本文档介绍基于腾讯云 TDAI Memory 服务构建个性化 AI 助手的实现方案，通过记录用户历史对话和偏好数据，使 AI 能够提供更精准的个性化服务。
参考代码
Demo 展示使用 CrewAI 作为 AI Agent 框架，基于腾讯云 TDAI Memory 构建个性化对话助手。
请点击下载：memory_sample.zip。
参考代码各文件说明，请参见下表。
核心组件 | 文件名 | 具体说明 |
记忆存储 | config.py | TDAI Memory 客户端配置：通过 API 密钥、访问地址、记忆 ID 连接腾讯云服务。 |
| memory_tool.py | 与 Memory 服务交互的客户端程序，封装了与腾讯云 TDAI Memory 服务的所有交互，提供简化的 API 接口供业务层调用。 |
记忆初始化 | append_event.py | 初始化用户记忆数据，批量添加历史对话事件。 批量记忆写入：通过模拟历史对话初始化用户偏好。 时间序列记忆：按时间顺序记录用户饮食偏好、过敏信息、餐厅评价等。 多轮对话记忆：记录用户与助手的交互历史。 |
智能对话层 | fast_retrieval.py | 使用基础的 search_user_memory 进行快速记忆搜索。 响应速度：立即返回结果，适合快速对话场景。 检索深度：标准语义搜索，返回最相关的记忆片段。 用户体验：对话流程连续，用户等待时间短。 |
| async_retrieval.py | 使用 deepsearch 进行异步深度搜索。 响应速度：后台线程执行，不阻塞主对话流程。 检索深度：更全面的记忆挖掘，支持模型摘要。 用户体验：即时回复 + 后台深度优化。 |
项目依赖 | requirements.txt | 该项目使用了三个核心依赖包，构成了一个现代化的 AI 应用开发栈： crewai>=0.80.0：多代理 AI 框架，构建和管理多个 AI 代理的协作系统。 openai>=1.0.0：OpenAI API 客户端，与 OpenAI 的 GPT 模型进行交互。 pydantic>=2.0.0：数据验证和序列化，提供安全的 API 数据验证。 |
操作指导
操作步骤 | 具体说明 | ||
1 | 准备事项 | 安装依赖 | 根据 requirements.txt 文件，配置项目需要的核心依赖。 |
2 | | 配置服务 | 在 config.py 文件中分别配置模型服务（生成回复）和 Memory 服务（存储和检索记忆）相关参数。 |
3 | 数据初始化 | 通过 append_event.py 脚本，写入模拟的用户与 Agent 的关键历史对话。 | |
4 | 实时快召回 | 通过关键词匹配和向量相似度搜索技术，实现快速召回。 | |
5 | 异步慢召回 | 基于 deepsearch方法实现的异步慢召回实现。 | |
