MindMirror 🪞

基于多源个人数据的 AI 自我洞察助手

将分散在日常记录、阶段复盘和消费账单中的数字足迹，转化为可追溯、会持续更新的自我认知。

在线体验 · 产品 PRD · 系统架构

_{虚构示例人物“许遥”的产品主界面}

---

认识你自己

“认识你自己。”

这句铭刻在古希腊德尔斐阿波罗神庙上的箴言，也成为苏格拉底一生反复追问的命题。它听起来朴素，实践起来却很难：人最熟悉的是自己，最容易误判的也往往是自己。

MindMirror 的初心，就来自这五个字。它希望让散落在不同平台里的自我表达、阶段反思与真实行为彼此映照，让 AI 不只复述“我以为自己是谁”，而是用可追溯的证据，帮助我看见“我实际上如何生活”。

为什么做 MindMirror

Hi，我是 Marcus。长期以来，我习惯用不同工具记录生活：灵感散落在 Flomo，复盘沉淀在 Markdown 文档，消费行为则留在记账软件里。这些数字足迹共同描述了一个人，却长期处于彼此割裂的状态。

当我回看这些跨平台数据时，产生了一个问题：如果 AI 不只听我如何描述自己，而是同时观察我记录了什么、如何复盘，以及把钱花在了哪里，它是否能提供更接近真实行为的第三方视角？

MindMirror 由此开始。它试图解决的不是“再做一个聊天机器人”，而是如何把多源数据、证据链、长期记忆和可解释的人格画像组合成一套完整的自我觉察体验。项目从 PRD、交互原型、RAG 与记忆设计开始，经过多轮线上使用和部署迭代，逐步形成了当前版本。

完整的需求背景、用户流程和产品取舍见 MindMirror 产品需求文档。

产品概览

MindMirror 是一个已经部署运行的产品化原型。它不把 AI 定位成只负责回应问题的聊天机器人，而是一个能够连接不同数据来源、引用具体证据并积累长期认知的观察者。

用户可以导入自己的日常记录、阶段复盘和消费账单。系统会在服务端完成解析、语义索引和跨来源检索，并在对话中将结论对应到具体文件、时间范围与原始片段。随着数据和对话增加，MindMirror 会持续更新滚动摘要与大五人格画像。

用户问题	常规 AI 助手的局限	MindMirror 的产品切入
记录分散在多个平台	只能看到当前对话或单一文件	融合日记、复盘与账单，交叉验证不同维度
结论缺少依据	容易输出泛化、迎合式判断	每次洞察均可回溯到数据来源和证据片段
对话无法形成长期认知	多轮使用仍需反复解释背景	三层记忆与渐进画像，让系统持续积累理解

核心体验

核心产品能力

1. 多源个人数据融合

MindMirror 当前支持三类具有互补价值的数据：

数据类型	导入格式	主要信号
日常记录	Flomo 导出 .html	即时想法、情绪变化、日常选择
阶段复盘	Markdown .md	自我认知、目标规划、阶段反思
消费账单	账单 .csv	真实支出、行为偏好、价值排序

文件会被解析为带来源、时间和类型信息的知识片段。针对财务、复盘和日常行为等不同问题，检索层会对相关来源进行差异化排序，而不是简单地把所有文本一次性发送给模型。 当问题涉及言行一致性时，系统会进一步拆成“目标、行为、证据”三路查询，并从复盘、日常记录和账单摘要中分别补充证据。

2. 可追溯的证据型洞察

回答采用稳定的三段式结构：

• 核心洞察：直接回答用户真正需要关注的问题；
• 模式识别：识别跨时间、跨来源重复出现的行为模式；
• 证据归因：展示支撑结论的文件、时间范围和原始片段。

用户可以展开查看引用来源，并通过 👍 / 👎 反馈洞察是否准确。反馈会按照应用版本、数据来源和用户维度进入受保护的分析看板，形成产品迭代闭环。

3. 渐进式长期记忆

记忆层级	更新方式	产品作用
短期记忆	保留最近 3 轮对话	维持当前上下文和表达连贯性
滚动摘要	每 3 轮更新一次	在旧对话离开短期窗口前完成压缩
长期画像	上传后预分析；每 6 轮在摘要更新后迭代	沉淀稳定事实、价值观、目标、模式与风险

这套结构让系统既能快速响应当前问题，又不会因为对话变长而丢失长期背景。

4. 大五人格画像

• 上传完成后，系统在后台预计算初步画像；
• 多个连续上传会通过 30 秒防抖合并分析，避免重复模型调用；
• 初步结果在后台保持隐藏，首轮完整回答后立即显示；
• 对话画像每 6 轮更新一次，并使用同轮刚刷新的滚动摘要；
• 初始画像保留明显的维度差异，避免所有分数集中在 50 附近；
• 单轮变化限制在 2–6 分，让变化可感知但不过度跳动。

大五人格用于呈现基于当前数据样本的阶段性倾向，不构成心理诊断。MBTI 仅作为辅助对话语言，不与大五人格直接换算。

5. 可直接体验的虚构示例

不希望上传私人数据的用户，可以直接进入“许遥”示例：

• 日常记录、半年复盘与账单均为虚构内容；
• 示例会话使用独立用户空间，不接触其他用户数据；
• 进入后立即展示预设大五人格画像；
• 当实时模型不可用时，自动展示基于同一虚构数据审核过的兜底回答。

这使首次体验不依赖用户准备文件，也避免演示过程中因模型波动失去完整产品闭环。

系统架构

从上传到洞察

快速体验

打开 MindMirror 在线体验。

首次体验建议选择“直接体验虚构示例人物”：

1. 进入许遥的独立示例空间；
2. 查看已经准备好的日常记录、复盘和账单；
3. 从人格画像、言行一致性或消费观念开始提问；
4. 展开证据卡片检查结论来源；
5. 使用 👍 / 👎 提交准确度反馈。

技术实现与选型

MindMirror 的技术选择围绕三个目标展开：让对话体验足够流畅、让洞察能够追溯依据，并让个人项目在有限成本下长期稳定运行。前端使用 Next.js，主要看重其成熟的组件化能力和对复杂交互状态的支持，能够把对话、数据管理、证据展开和人格画像组织在同一个连贯界面中。后端采用 FastAPI，便于承载文件解析、检索编排和流式回答，也让不同洞察能力可以持续独立迭代。

在数据层，MindMirror 没有为了“技术复杂度”引入重量级基础设施，而是选择 SQLite 与 FAISS 的组合：前者负责结构化数据、用户隔离和长期记忆，后者负责个人知识片段的语义检索。这套方案与当前产品规模相匹配，部署简单、成本可控，也能保留未来迁移到更大规模数据服务的空间。

模型并不直接接收全部个人数据，而是基于问题检索相关证据，再结合短期上下文、滚动摘要和长期画像组织回答。生产环境通过容器化方式统一前后端和反向代理，并在每次发布前完成构建、测试与健康检查。这里的重点不是堆叠技术名词，而是让每一项技术选择都服务于产品体验、证据可信度和演示稳定性。

---

用数据理解自己，也用证据校准认知。

_{Designed and built by Marcus · Deployed on Tencent Cloud}