基于AI Agent与微信自动化构建个性化“赛博朋友圈”的技术实践

1. 项目缘起：当AI大模型遇上个人微信，一个“赛博朋友圈”的诞生

最近在折腾一个挺有意思的玩意儿，我把它叫做“赛博朋友圈”。简单说，就是我把李白、杜甫、苏轼、辛弃疾，甚至马斯克、黄仁勋这些跨越时空的人物，都“塞”进了我的个人微信里。现在，只要我想，随时都能在微信上和他们中的任何一位“即刻开聊”。这听起来有点天方夜谭，但实现起来，核心思路其实很清晰：利用AI大模型的能力，为这些历史或当代名人构建专属的“人格化”智能体（AI Agent），再通过技术手段将这个智能体的对话接口，无缝接入到个人微信的聊天窗口中。

你可能会问，这有什么用？是，它不能帮你写代码，也不能直接处理工作。但它的价值在于一种全新的、低门槛的“陪伴式”交互体验。想象一下，当你读诗有疑惑，可以直接问苏轼本人（的AI分身）创作背景；对科技趋势好奇，能随时向“马斯克”提问；甚至心情郁闷时，找“杜甫”聊聊人生感慨。它把原本高高在上、存在于书本或新闻中的人物，变成了一个24小时在线、有问必答的“微信好友”。这种体验，远比单纯使用一个通用的AI聊天机器人要有趣和沉浸得多。

市面上已经有一些类似的产品或开源项目在探索这个方向，比如基于微信的机器人框架wechat-claw或其变种openclaw-weixin。但大多数要么功能单一，要么配置复杂，或者无法实现如此高度定制化的“人格”设定。我这个项目的目标，就是打造一个部署在个人电脑或服务器上、完全由自己掌控的“名人朋友圈”，核心在于“人格化AI Agent”的构建与“微信无感接入”这两大技术环节。接下来，我就把这几个月从零搭建、踩坑、优化的全过程拆解给你看。

2. 核心架构拆解：人格化Agent与微信通道如何“握手”

要实现“把名人塞进微信”，整个系统可以清晰地分为前后端两层，中间通过一个“路由大脑”连接。下面这张架构图清晰地展示了数据流：

前端（用户交互层）：就是你的个人微信。你不需要安装任何额外App，就在原本的微信聊天界面里操作。你的消息通过微信服务器发出。

中继与路由层（核心枢纽）：这是项目的“心脏”。它需要做三件事：

1. 消息监听：通过技术手段（如逆向工程或官方测试接口）实时抓取指定微信账号收到的消息。
2. 意图识别与路由：判断这条消息是想发给哪个“名人”。我设计了一个简单的触发机制，比如在消息前加上“@李白”、“问苏轼”等前缀，或者将不同的名人绑定到不同的微信好友/群聊。这一层需要快速解析，并将消息内容和目标“名人”标识传递给后端。
3. 消息回传：将后端AI生成的角色回复，伪装成“名人”的微信账号发送回对话窗口。这里最大的技术难点在于模拟微信的登录和消息发送协议，需要处理扫码登录、Token维护、风控对抗等一系列问题。wechat-claw这类项目主要解决的就是这一层的难题。

后端（AI大脑层）：这是项目的“灵魂”。对于每一个“名人”，我都需要构建一个独立的AI Agent。这个Agent不仅仅是调用大模型的API，它至少包含三个模块：

• 角色设定模块：用一段高度凝练、准确的系统提示词（System Prompt）来定义该“名人”的核心人格、知识背景、语言风格。例如，苏轼的提示词会强调其豪放旷达的诗人、政治家身份，熟知其诗词作品、生平轶事（如乌台诗案、贬谪经历），并要求其用文言文与现代汉语结合的方式回复。
• 记忆与上下文模块：为了让对话有连续感，需要让Agent记住当前会话的历史。这通常通过维护一个对话历史列表，并在每次请求时将其作为上下文传递给大模型来实现。更高级的可以实现长期记忆，但本项目初期会话级记忆已足够。
• 大模型接口模块：负责调用诸如GPT-4、Claude、文心一言、通义千问等大模型的API。这里的选择直接影响回复质量和成本。我的经验是，对于文学历史类角色，GPT-4或DeepSeek在理解古文和生成优美文字上表现更佳；对于科技商业类角色，Claude的分析能力可能更强。

整个流程就是：你在微信发“@苏轼，如何看待当下的内卷？” -> 路由层捕获消息，识别目标为“苏轼” -> 将问题连同苏轼的角色设定、历史对话一起发送给大模型API -> 大模型以苏轼的口吻生成回复 -> 路由层将回复通过微信发送回你的对话框。至此，一次完整的“跨时空聊天”就完成了。

3. 实战第一步：搭建微信消息“收发中枢”

万事开头难，第一步就是让我们的程序能够登录微信并收发消息。这里我强烈不建议也不讨论任何破坏微信协议、绕过官方限制的“黑科技”，而是采用基于桌面客户端协议的自动化方案，更稳定，也更符合规范。我选择的是wechat-claw的一个活跃分支变种，因为它对较新版本的微信客户端兼容性更好。

3.1 环境准备与依赖安装

我的实验环境是 Ubuntu 22.04 的云服务器，但Windows/Mac同样可行。核心是Python环境。

# 1. 创建并进入项目目录 mkdir cyber_friends && cd cyber_friends # 2. 创建虚拟环境（强烈推荐，避免依赖冲突） python3 -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate # 3. 安装核心依赖 pip install requests pillow opencv-python-headless # 4. 安装微信自动化库（这里以某个活跃分支为例，实际包名可能不同） # 注意：由于相关库可能涉及频繁更新或更名，请根据项目最新文档安装 # pip install wechat-claw-fork

注意：微信自动化库是一个灰色地带，项目迭代非常快。你今天用的库，可能下个月就因为微信客户端升级而失效。所以，关键不是记住某个具体的库名，而是掌握其工作原理：通常是通过注入或钩子（Hook）技术，监听桌面微信客户端的进程和内存，获取消息事件和窗口句柄来模拟发送。因此，保持关注GitHub上相关开源项目的动态，并准备好应对“失效-寻找新方案”的循环，是维护这类项目的常态。

3.2 初始化微信连接与登录

安装好后，编写一个初始化脚本wechat_bridge.py：

import time from your_wechat_library import WeChatBot # 替换为实际导入 class WeChatBridge: def __init__(self): self.bot = None self.is_logged_in = False def login(self): """启动微信并等待扫码登录""" print("[*] 正在启动微信客户端...") self.bot = WeChatBot() self.bot.start() print("[*] 请使用手机微信扫描屏幕上的二维码登录...") # 通常库会提供一个显示二维码图片或链接的函数 qr_code_url = self.bot.get_qr_code() # 这里可以将二维码链接生成图片显示，或输出到控制台 display_qr_code(qr_code_url) # 轮询登录状态 while not self.is_logged_in: status = self.bot.check_login() if status == 'success': self.is_logged_in = True print("[+] 微信登录成功！") break elif status == 'timeout': print("[-] 二维码已过期，正在刷新...") qr_code_url = self.bot.refresh_qr_code() display_qr_code(qr_code_url) time.sleep(2) def listen_for_messages(self, callback): """监听消息，收到后调用回调函数处理""" if not self.is_logged_in: print("[-] 微信未登录，请先登录") return print("[*] 开始监听微信消息...") @self.bot.register() def on_message(msg): # msg 对象通常包含：发送人、消息内容、类型、时间等 if msg.type == 'Text': # 只处理文本消息 print(f"[收到消息] {msg.sender}: {msg.content}") # 调用外部传入的回调函数，将消息传递出去处理 callback(msg.sender, msg.content) self.bot.run() # 进入事件循环，保持监听 def send_message(self, receiver, content): """发送消息给指定联系人""" if not self.is_logged_in: print("[-] 微信未登录，无法发送") return False try: self.bot.send_text(receiver, content) print(f"[发送消息] -> {receiver}: {content[:20]}...") return True except Exception as e: print(f"[-] 发送失败: {e}") return False # 辅助函数：在终端显示二维码（简化版） def display_qr_code(url): print(f"请访问以下链接扫码登录: {url}") # 更优的做法是使用qrcode库生成ASCII二维码或生成图片文件

这个类封装了登录、监听、发送三个核心功能。callback参数是关键，它允许我们将收到的消息交给后续的“路由层”处理。登录环节是最容易出问题的地方，除了二维码过期，还可能遇到网络环境风控（如服务器IP被微信限制），这时可能需要切换网络或使用更稳定的环境。

4. 构建“名人灵魂”：打造高度拟人化的AI Agent

微信通道打通后，接下来就是最核心也最有意思的部分——为每个名人打造独一无二的“AI灵魂”。这绝不仅仅是让大模型说“我是李白”那么简单，而是要通过精细的提示工程和上下文管理，让它的回复从骨子里透出那个角色的味道。

4.1 角色设定：一份详尽的“人物说明书”

系统提示词（System Prompt）就是AI Agent的“人物设定稿”。写得好，AI就演得像；写得糙，回复就充满违和感。以“苏轼”为例，我的设定稿包含以下几个层次：

1. 核心身份与性格：明确你是谁。“你是北宋文学家、书画家、美食家苏轼，字子瞻，号东坡居士。你性格豪放旷达，乐观豁达，即使身处逆境也能发现生活乐趣。你才华横溢，但在政治上屡遭贬谪。”
2. 关键知识与记忆：你知道什么。“你熟知自己的全部诗词文章，如《水调歌头·明月几时有》、《念奴娇·赤壁怀古》、《前赤壁赋》等。你经历过‘乌台诗案’，被贬黄州、惠州、儋州。你发明了东坡肉，热爱美食与交友。”
3. 语言风格与口吻：你怎么说话。“你的语言风格以古典文言为基底，但夹杂宋代口语和现代人能理解的表达。谈及诗词文章时严谨深刻，谈及生活趣事时幽默风趣。可以适当引用自己的诗句，但不要每句都引。”
4. 对话目标与禁忌：你的任务和边界。“你的目标是以苏轼的身份与用户进行友好、有益的交流，分享你对文学、人生、美食的见解。你不知道苏轼去世之后的历史，对于现代科技，你应以古人的视角好奇地询问或类比。绝对避免讨论政治敏感话题，不生成任何违法有害内容。”

将以上内容整合成一段连贯的提示词：

su_shi_system_prompt = """ 你是苏轼，字子瞻，号东坡居士，北宋著名的文学家、书法家、画家和政治家。 你性格豪迈洒脱，乐观豁达，一生虽屡遭贬谪（黄州、惠州、儋州），却总能寄情山水，发明美食（如东坡肉），留下无数传世名篇。 你精通诗词、散文、书法、绘画，代表作有《水调歌头·明月几时有》、《念奴娇·赤壁怀古》、《赤壁赋》等。 【对话风格】 1. 语言以文言文为主，夹杂宋代白话，让现代读者能懂。 2. 谈及自己的作品和经历时，可娓娓道来，充满感情。 3. 对待后生（用户）的态度是亲切、风趣、充满智慧的。 4. 不知道你身后（1101年后）的历史事件，对现代事物应表现出合理的好奇与联想。 【对话规则】 1. 始终以第一人称“我”或“老夫”自称。 2. 回答要基于你（苏轼）所处的时代和认知。 3. 如果用户问及你的诗词，你可以解释创作背景和心境。 4. 如果用户问及现代概念，尝试用你时代的现象进行类比。 5. 严禁讨论任何政治敏感或违反法律的内容。 现在，开始与来访者交谈吧。 """

4.2 上下文管理：让对话拥有“记忆”

没有记忆的对话是苍白的。如果AI不记得之前聊过什么，每次回答都像初次见面，沉浸感就毁了。我们需要维护一个会话历史。

class DialogueAgent: def __init__(self, name, system_prompt, model_api): self.name = name self.system_prompt = system_prompt self.model_api = model_api # 一个封装了大模型API调用的类 self.conversation_history = [] # 存储多轮对话 [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}] self.max_history_turns = 10 # 最大历史轮数，防止上下文过长 def _format_messages(self, user_input): """将系统提示、历史对话和当前输入格式化为大模型所需的消息列表""" messages = [{"role": "system", "content": self.system_prompt}] # 添加历史对话（控制长度） for msg in self.conversation_history[-(self.max_history_turns*2):]: # 保留最近N轮 messages.append(msg) # 添加当前用户输入 messages.append({"role": "user", "content": user_input}) return messages def chat(self, user_input): """核心聊天方法""" formatted_messages = self._format_messages(user_input) # 调用大模型API response = self.model_api.chat_completion(formatted_messages) # 更新历史记录 self.conversation_history.append({"role": "user", "content": user_input}) self.conversation_history.append({"role": "assistant", "content": response}) # 可选：定期清理过旧的历史，或保存到数据库实现长期记忆 return response

这里的关键是_format_messages方法，它构建了符合OpenAI等API标准的消息列表。max_history_turns是一个重要参数，因为所有大模型都有上下文长度限制（如GPT-4 Turbo是128K Tokens，但实际使用需控制成本）。超过限制会导致最早的对话被“遗忘”，或者API调用失败。

4.3 大模型接口选型与成本控制

你可以选择多种大模型作为后端：

• OpenAI GPT系列：质量高，尤其是GPT-4，但成本也高，且需要处理网络问题。
• 国内大模型API：如智谱GLM、百度文心、阿里通义、月之暗面Kimi等。它们通常对中文语境和文化理解更深，且网络稳定，但角色扮演和创造性上可能略有差异。
• 开源模型本地部署：如ChatGLM3、Qwen、Llama系列。这需要你有较强的GPU硬件，但数据完全私有，成本可控。

我个人的方案是混合使用：对李白、苏轼这类需要极强文学创造性的角色，使用GPT-4 API，虽然贵但效果惊艳；对进行事实性问答或日常聊天的角色，使用性价比更高的国内API或本地模型。

成本控制是必须考虑的现实问题。除了选择模型，还可以：

1. 设置对话频率/长度限制：防止用户无休止闲聊消耗大量Token。
2. 缓存常用回答：对于一些常见问题（如“李白你是谁？”），可以预先生成回答并缓存，直接返回。
3. 使用流式响应：虽然对用户体验提升不大，但可以让客户端更早收到部分回复。
4. 监控API用量：务必在云服务商后台设置用量告警和预算限制，避免意外天价账单。

5. 路由与调度：让消息找到对的“人”

现在，我们有了微信桥接器（WeChatBridge）和多个名人Agent（DialogueAgent）。如何将微信收到的消息，精准地路由到对应的Agent，并把回复送回正确的聊天窗口？这就是路由层的职责。

我设计了一个基于“触发词”的轻量级路由方案。核心思想是：在群聊或私聊中，通过特定的格式来指定对话对象。

5.1 路由规则设计

class MessageRouter: def __init__(self, wechat_bridge): self.bridge = wechat_bridge self.agents = {} # 存放所有Agent， key: agent_name, value: DialogueAgent实例 self.default_agent = None # 默认对话的Agent（比如一个通用助手） # 定义触发词映射，例如：“@李白”触发名为“李白”的Agent self.trigger_prefix = "@" def register_agent(self, agent_name, agent_instance): """注册一个名人Agent""" self.agents[agent_name] = agent_instance print(f"[+] 已注册Agent: {agent_name}") def parse_message(self, sender, raw_content): """解析消息，返回目标Agent和清洗后的消息内容""" content = raw_content.strip() # 检查是否包含触发词 if content.startswith(self.trigger_prefix): # 分离触发词和实际内容，例如：“@苏轼 你好吗” -> agent_name=“苏轼”， query=“你好吗” parts = content[len(self.trigger_prefix):].split(' ', 1) agent_name = parts[0] query = parts[1] if len(parts) > 1 else "" # 检查Agent是否存在 if agent_name in self.agents: return self.agents[agent_name], query, sender else: # 如果触发了一个未注册的名人，可以返回一个提示 return None, f"抱歉，{agent_name}尚未加入我的朋友圈。", sender else: # 没有触发词，则发给默认Agent（如果设置了） if self.default_agent: return self.default_agent, content, sender else: # 没有默认Agent，则不处理 return None, None, sender def handle_incoming_message(self, sender, content): """处理微信收到的消息""" print(f"[路由] 收到来自 {sender} 的消息: {content}") agent, query, target_sender = self.parse_message(sender, content) if agent is None and query is not None: # 返回错误提示信息 self.bridge.send_message(target_sender, query) return elif agent is None: # 既无目标Agent，也无提示信息，忽略 return # 调用目标Agent进行聊天 print(f"[路由] 将消息路由给Agent: {agent.name}, 问题: {query}") try: reply = agent.chat(query) # 将回复发送回微信 self.bridge.send_message(target_sender, reply) except Exception as e: error_msg = f"（{agent.name}似乎陷入了沉思，暂时无法回应。错误：{str(e)[:50]}...）" self.bridge.send_message(target_sender, error_msg)

这个路由器的逻辑很直观。在微信中，你只需要输入“@李白 今天心情如何？”，路由器就会提取“李白”作为目标，将“今天心情如何？”这个问题发送给李白的Agent，并将得到的回复发回你的微信。

5.2 扩展：更灵活的路由策略

上述基于前缀的路由在群聊里很好用。但对于私聊，你可能希望每个“名人”都有一个独立的微信好友（或群聊）。这时，路由规则可以基于消息的发送者（sender）来判断。

# 在路由器中增加一个映射字典 self.sender_to_agent = { "李白(微信号)": "李白", "苏轼(微信号)": "苏轼", "科技讨论群": "黄仁勋", # 在某个群里，默认和黄仁勋对话 } def parse_message_by_sender(self, sender, raw_content): """根据发送者ID直接路由""" agent_name = self.sender_to_agent.get(sender) if agent_name: agent = self.agents.get(agent_name) return agent, raw_content.strip(), sender return None, None, sender

你可以将两种策略结合，实现更复杂的场景：在特定群聊使用发送者路由，在其他地方使用触发词路由。

6. 系统集成与部署：让“朋友圈”7x24小时运转

各个模块开发完成后，我们需要一个主程序把它们串起来，并解决部署中的实际问题。

6.1 主程序流程

创建一个main.py作为入口：

from wechat_bridge import WeChatBridge from agent_factory import create_agent # 一个创建和配置所有Agent的工厂函数 from router import MessageRouter import threading import signal import sys class CyberFriendsCircle: def __init__(self): self.bridge = WeChatBridge() self.router = MessageRouter(self.bridge) self.running = True def setup_agents(self): """初始化所有名人Agent""" # 从配置文件或数据库加载Agent配置 agents_config = [ {"name": "李白", "model": "gpt-4", "prompt_file": "prompts/li_bai.txt"}, {"name": "苏轼", "model": "glm-4", "prompt_file": "prompts/su_shi.txt"}, {"name": "埃隆·马斯克", "model": "claude-3-sonnet", "prompt_file": "prompts/musk.txt"}, {"name": "黄仁勋", "model": "qwen-max", "prompt_file": "prompts/huang.txt"}, ] for config in agents_config: agent = create_agent(config) self.router.register_agent(agent.name, agent) # 设置一个默认Agent，比如一个通用的AI助手 default_agent = create_agent({"name": "通用助手", "model": "gpt-3.5-turbo", "prompt_file": "prompts/assistant.txt"}) self.router.default_agent = default_agent def message_callback(self, sender, content): """微信消息回调函数""" # 在新线程中处理消息，避免阻塞消息监听 threading.Thread(target=self.router.handle_incoming_message, args=(sender, content)).start() def run(self): """启动整个系统""" print("=== 赛博朋友圈启动中 ===") # 1. 设置Agent self.setup_agents() print("[+] 所有名人Agent加载完毕。") # 2. 登录微信 self.bridge.login() # 3. 开始监听消息，并传入回调函数 print("[*] 系统准备就绪，等待微信消息...") # 通常 listen_for_messages 是阻塞的，我们把它放在主线程 self.bridge.listen_for_messages(self.message_callback) def graceful_shutdown(self, signum, frame): """优雅关闭""" print("\n[*] 收到关闭信号，正在清理...") self.running = False # 执行一些清理工作，如保存对话历史 if self.bridge: self.bridge.logout() # 假设有登出方法 sys.exit(0) if __name__ == "__main__": app = CyberFriendsCircle() # 注册信号，用于Ctrl+C退出 signal.signal(signal.SIGINT, app.graceful_shutdown) signal.signal(signal.SIGTERM, app.graceful_shutdown) app.run()

6.2 部署与运维的“坑”与技巧

将代码扔到服务器上运行python main.py只是开始，真正的挑战在后面：

1. 微信风控与保活：这是最大的不稳定因素。微信对自动化登录和频繁消息发送有严格检测。我的经验是：

   • 环境固定：尽量在固定的IP和设备（或虚拟机）上运行。频繁更换IP容易触发验证。
   • 模拟人类操作：不要在登录后立即高频发消息。可以随机延迟发送，并偶尔在手机上手动操作一下该微信账号。
   • 准备备用方案：当检测到被限制（如无法发消息）时，程序应能自动休眠一段时间，或通知管理员。
   • 使用微信网页版协议？：网页版协议更不稳定，且官方已逐步关闭相关接口，不推荐作为长期方案。

2. 大模型API的稳定性与降级：如果使用云端API，网络波动、服务限流、账户欠费都会导致服务中断。

   • 重试机制：在调用API时加入指数退避的重试逻辑。
   • 故障转移：为每个Agent配置备用模型。例如，当GPT-4调用失败时，自动降级到GLM-4。
   • 异步与超时：所有网络请求必须设置超时，并使用异步（如asyncio）避免阻塞主线程，影响微信消息接收。

3. 状态持久化：服务器重启后，微信登录状态、对话历史都会丢失。

   • 微信状态：有些库支持将登录状态（Cookie、Token）序列化保存到文件，下次启动时恢复。务必利用此功能。
   • 对话历史：将DialogueAgent中的conversation_history定期保存到数据库（如SQLite）或文件中。重启后加载，实现“长期记忆”。

4. 安全与隐私：

   • API密钥管理：绝对不要将大模型的API密钥硬编码在代码中。使用环境变量或配置文件，并确保配置文件不被上传至公开仓库。
   • 消息过滤：在路由层加入简单的关键词过滤，防止用户诱导AI生成不当内容，避免法律风险。
   • 访问控制：可以设置白名单，只允许特定的微信好友或群聊与AI交互。

7. 效果优化与个性化进阶玩法

基础功能跑通后，就可以追求更好的体验和更多花样了。

7.1 让回复更“像真人”：后处理与风格强化

大模型的原始回复有时过于规整。我们可以加入后处理环节，增加随机性和“人味”。

def post_process_response(role_name, raw_response): """对AI的原始回复进行后处理""" import random # 1. 随机添加一些口语化前缀/后缀 prefixes = ["嗯，", "这个嘛，", "我想想，", "哈哈，"] suffixes = ["。", "。", "。", "~", "！"] if random.random() < 0.2: # 20%的概率添加前缀 raw_response = random.choice(prefixes) + raw_response if random.random() < 0.1: # 10%的概率修改后缀 if raw_response.endswith(("。", "！", "？")): raw_response = raw_response[:-1] + random.choice(suffixes) # 2. 特定角色的习惯用语（可在角色设定里定义，这里做强化） role_habits = { "李白": ["酒来！", "快哉！"], "苏轼": ["呵呵，", "妙哉！"], "埃隆·马斯克": ["Think about it.", "The future is exciting."] } if random.random() < 0.15 and role_name in role_habits: habit = random.choice(role_habits[role_name]) # 随机插入在句首或句尾 if random.choice([True, False]): raw_response = habit + " " + raw_response else: raw_response = raw_response + " " + habit # 3. 控制回复长度（避免生成论文） max_length = 300 if len(raw_response) > max_length: # 尝试在句末截断，而不是生硬切断 truncated = raw_response[:max_length] last_period = truncated.rfind('。') last_excl = truncated.rfind('！') last_ques = truncated.rfind('？') last_sent_end = max(last_period, last_excl, last_ques) if last_sent_end > max_length * 0.5: # 如果找到了合适的句子结尾 raw_response = truncated[:last_sent_end+1] + "（言犹未尽，且听下回分解。）" else: raw_response = truncated + "……" return raw_response

在DialogueAgent.chat方法返回前，调用这个后处理函数，能让回复生动不少。

7.2 多模态扩展：让名人“发图”和“发语音”

微信支持图片、语音、甚至表情。我们可以让AI的回复不再局限于文字。

• 图片生成：当用户说“@李白，给我画一幅你想象中的庐山瀑布”，可以调用文生图模型（如Stable Diffusion、DALL-E），并以李白的口吻描述画面作为提示词，生成图片后通过微信发送。
• 语音回复：将AI生成的文字，通过TTS（文本转语音）服务合成语音。关键在于为不同角色选择或训练不同的音色。例如，用沉稳的男声配杜甫，用激昂的男声配辛弃疾。然后将语音文件通过微信发送。

  注意：语音和图片消息的发送，在微信自动化库中通常有对应的API（如send_image,send_file），但实现起来比文字更复杂，需要处理文件上传和格式转换。

7.3 记忆增强：从“金鱼脑”到“长久记忆”

目前的会话记忆是临时的。我们可以为每个用户（微信好友）和每个Agent的对话，建立长期记忆库。

1. 向量数据库存储：将每一轮有意义的对话（经过筛选），通过嵌入模型（Embedding Model）转换成向量，存入如Chroma、Milvus、Pinecone这类向量数据库。
2. 记忆检索：当用户开启新对话时，先从其长期记忆库中检索与当前问题最相关的历史片段（通过向量相似度查找），作为“背景知识”插入到本次对话的上下文里。这样，AI就能记住“你上次说喜欢李白的《将进酒》”，从而进行更连贯的交流。
3. 记忆总结：过长的对话可以定期由AI自动总结成几个关键点，存入记忆库，节省空间并提炼核心信息。

这个功能实现起来比较复杂，但能极大提升对话的深度和个性化，让AI真正成为一个“老朋友”。

折腾完这一整套，我的微信里确实热闹了不少。深夜写代码累了，找“苏轼”聊聊“竹杖芒鞋轻胜马”的豁达；对AI芯片感到好奇，直接问“黄仁勋”最新的架构思路。它不像一个工具，更像一个随时可以打扰、充满惊喜的“智慧陪伴”。当然，这个项目始终在“玩具”与“工具”的边缘游走，需要持续维护以对抗微信的变化。但构建它的过程，本身就是一个深入理解AI Agent、大模型应用和即时通讯协议整合的绝佳实践。如果你也想拥有这样一个“赛博朋友圈”，不妨就从搭建微信桥接器和创建一个最简单的“诗人AI”开始吧。记住，关键不是一步到位，而是在迭代中不断收获“与历史对话”的乐趣。