验调整让整个工具变得非常"可用"。

写在最后的个人实践体会

把整个项目跑通之后，我最大的感受是：技术难点从来不在调用API，而在于把AI的行为框定在一个稳定、可预期的范围内。写提示词、调参数、设计交互逻辑，这些才是需要反复打磨的环节。而恰恰是这些环节，决定了你的聊天机器人是一个"偶尔玩玩的新鲜玩具"，还是一个"每天打开、舍不得删的个人工具"。

我个人在实际使用中发现，最有价值的不是AI给了我多少建议，而是它通过不断提问，逼着我把脑子里模糊的念头变成说得出口的话。很多问题在说清楚的那一瞬间，答案已经浮现了。这个聊天机器人的本质，其实就是一面会追问的镜子，让你在对话中，一点一点想明白自己想要什么。

最后再分享一个小技巧：如果你也想搭一个类似的项目，建议从最小的版本开始——就是那个只有50行的命令行聊天程序。先让它跑起来，加人设、加记忆、加复盘都是后续的事情。不要一上来就想着把所有功能都做全。小步快跑，一个功能一个功能地加，每一步都真实体验到变化，这才是做个人项目最快乐的方式。