Spring AI Alibaba 实战项目-智能聊天助手-6 用户特征记忆与个性化对话
第6期：用户特征记忆与个性化对话
前言
第5期我们引入了 MCP 协议，实现了物流查询服务。经过前5期的迭代，项目已经具备了流式聊天、多轮对话、RAG 知识库、联网搜索、MCP 工具调用等能力。
但还有一个明显的短板：AI 不记得用户是谁。
每次对话都是"陌生人模式"——你说过喜欢简洁回答，下个会话 AI 又长篇大论；你提到过自己是 Java 开发，换个话题 AI 就忘了。传统的多轮对话记忆只在当前会话有效，跨会话就归零了。
这个问题在业内已有成熟方案——用户特征记忆（User Feature Memory）。ChatGPT 的 Memory 功能、豆包的"记住我的偏好"都属于这类能力。本期我们来实现它。
方案设计
用户特征记忆 ≠ 聊天记忆。两者的区别：
| 维度 | 聊天记忆 | 特征记忆 |
|---|---|---|
| 作用域 | 当前会话 | 全部会话 |
| 存储内容 | 对话原文 | 提炼后的用户画像 |
| 持久性 | 会话结束后可清理 | 长期保留 |
| 用途 | 保持上下文连贯 | 个性化回答 |
核心思路分三步：
会话 A: "我喜欢吃胡萝卜"
│
▼
AI 提取 → "用户喜欢吃胡萝卜"
│
▼
存入 user_memory 表
│
▼
会话 B: "你知道我喜欢吃啥吗？"
│
▼
加载记忆 → 注入 system prompt
│
▼
AI: "你喜欢吃胡萝卜"
关键节点有两个：
- 提取：聊天结束后，AI 自动从对话中提取用户特征，去重写入
- 注入：每次聊天前，将已有记忆拼入 system prompt，让 AI 感知用户画像
数据库设计
新增 user_memory 表，用于持久化存储用户特征：
CREATE TABLE IF NOT EXISTS `user_memory` (
`id` BIGINT AUTO_INCREMENT PRIMARY KEY,
`user_id` BIGINT NOT NULL,
`content` TEXT NOT NULL COMMENT '记忆内容，如"用户喜欢简洁回答"',
`category` VARCHAR(32) NOT NULL DEFAULT 'OTHER' COMMENT 'PREFERENCE / PERSONAL_INFO / HABIT / OTHER',
`source` VARCHAR(32) NOT NULL DEFAULT 'MANUAL' COMMENT 'CHAT_EXTRACT / MANUAL / SYSTEM',
`source_conversation_id` VARCHAR(64) DEFAULT NULL COMMENT '来源会话ID',
`confidence` INT DEFAULT 1 COMMENT '置信度，反复出现则递增',
`created_at` DATETIME DEFAULT CURRENT_TIMESTAMP,
`updated_at` DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
INDEX `idx_user_id` (`user_id`),
INDEX `idx_category` (`category`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户特征记忆表';
几个关键字段的设计意图：
category：记忆分类（偏好/个人信息/习惯/其他），方便 UI 按类展示，也为未来按场景筛选埋下伏笔confidence：置信度。同一条记忆被多次验证则递增，避免"随口一说"被当成稳定特征source：区分是 AI 自动提取还是用户手动添加，用户手动添加的具有更高优先级
后端实现
Entity 与枚举
// MemoryCategory.java
public enum MemoryCategory {
PREFERENCE, // 偏好
PERSONAL_INFO, // 个人信息
HABIT, // 习惯
OTHER // 其他
}
// MemorySource.java
public enum MemorySource {
CHAT_EXTRACT, // AI 从聊天中提取
MANUAL, // 用户手动添加
SYSTEM // 系统预设
}
// UserMemory.java
@Data
@TableName("user_memory")
public class UserMemory {
@TableId(type = IdType.AUTO)
private Long id;
private Long userId;
private String content;
private String category;
private String source;
private String sourceConversationId;
private Integer confidence;
private LocalDateTime createdAt;
private LocalDateTime updatedAt;
}
Service 核心逻辑
服务层有四个核心方法：
1. 记忆增删查——标准的 MyBatis-Plus CRUD，走 lambdaQuery，按 user_id 隔离
2. 记忆摘要生成——将用户所有记忆拼接成自然语言文本，用于注入 system prompt：
public String getMemoriesSummary(Long userId) {
List<UserMemory> memories = listByUserId(userId);
if (memories.isEmpty()) return "";
return memories.stream()
.map(m -> "- " + m.getContent())
.collect(Collectors.joining("\n"));
}
输出示例：
- 用户喜欢吃胡萝卜
- 用户居住在深圳
- 用户是 Java 开发工程师
3. AI 自动提取——这是最核心的方法。每次聊天结束后，取最近 6 条消息（约 3 轮对话），调用 AI 进行分析：
public void extractFromConversation(String conversationId, Long userId) {
// 取最后 6 条消息
List<Message> messages = messageService.lambdaQuery()
.eq(Message::getConversationId, conversationId)
.orderByDesc(Message::getCreatedAt)
.last("LIMIT 6")
.list();
java.util.Collections.reverse(messages);
if (messages.size() < 2) return;
// 拼接对话文本
String dialogText = messages.stream()
.map(m -> (MessageRole.USER.name().equals(m.getRole()) ? "用户" : "AI") + ": " + m.getContent())
.collect(Collectors.joining("\n"));
// 已有记忆作为参考，供 AI 去重
List<UserMemory> existingMemories = listByUserId(userId);
String existingText = existingMemories.isEmpty() ? "无" :
existingMemories.stream().map(UserMemory::getContent).collect(Collectors.joining("\n"));
String prompt = """
以下是最近一段对话。请从中提取用户透露的个人信息、偏好、习惯等特征。
要求：
- 只提取关于**用户本人**的特征，不要提取AI的表达
- 分类请从以下选择：PREFERENCE（偏好）、PERSONAL_INFO（个人信息）、HABIT（习惯）
- 输出格式：分类|内容，每行一条
- 如果对话中没有新信息，直接输出"无"
以下是用户已有的记忆，请忽略已存在的内容：
%s
对话：
%s
""".formatted(existingText, dialogText);
String result = chatClient.prompt().user(prompt).call().content();
// ... 解析结果，去重写入 ...
}
几个设计细节：
- 取 6 条而不是全量：避免每次全量扫描历史，降低成本；同时保留足够上下文消除歧义（用户说"我喜欢"，AI 知道指的是胡萝卜而不是别的）
- 传已有记忆给 AI 参考：让 AI 自行去重，避免重复提取
- 异步执行：在
doFinally中调用，不阻塞响应流
Graph 改造：注入 System Prompt
这是让 AI "记住"用户的关键环节。在 ConversationServiceImpl.chat() 中构建 graph state 时，将用户记忆摘要传进去：
// ChatNode.apply()
String userMemorySummary = state.value("userMemorySummary", "");
if (!userMemorySummary.isEmpty()) {
systemPrompt += "\n\n以下是你对用户的了解（请基于这些信息个性化回答）：\n" + userMemorySummary;
}
如此一来，每次聊天时 AI 都会看到关于用户的特征描述，并据此调整回答风格和内容。
这里有个取舍：新增的记忆要下一条消息才能生效。因为提取逻辑在 doFinally（流结束后异步执行），当前的 response 已经发出去了，无法动态更新 system prompt。这个"延迟一个回合"对用户体验影响不大，但保持了架构的简洁。
前端实现
API 封装
// src/api/userMemory.js
import client from './client';
export const userMemoryApi = {
list: () => client.get('/user/memory/list'),
add: (body) => client.post('/user/memory/add', body),
delete: (id) => client.delete(`/user/memory/delete/${id}`),
};
UserMemoryDrawer 组件
用 Ant Design 的 Drawer 实现了一个记忆管理抽屉：
功能包括：
- 展示：分类标签（偏好=金色、个人信息=蓝色、习惯=绿色）+ 内容
- 添加：输入框 + 分类下拉选择 + 添加按钮，一行排布
- 删除：带 Popconfirm 确认的删除按钮
function UserMemoryDrawer({ open, onClose }) {
// ... 状态管理 ...
return (
<Drawer title="我的记忆" open={open} onClose={onClose} width={400}>
<div style={{ marginBottom: 16, display: 'flex', gap: 8 }}>
<Input ... />
<Select ... /> {/* 分类选择 */}
<Button ... /> {/* 添加按钮 */}
</div>
<Table dataSource={memories} ...>
{/* 分类标签列 | 内容列 | 删除操作列 */}
</Table>
</Drawer>
);
}
Chat 页面集成
在顶部栏新增"我的记忆"按钮，点击打开抽屉：
<Button type="link" onClick={() => setMemoryDrawerOpen(true)} style={{ marginRight: 8 }}>
我的记忆
</Button>
<UserMemoryDrawer open={memoryDrawerOpen} onClose={() => setMemoryDrawerOpen(false)} />
效果展示
场景：跨会话记住用户信息
会话 A：
新会话 B：
用户直接问"你知道我喜欢吃啥吗"，AI 准确回答出"喜欢吃胡萝卜"——因为 system prompt 中注入了用户记忆摘要。
记忆管理界面：
用户可以在抽屉中查看所有已记住的特征，支持手动添加和删除。
架构总览
经过 6 期迭代，项目架构如下：
┌─────────────────────────────────────────────────────────┐
│ app-frontend (React) │
│ ┌──────────┐ ┌──────────┐ ┌──────────────────────┐ │
│ │ 会话列表 │ │ 消息列表 │ │ 消息输入(联网搜索开关) │ │
│ └──────────┘ └──────────┘ └──────────────────────┘ │
│ ┌──────────────────────────────────────────────────┐ │
│ │ UserMemoryDrawer │ │
│ │ (查看/添加/删除用户特征) │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────┬──────────────────────────────────┘
│ HTTP / SSE
▼
┌─────────────────────────────────────────────────────────┐
│ app (Spring Boot) │
│ ┌──────────┐ ┌──────────┐ ┌──────────────────────┐ │
│ │ 认证模块 │ │ 会话模块 │ │ ConversationService │ │
│ └──────────┘ └──────────┘ │ ┌───────────────┐ │ │
│ ┌──────────────────────┐ │ │ Graph State │ │ │
│ │ UserMemoryService │────┼──→│ +userId │ │ │
│ │ ┌─────────────────┐ │ │ │ +userMemory │ │ │
│ │ │ AI 自动提取 │ │ │ │ +message │ │ │
│ │ │ 手动添加/删除 │ │ │ │ +ragContext │ │ │
│ │ │ 生成记忆摘要 │ │ │ └──────┬────────┘ │ │
│ │ └─────────────────┘ │ └──────────┼─────────────│ │
│ └──────────┬───────────┘ │ │
│ │ ▼ │
│ │ ┌────────────────┐ │
│ │ │ ChatNode │ │
│ │ │ systemPrompt │ │
│ │ │ + 用户特征摘要 │ │
│ │ └────────────────┘ │
└─────────────┼───────────────────────────────────────────┘
│
┌────────┴────────┐
▼ ▼
┌──────────┐ ┌──────────┐
│ MySQL │ │ Redis │
│ user │ │ token │
│ user_memory│ │ checkpoint│
│ message │ │ vector │
│ conversation│ └──────────┘
│ document │
└──────────┘
踩坑记录
提取粒度：全量 vs 单条 vs 最近 N 条
最初想的是每次提取只分析用户最新的一条消息，省成本。测试发现不行：
用户：你喜欢吃胡萝卜吗
AI：我只是个AI，我没有偏好。
用户：我喜欢
单看"我喜欢"，AI 无法确定喜欢什么。改为分析最近 6 条消息后，上下文足够 AI 理解指代关系了。
下期预告
第6期实现了用户特征记忆，AI 能跨会话记住用户了。但目前的记忆存储是简单的表结构，只能精确匹配，无法做语义关联。
第7期将聚焦多轮会话压缩，解决长对话中 token 膨胀和上下文窗口溢出的问题，让聊天系统能稳定支持超长对话。
第6期完整代码已提交至 GitHub，欢迎 star 和讨论。
浙公网安备 33010602011771号