我如何（以及为何）构建了一个AI助手

作者从一个效率低下的星期二开始反思：面对客户简报、研究资料、邮件和技术文档的多重任务，他意识到自己缺少的不是时间，而是杠杆。与其被动使用通用AI工具，不如构建一个真正理解自己上下文、使用自己风格、连接特定工具并融入现有工作流的助手。

为何不直接购买？作者指出，市面上的助手（如Siri、ChatGPT、Copilot）都是基于通用假设设计的，意味着妥协。自建不仅可以控制数据存放位置（尤其对客户相关或商业敏感内容至关重要），还能在构建过程中深入理解工具——当出现问题时知道如何排查，当需要新功能时无需等待产品更新。此外，AI助手市场预计从2025年的33.5亿美元增长至2030年的211.1亿美元，年复合增长率达44.5%，掌握构建技能意味着走在前沿。

技术栈选择上，作者评估了GPT-4o和Claude，最终选用GPT-4o作为主要模型（因其工具调用可靠性和成熟生态），Claude作为后备用于文档密集任务。编排框架选择了LangChain，尽管有过度抽象的批评，但对于需要记忆、工具使用和推理循环的项目，LangChain的抽象能节省大量时间。记忆方面，使用LangChain的ConversationBufferMemory处理会话内上下文，并通过SQLite实现跨会话持久化。工具包括DuckDuckGo搜索（无需API密钥）、文件读取和自定义Python函数。

环境搭建步骤：创建虚拟环境、安装依赖包（langchain、langchain-openai、duckduckgo-search等）、安全存储API密钥。核心助手构建包括连接到LLM（设置temperature=0.2以平衡一致性和自然语言质量）、设计详细的系统提示词（定义助手行为准则）、添加SQLite持久化记忆、注册工具（搜索和文件读取）。作者强调，系统提示词是最被低估的部分——越具体，越不需要在对话中纠正模型。

最终构建的助手能搜索网络、总结文件、调用自定义函数，成为真正可依赖的工作伙伴。作者认为，虽然对于快速问答或写作辅助买现成的更划算，但若需要深度集成工作流、学习个人偏好并执行特定任务，自建是值得的。