基于多源数据的 AI 自我觉察助手
我是 Marcus，一名试图通过数据打量生活的数字产品爱好者。长期以来，我的灵感散落在 Flomo，总结沉淀在 Obsidian，消费欲膨胀在记账软件里。这些跨平台的数字足迹构成了我最真实的“数字镜像”。
前段时间，我回看这些跨平台的数据，却发现它们彼此割裂。于是脑海中忽然闪出一个念头，如果把这些数据整合起来交给 AI，它会怎么看我？：如果 AI 作为一个第三方观察者，通过这些多维数据重新解析我，它能打破我自我认知的“信息茧房”吗？
现有的 Chatbot 大多健忘，而主流的 AI 助手又因为过于“讨好”而显得平庸。我渴望的是一种基于证据链的深度洞察：当你高喊“终身学习”时，若账单显示娱乐支出激增、复盘中焦虑词云密布，这种“知行不一”才是 AI 应该捕捉到的真实。
于是我决定自己动手，开启了一场 Vibe Coding 之旅：从写下第一行 PRD 开始，到前后端实现、RAG 配置调优、记忆模块设计、Prompt 工程... 直到部署上线。我给它起名 MindMirror，寓意“思维之镜”。
MindMirror 不负责讨好，只负责照见。 它试图通过多维数据的关联，帮用户发现连自己都可能忽略的行为模式和认知盲区。MindMirror 尚在雏形，但欢迎大家前来“照镜子”，听听 AI 对你的“人间清醒”式告白。
🌐 直接试试： mind-mirror-liart.vercel.app | 📄 产品需求文档： PRD
不是单一数据源的分析，而是把你说的话、你写的字、你花的钱交叉比对：
| 数据类型 | 格式 | 捕捉维度 |
|---|---|---|
| 日常记录 | Flomo .html 导出 |
碎片化想法、情绪状态 |
| 个人复盘 | Markdown .md |
自我认知、目标规划 |
| 财务账单 | 钱迹 .csv 导出 |
真实行为、消费偏好 |
拖拽上传，自动解析，实时进度条告诉你向量化到了第几条 📊
多维数据的交叉才是洞察的关键——你嘴上说想学习，账单说你在消费娱乐，复盘说你在焦虑，这三条线索交织在一起，比任何单一数据源都更接近真相。
AI 不只是回答问题，它在记住你：
| 层级 | 机制 | 作用 |
|---|---|---|
| 短期记忆 | 最近 15 轮对话 | 保持上下文连贯 |
| 中期记忆 | 滚动摘要（每 7 轮更新） | 跨对话的主题延续 |
| 长期记忆 | 用户画像 JSON | 深层认知模式积累 |
对话越多，AI 越懂你。第一次聊和第十次聊，感受完全不同。
没有复杂的导航、没有多个页面切换。一个对话窗口，就像和一个了解你的朋友聊天：
- 结构化输出：每次回答都有核心洞察、模式识别、证据归因三个板块
- 流式渲染：彩色卡片逐步生长，不是一次性甩出一堵墙
- 准确度反馈：每条回答下方的 👍👎 是产品的北极星指标
- 昵称即入口：不需要注册登录，输入昵称就开始
┌─────────────────────────────────────────────────┐
│ Frontend │
│ Next.js 15 + React 19 + Tailwind │
│ SSE Streaming · localStorage 持久化 │
└────────────────────┬────────────────────────────┘
│ REST + SSE
┌────────────────────▼────────────────────────────┐
│ Backend │
│ FastAPI + SQLite │
│ │
│ ┌──────────┐ ┌──────────┐ ┌───────────────┐ │
│ │ Parsers │ │ Memory │ │ Retriever │ │
│ │ HTML/MD/ │ │ 3-Layer │ │ FAISS + Rerank│ │
│ │ CSV │ │ System │ │ + Compress │ │
│ └──────────┘ └──────────┘ └───────────────┘ │
│ │
│ ┌──────────────────┐ ┌───────────────── ────┐ │
│ │ bge-small-zh-v1.5│ │ Claude Sonnet │ │
│ │ Embedding (512d) │ │ Structured Output │ │
│ └──────────────────┘ └──────────────────────┘ │
└─────────────────────────────────────────────────┘
核心选型理由：
- bge-small-zh-v1.5：中文语义检索效果好，体积小速度快
- FAISS IndexFlatIP：L2 归一化后做内积 = cosine similarity，小规模精确搜索
- SQLite：单文件数据库，部署简单，够用就是最好的
- Python 3.10+
- Node.js 18+
- Anthropic API Key
cd backend
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
# 配置环境变量
cp .env.example .env
# 编辑 .env，填入 ANTHROPIC_API_KEY
uvicorn app.main:app --reload --port 8000cd frontend
pnpm install
pnpm dev打开 http://localhost:3000，输入昵称，上传数据，开始对话 🎉
💡 也可以选择云端部署——项目已适配 Vercel（前端）+ Railway（后端）方案，开箱即用。
MindMirror/
├── backend/
│ ├── app/
│ │ ├── main.py # FastAPI 入口
│ │ ├── config.py # 配置
│ │ ├── database.py # SQLite + 自动迁移
│ │ ├── embedding.py # 向量化 + FAISS
│ │ ├── retriever.py # 检索管线
│ │ ├── memory.py # 三层记忆
│ │ ├── llm.py # LLM 调用
│ │ ├── parsers/ # 三种格式解析器
│ │ └── routers/ # API 路由
│ └── requirements.txt
├── frontend/
│ ├── app/ # Next.js App Router
│ ├── components/ # React 组件
│ └── lib/api.ts # API 客户端
└── 核心说明文档/ # PRD & 架构设计
MIT
用数据理解自己，比你想象的更有趣。
Built with Claude