MindMirror 🪞

基于多源数据的 AI 自我觉察助手

项目简介 • 产品设计 • 核心功能 • 技术实现 • 快速开始

---

📖 项目简介

Hi，我是 Marcus，一名数字产品爱好者。长期以来，我利用各种软件记录生活的方方面面。我日常的灵感散落在 Flomo，复盘反思沉淀在 Obsidian，消费记录则留在记账软件里。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？当 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"。

线上体验地址见右侧 About 栏，欢迎查阅我的产品需求文档，讨论交流～

🎯 需求痛点

在调研和自身体验中，我发现了三个核心矛盾：

痛点	现有方案的不足	MindMirror 的切入
数据孤岛 — 日记、复盘、账单散落在不同平台	各工具只分析自身数据，无法交叉验证	三源数据融合，让"说的 × 写的 × 花的"互相对照
AI 讨好症 — 主流 AI 助手倾向正面反馈	用户得到的是安慰而非洞察	"冷镜"人格设计：证据驱动，不回避矛盾，直指盲区
对话健忘 — Chatbot 缺乏持续记忆	每次对话都从零开始，无法积累认知	三层记忆系统：越聊越懂你，第一次和第十次体验截然不同

✨ 产品设计

📂 多维数据融合

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	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	账单 .csv	真实行为、消费偏好

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。

🗂️ 三层记忆系统

层级	触发机制	作用
短期记忆（Working Memory）	最近 3 轮对话	保持当前语义连贯
中期记忆（Episodic Memory）	首轮生成，每 5 轮更新	滚动摘要，跨对话主题延续
长期记忆（Semantic Memory）	首轮生成，每 10 轮更新	用户画像 JSON + 大五人格

三个层级形成 3 < 5 < 10 的递增更新频率，短期快速响应、中期捕捉趋势、长期沉淀人格。首轮即触发中长期记忆的 bootstrap，确保用户第一次对话就能获得画像级洞察。

💬 单窗口陪伴感

没有复杂的导航，一个对话窗口，像和一个了解你的朋友聊天：

• 结构化输出：核心洞察 → 模式识别 → 证据归因，每次回答都有据可查
• 流式渲染：彩色卡片逐字生长，实时感受 AI 思考的过程
• 大五人格雷达图：随对话深入，侧边栏动态生成你的人格画像
• 准确度反馈：每条回答下方的 👍👎 驱动产品迭代

🏗️ 技术实现

┌─────────────────────────────────────────────────┐
│                  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    │ │
│  └──────────────────┘  └──────────────────────┘ │
└─────────────────────────────────────────────────┘

选型决策与权衡

选型	选择	取舍考量
Embedding	bge-small-zh-v1.5（本地）	中文语义效果优秀、512 维够用、无需外部 API 调用，用户数据不出本机
向量库	FAISS IndexFlatIP	小规模精确搜索足够，L2 归一化后内积 = cosine similarity，无需 Pinecone 等外部服务
数据库	SQLite	单文件部署、零运维，对当前用户规模而言性能远超需求
检索策略	关键词规则 Rerank	无需额外 Rerank 模型，通过源类型关键词匹配（财务词 → CSV boost 1.3x）实现 source-aware 检索
流式输出	SSE（非 WebSocket）	单向推送场景下 SSE 更轻量，原生支持自动重连，部署兼容性好

数据流：从上传到洞察

用户上传文件 → Parser 解析为 Chunks → bge-small-zh 向量化 → FAISS 索引 + SQLite 存储
                                                                        ↓
用户提问 → Query Embedding → FAISS Top-12 → Source-Aware Rerank → Evidence Compression
                                                                        ↓
短期记忆 + 滚动摘要 + 用户画像 + 压缩证据 → Claude Sonnet → 结构化流式输出
                                                                        ↓
                                              每 5 轮更新摘要 · 每 10 轮更新画像

🚀 快速开始

前置要求

• Python 3.10+
• Node.js 18+
• Anthropic API Key

后端

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 8000

前端

cd frontend
pnpm install
pnpm dev

打开 http://localhost:3000，输入昵称，上传数据，开始对话。

项目已适配 Vercel（前端）+ Railway（后端）的云端部署方案。

📁 项目结构

MindMirror/
├── backend/
│   ├── app/
│   │   ├── main.py           # FastAPI 入口
│   │   ├── config.py         # 配置常量
│   │   ├── database.py       # SQLite + 自动迁移
│   │   ├── embedding.py      # 向量化 + FAISS 索引
│   │   ├── retriever.py      # RAG 检索管线
│   │   ├── memory.py         # 三层记忆系统
│   │   ├── llm.py            # Claude API + Prompt 工程
│   │   ├── parsers/          # Flomo / MD / CSV 解析器
│   │   └── routers/          # API 路由（ingest + chat）
│   └── requirements.txt
├── frontend/
│   ├── app/                  # Next.js App Router
│   ├── components/           # React 组件
│   └── lib/api.ts            # API 客户端 + SSE 处理
└── CLAUDE.md                 # AI 辅助开发指引

📄 License

本项目基于 MIT License 开源。如果这个项目对你有帮助，欢迎 Star 支持。

---

用数据理解自己，比你想象的更有趣。

_{Built with Claude · Deployed on Tencent Cloud}