基于ItChat与AI API的微信智能助手开发实战

1. 项目概述：当“龙虾”AI助手住进你的微信

最近在技术圈和创意玩家中，一个有趣的项目悄然流行起来：在微信里“养”一只名为“龙虾”的AI助手。这听起来有点科幻，但实现起来并不复杂。本质上，它不是一个真的宠物养成游戏，而是通过一系列自动化工具和智能对话模型，在你的个人微信账号上部署一个24小时在线的智能代理。这个“龙虾”可以自动回复好友或群聊消息，根据指令执行信息查询、内容生成、甚至简单的任务处理，让你在忙碌时也能保持“在线”，或者单纯体验一把拥有私人AI管家的乐趣。

这个项目的核心价值在于其高度的可定制性和场景贴合度。微信作为我们日常最高频的社交与工作工具，承载了大量的沟通与信息流转需求。一个集成在其中的AI助手，能无缝融入现有工作流，解决诸如“群消息太多看不过来”、“重复性问题需要自动答复”、“需要快速搜集资料或生成文案”等实际痛点。与使用独立的AI聊天应用相比，它省去了切换平台的麻烦，体验更直接。我最初尝试这个项目，就是为了应对几个活跃的技术讨论群，希望“龙虾”能帮我初步筛选和回答一些常见的基础问题，效果出乎意料地好。

实现“微信龙虾”主要依赖于两个关键技术栈的整合：一是微信的自动化协议与客户端模拟，用于接收和发送消息；二是大语言模型（LLM）的调用与提示词工程，赋予“龙虾”理解和生成自然语言的能力。整个搭建过程涉及环境配置、协议选择、模型接入和逻辑编排，虽然有一定技术门槛，但按照清晰的步骤操作，大多数具备基础编程知识的开发者或爱好者都能成功实现。接下来，我将从设计思路开始，一步步拆解如何将这只聪明的“龙虾”引入你的微信。

2. 核心思路与方案选型：为什么是“ItChat”加“API调用”

在决定动手之前，我们需要明确几个关键的设计选择，这直接决定了项目的可行性、稳定性和功能边界。首先必须强调一个原则：所有操作必须基于官方允许的、合法的自动化工具，并严格遵守微信的用户协议，仅用于个人学习和效率提升，杜绝任何营销、骚扰或违规行为。

2.1 微信自动化方案选型

让程序自动登录微信并收发消息，是项目的基础。目前主流有以下几种方案：

1. 网页版协议模拟：通过模拟浏览器登录微信网页版，与服务器通信。其优点是协议相对公开，资源消耗小。缺点是微信官方已逐渐收紧网页版登录权限，很多账号无法登录，稳定性存疑。
2. 客户端协议逆向：直接对Windows或Mac版微信客户端的通信协议进行逆向工程。这种方式功能强大且稳定，但技术难度极高，涉及复杂的逆向分析，且存在法律风险，极易因微信更新而失效。
3. 封装好的开源框架：这是最推荐给个人开发者的路径。一些开源项目对上述协议进行了封装，提供了简洁的API。国内开发者熟知的ItChat库就是一个典型代表，它基于网页版协议，提供了非常Pythonic的接口。

为什么选择 ItChat（或其迭代方案）？尽管纯网页版协议稳定性有挑战，但ItChat及其社区维护的衍生版本（如wxpy，或针对新协议的wechatpy等）经过多年发展，在个人号、小范围使用场景下仍有较高的成功率。它的最大优势是简单。几行代码就能实现登录、监听消息、回复消息的核心循环，极大降低了开发门槛。对于我们的“龙虾”项目，核心需求是消息的“输入”和“输出”，ItChat完全够用。如果登录失败，可以尝试使用备用方案，如基于特定客户端版本的SDK，但复杂度会上升。

注意：使用任何第三方库模拟微信客户端都存在账号风险，可能导致短期封禁。建议使用小号或备用号进行测试，切勿在重要账号上直接操作。同时，项目的意义在于学习和实现自动化思想，而非追求7x24小时无休的机器人。

2.2 AI大脑的接入选择

“龙虾”的智能程度取决于其“大脑”。我们需要一个能够理解上下文、生成连贯回复的AI模型。选项同样有几个：

1. 本地部署大模型：如 ChatGLM、Llama 等开源模型。优势是数据完全私有，无网络依赖。缺点是对硬件（GPU内存）要求高，响应速度可能较慢，且模型效果通常弱于顶尖的闭源模型。
2. 调用云端AI API：如 OpenAI 的 GPT 系列、国内各大厂商提供的语言模型API（如百度文心、阿里通义、智谱AI等）。优势是效果最好、响应快、无需考虑算力。缺点是需要付费（通常有免费额度），且对话内容会经过服务提供商。

为什么选择云端API？对于个人项目，尤其是初次尝试，云端API是性价比和效果的最佳平衡点。以 OpenAI 的 GPT-3.5-Turbo 为例，其成本极低（每百万tokens约0.5美元），效果足以应对日常聊天、问答、文案生成等任务。国内厂商的API也提供了丰富的免费额度供测试。这让我们能快速聚焦于“如何让AI用好微信”这个核心逻辑，而不是耗费大量时间在模型部署和调优上。本项目教程将基于云端API进行演示，因其可复制性最强。

2.3 整体架构设计

综合以上选择，我们的“微信龙虾”架构变得清晰：

• 入口层：ItChat库负责监听微信消息事件。
• 逻辑处理层：一个Python主程序，包含消息过滤、上下文管理、指令解析等逻辑。
• AI核心层：调用云端大语言模型API（如OpenAI API），将处理后的消息和上下文发送给AI，并接收AI的回复。
• 输出层：再次通过ItChat将AI回复发送回微信。

这个架构就像一个反射弧：微信刺激（消息）→ 神经中枢（你的程序）→ 大脑思考（AI API）→ 肢体反应（回复消息）。我们需要编写的，就是这个“神经中枢”的决策逻辑。

3. 环境准备与核心工具部署

工欲善其事，必先利其器。在开始写代码之前，我们需要把开发环境和必要的账户准备好。这个过程就像给“龙虾”准备一个舒适的水族箱和营养饵料。

3.1 基础开发环境搭建

首先，确保你的电脑上安装了 Python（推荐 3.8 及以上版本）。我们将使用pip来安装依赖库。

1. 创建项目目录：在你的工作空间新建一个文件夹，例如wechat-lobster。
2. 创建虚拟环境（强烈推荐）：这能避免不同项目间的包版本冲突。在终端中进入项目目录，执行：

   python -m venv venv

   然后激活虚拟环境：
   • Windows:venv\Scripts\activate
   • Mac/Linux:source venv/bin/activate
3. 安装核心依赖：在激活的虚拟环境中，运行以下命令安装必要的库。由于原版ItChat可能面临登录问题，我们可以尝试一个仍在维护的 fork 版本或替代方案。这里以wechatpy为例，它也是一个微信SDK。同时安装用于调用AI API的库。

   pip install wechatpy pip install openai # 如果你使用OpenAI API # 或者安装国内某厂商的SDK，例如： # pip install zhipuai # 智谱AI # pip install dashscope # 阿里通义千问

3.2 获取AI API密钥

“龙虾”的大脑需要钥匙才能启动。这里以 OpenAI 和 智谱AI 为例，国内用户可能后者访问更方便。

• OpenAI:

  1. 访问 OpenAI 平台网站并登录。
  2. 点击右上角个人头像，进入 “View API keys”。
  3. 点击 “Create new secret key”，生成一个新的API密钥。务必立即复制并妥善保存，因为它只显示一次。

• 智谱AI:

  1. 访问智谱AI开放平台官网并注册登录。
  2. 进入控制台，在“API密钥”管理页面，可以创建新的API Key。

实操心得：将API密钥保存在环境变量中，而不是直接硬编码在代码里，是保证安全的最佳实践。你可以在项目根目录创建一个名为.env的文件（注意不要提交到Git），内容如下：

OPENAI_API_KEY=你的sk-xxx密钥 # 或 ZHIPUAI_API_KEY=你的智谱密钥

然后在Python代码中使用python-dotenv库来加载。先安装pip install python-dotenv。

3.3 微信账号准备与登录原理

使用wechatpy或类似库，通常需要扫码登录。其原理是程序启动一个HTTP服务，生成一个带有二维码的网页，你用手机微信扫码授权即可。

一个重要限制：用于登录的微信账号需要能够登录网页版微信。如果你的账号因为安全策略无法登录网页版，可能需要寻找其他基于客户端协议的SDK，但那些方案通常更复杂。这也是为什么建议使用备用号测试的原因。

准备工作就绪后，我们的“水族箱”（Python环境）和“饵料”（API密钥）都已备好，接下来就是编写“龙虾”的核心行为逻辑了。

4. “龙虾”核心逻辑实现：从消息接收到智能回复

现在进入最核心的编码环节。我们将构建一个Python脚本，它需要完成以下几件大事：登录微信、监听消息、判断是否该由“龙虾”处理、组织对话上下文、调用AI、发送回复。让我们一步步来实现。

4.1 初始化与微信登录

首先，我们创建一个main.py文件，并编写初始化代码。

import os from dotenv import load_dotenv from wechatpy import WeChatClient from wechatpy.session.redisstorage import RedisStorage from redis import Redis import logging # 加载环境变量 load_dotenv() # 设置日志，方便调试 logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) # 初始化微信客户端（这里以wechatpy为例，实际登录方式可能需调整） # 注意：wechatpy的企业微信部分更稳定，个人微信可能需要其他适配。 # 以下代码为概念演示，实际登录可能需要用到itchat或wxauto等库。 # 此处为了流程完整，先展示结构。 def init_wechat_client(): """ 初始化微信客户端。 由于个人微信协议限制，此部分代码可能需要替换为其他库（如itchat）的实际登录逻辑。 """ # 示例：如果是企业微信应用，可以这样初始化 # corp_id = os.getenv('WECHAT_CORP_ID') # corp_secret = os.getenv('WECHAT_CORP_SECRET') # client = WeChatClient(corp_id, corp_secret) # return client logger.warning("个人微信登录示例，实际需使用itchat等库。") # 以下使用一个伪代码函数代表登录成功 return fake_login_wechat() def fake_login_wechat(): """模拟登录成功，返回一个客户端对象。实际项目中请替换为itchat的登录代码。""" class FakeClient: def run(self): logger.info("微信客户端运行中... (此处应阻塞并监听消息)") def send_text_message(self, user_id, content): logger.info(f"模拟发送消息给 {user_id}: {content}") return FakeClient() # 更实际的例子：如果你使用 itchat（假设有一个兼容版本） # import itchat # def login_with_itchat(): # itchat.auto_login(hotReload=True) # hotReload可以在短时间内避免重复扫码 # return itchat

由于wechatpy对个人微信支持有限，而ItChat的登录方式更为人熟知，下面的核心逻辑我们将以ItChat的概念框架来阐述。你需要找到一个可用的ItChat分支或替代库（例如wxauto），并查阅其最新文档完成登录。

4.2 消息处理与AI调用逻辑

假设我们已经有了一个可以接收消息的微信客户端对象client。我们需要注册一个消息处理函数。

import openai # 或 from zhipuai import ZhipuAI # 配置AI客户端 openai.api_key = os.getenv("OPENAI_API_KEY") # 或 # client_ai = ZhipuAI(api_key=os.getenv("ZHIPUAI_API_KEY")) # 定义一个简单的上下文管理器，用于存储与每个聊天对象（用户或群）的对话历史 class ConversationContext: def __init__(self, max_history=10): self.history = [] # 存储历史消息列表，每条格式为 {"role": "user"/"assistant", "content": "..."} self.max_history = max_history def add_message(self, role, content): self.history.append({"role": role, "content": content}) # 保持历史记录不超过最大长度，移除最老的记录 if len(self.history) > self.max_history: self.history.pop(0) def get_messages_for_ai(self): """返回适合发送给AI API的消息历史格式""" return self.history # 用一个字典来管理所有会话的上下文，键可以是用户ID或群ID conversation_contexts = {} def handle_message(msg): """ 处理接收到的每一条微信消息。 msg对象通常包含：发送者(msg.from_user_name)、接收者(msg.to_user_name)、内容(msg.text)、类型(msg.type)等字段。 """ # 1. 过滤消息：只处理文本消息，忽略图片、语音等（可后续扩展） if msg.type != 'Text': return sender_id = msg.from_user_name # 如果是群消息，msg.from_user_name是群ID，实际发送者在msg.actual_user_name等字段，需根据库的文档确定 # 这里简化处理，将群ID也视为一个会话对象 session_id = sender_id # 2. 初始化或获取该会话的上下文 if session_id not in conversation_contexts: conversation_contexts[session_id] = ConversationContext(max_history=5) # 保存最近5轮对话 context = conversation_contexts[session_id] # 3. 将用户消息加入上下文 user_input = msg.text context.add_message("user", user_input) # 4. 调用AI获取回复 ai_reply = call_ai_api(context.get_messages_for_ai()) if ai_reply: # 5. 将AI回复加入上下文 context.add_message("assistant", ai_reply) # 6. 将回复发送回微信 # 这里需要根据你使用的微信库的API来发送，例如 itchat.send(ai_reply, toUserName=sender_id) send_reply_to_wechat(sender_id, ai_reply) else: logger.error("调用AI API失败或未获得回复。") def call_ai_api(messages): """ 调用大语言模型API。 以OpenAI ChatGPT API为例。 """ try: response = openai.ChatCompletion.create( model="gpt-3.5-turbo", # 或 "gpt-4" messages=messages, temperature=0.7, # 控制创造性，0.0较刻板，1.0较随机 max_tokens=500, # 限制回复长度 ) return response.choices[0].message.content.strip() except Exception as e: logger.error(f"调用OpenAI API出错: {e}") return None # 如果使用智谱AI，代码类似： # try: # response = client_ai.chat.completions.create( # model="glm-4", # 模型名称 # messages=messages, # temperature=0.7, # max_tokens=500, # ) # return response.choices[0].message.content.strip() # except Exception as e: # logger.error(f"调用智谱AI API出错: {e}") # return None def send_reply_to_wechat(receiver_id, content): """ 通过微信库发送消息。 此函数需要根据你实际使用的微信库（如itchat）的API来实现。 """ # 示例：假设使用 itchat # itchat.send(content, toUserName=receiver_id) logger.info(f"准备发送给 {receiver_id}: {content}") # 实际发送代码在此处替换 pass

4.3 指令系统与权限控制

一个只会聊天的“龙虾”可能还不够。我们可以为它增加一些特殊技能，并通过特定指令触发。例如，当用户发送“#总结”时，让AI总结最近一段对话；发送“#新闻”时，让它去获取今日热点。

这需要在handle_message函数中，在调用通用AI对话之前，加入一个指令解析层。

def handle_message(msg): # ... 前面的过滤和上下文获取代码不变 ... user_input = msg.text # 指令解析 if user_input.startswith('#'): command = user_input[1:].strip().lower() if command == 'help': reply = "我是龙虾助手，支持以下指令：\n#help - 显示此帮助\n#clear - 清除当前对话历史\n#news - 获取今日简报（示例功能）" send_reply_to_wechat(sender_id, reply) return # 指令已处理，不再走通用AI流程 elif command == 'clear': if session_id in conversation_contexts: conversation_contexts[session_id].history.clear() reply = "对话历史已清除。" send_reply_to_wechat(sender_id, reply) return elif command == 'news': # 这里可以集成一个新闻API，或者让AI模拟生成 # 为演示，我们构造一个特殊的Prompt给AI news_prompt = [{"role": "user", "content": "请用简短的三句话，模拟生成一份今天的科技新闻简报。"}] ai_reply = call_ai_api(news_prompt) send_reply_to_wechat(sender_id, ai_reply) return # 可以添加更多指令... # 如果不是指令，则走正常的AI对话流程 # ... 原有的通用AI对话代码 ...

此外，为了不让“龙虾”在群里过度刷屏或响应无关人员，可以加入简单的权限控制，比如只响应特定好友、特定群，或者只有@它时才回复。

def should_respond(msg): """ 判断是否应该回复此消息。 """ # 示例规则： # 1. 如果是私聊，总是回复（或只回复白名单好友） if not msg.is_group: # 假设有 is_group 属性 return True # 2. 如果是群聊，只有@了“龙虾”才回复 elif msg.is_group and f"@{your_bot_name}" in msg.text: return True # 3. 或者，只在自己指定的群ID里才响应 # elif msg.group_id in ALLOWED_GROUP_IDS: # return True return False # 然后在 handle_message 开头调用 if not should_respond(msg): return

5. 部署与优化：让“龙虾”长期稳定运行

代码在本地跑起来，只是成功了一半。要让“龙虾”真正成为你的7x24小时小助手，你需要解决两个问题：一是如何让它长时间运行，二是如何让它更聪明、更安全。

5.1 本地长期运行与防掉线

在个人电脑上运行Python脚本，一旦关机或休眠就中断了。有几种解决方案：

1. 云服务器部署：这是最稳定的方案。购买一台入门级的云服务器（如腾讯云、阿里云的轻量应用服务器），将代码部署上去。这样只要服务器不关，“龙虾”就永远在线。部署步骤包括：在服务器安装Python环境、上传代码、使用tmux或screen会话运行程序，或者更专业地用systemd配置成系统服务。
2. 家用设备常开：如果你有树莓派、旧笔记本或小型NAS，可以将其作为家庭服务器，24小时运行脚本。成本低，但受家庭网络稳定性影响。
3. 使用进程守护工具：即使在本地运行，也可以使用pm2（Node.js生态，但可管理Python脚本）或supervisor来管理进程，实现崩溃后自动重启。

以云服务器为例，简要部署步骤：

• 通过SSH登录服务器。
• 安装 Git、Python、pip。
• 克隆你的代码仓库。
• 创建虚拟环境并安装依赖。
• 使用tmux新建一个会话，在会话中启动你的main.py。
• 断开SSH，程序仍在后台运行。

5.2 提示词工程：塑造“龙虾”的性格与能力

“龙虾”的言行举止，完全由你发送给AI的提示词（Prompt）决定。最初的简单上下文可能让它表现得很普通。通过精心设计系统提示词（System Prompt），你可以赋予它独特的“人格”和“职责”。

在初始化对话上下文时，插入一条role为system的消息：

def get_initial_context(): """返回初始化的对话上下文，包含系统指令""" system_prompt = """你是一个名叫“龙虾”的AI助手，居住在用户的微信中。你的性格热情、细心且略带幽默。你的主要职责是： 1. 回答用户的各种问题，提供有用的信息和建议。 2. 在群聊中，当被@时，才参与讨论，避免刷屏。 3. 如果用户让你执行任务（如总结、翻译、写文案），请高效完成。 4. 对于无法确认或涉及专业领域的问题，应诚实地表示不知道，而不是编造信息。 5. 对话风格应自然口语化，像朋友一样交流。 请记住，你的所有回复都将直接发送到微信聊天窗口。""" context = ConversationContext(max_history=10) # 将系统提示作为第一条消息加入历史（OpenAI Chat API支持system角色） context.history.insert(0, {"role": "system", "content": system_prompt}) return context

然后，在handle_message中，为每个新会话初始化这个带系统提示的上下文。这样，“龙虾”在每次对话开始时都知道自己是谁、该做什么。

5.3 安全与隐私考量

这是一个必须严肃对待的部分。你的“龙虾”会接触到你的微信消息。

• API密钥安全：如前所述，使用环境变量或密钥管理服务，切勿将密钥提交到公开的代码仓库（如GitHub）。
• 对话内容隐私：你使用的AI API服务提供商（如OpenAI、智谱等）可能会出于服务改进等目的，在一定期限内保留API调用数据。请仔细阅读其隐私政策。如果对话内容高度敏感，应考虑使用本地模型，尽管效果会打折扣。
• 微信账号安全：使用自动化工具违反微信用户协议是潜在风险。务必使用非主力账号，并控制使用频率，避免被判定为营销机器人。不要用“龙虾”进行任何可能骚扰他人或违规的操作。
• 内容过滤：可以在调用AI前后加入内容安全检查。例如，调用AI前，过滤掉明显违法有害的提问；收到AI回复后，检查是否包含不当信息，必要时进行拦截或替换。

6. 进阶玩法与功能扩展

基础版的“龙虾”已经能聊天和简单应答指令了。但它的潜力远不止于此。你可以根据个人需求，为它集成各种外部能力，让它从“聊天机器人”升级为真正的“个人助理”。

6.1 集成外部工具与API

这是让“龙虾”变得强大的关键。通过让AI学会调用外部工具，它可以获取实时信息、执行具体操作。

思路：当AI在回复中识别出用户需要某项服务（如查天气、订日程、搜索网页）时，它不应该自己去“想象”，而应该输出一个结构化的指令。你的程序拦截这个指令，去调用相应的真实API，然后将结果返回给AI，由AI组织成自然语言回复给用户。

例如，实现一个天气查询功能：

1. 在系统提示词中增加能力描述：告诉AI，“当用户询问天气时，你需要生成一个特定的JSON格式指令，例如{"action": "get_weather", "location": "北京"}，而不是直接回答天气。”
2. 在call_ai_api后解析回复：检查AI的回复是否包含这个JSON指令。
3. 调用真实天气API：如果发现指令，则程序解析出城市名，调用心知天气、和风天气等免费API获取数据。
4. 将数据交回AI总结：把获取到的原始天气数据（温度、湿度、风力等）再次作为用户消息发送给AI，让它生成“今天北京晴，最高25度，微风...”这样的友好回复。

这个过程需要更复杂的提示词设计和程序逻辑，属于“AI Agent”（智能体）的范畴。你可以从集成一两个最常用的功能开始。

6.2 多模态能力：图文并茂

目前的“龙虾”只能处理文字。但微信支持图片、文件。我们可以扩展它：

• 图片理解：当用户发送图片时，你可以先将图片上传到一个图床或通过OCR/图像识别API提取其中的文字信息，然后将文字描述作为用户输入发送给AI。更高级的做法是使用GPT-4V等多模态模型API，直接发送图片的Base64编码给AI分析。
• 生成图片：当用户让“龙虾”画图时，可以调用如DALL-E、Stable Diffusion API等文生图服务，生成图片后下载到服务器，再通过微信库的发送图片接口回传给用户。

6.3 个性化记忆与知识库

基础的上下文记忆是短暂的（如我们设置的最近10轮对话）。你可以为“龙虾”增加长期记忆。

• 向量数据库：将重要的对话片段、你提供的个人资料（如“我叫张三，住在上海，是一名软件工程师”）转换成向量，存入如ChromaDB、Milvus这样的轻量级向量数据库。当用户提问“我之前跟你提过我住在哪吗？”时，程序可以先在向量库中搜索相关记忆，作为上下文一起发送给AI。
• 文件知识库：让“龙虾”学习你的个人文档。你可以将PDF、TXT文件的内容切片、向量化后存入数据库。当询问相关问题时，它能基于你的私人资料回答，成为一个真正的个人知识助手。

7. 常见问题与故障排查实录

在搭建和运行“龙虾”的过程中，你几乎一定会遇到下面这些问题。这里记录了我踩过的坑和解决方案，希望能帮你快速过关。

7.1 微信登录失败或被封禁

• 问题：扫码登录时失败，提示“为了你的账号安全，暂时不能登录网页版微信”或直接登录不上。
• 排查：
  1. 账号问题：首先确认你的微信号是否还能登录网页版微信（用浏览器访问微信网页版试试）。很多账号因为不常使用或安全策略，已被禁止网页版登录。无解，只能换号。
  2. 库版本问题：ItChat原版已停更，协议失效。尝试寻找活跃的fork版本，如itchat-uos（针对UOS协议），或者转向其他仍在维护的库，如基于Windows客户端协议的PyWeChatSpy或wechat-ferry，但这些库复杂度更高。
  3. 环境问题：服务器IP被微信风控。尝试在本地网络或更换服务器IP（如使用家宽IP的云服务器）登录。
• 建议：这是项目最大门槛。如果网页版协议行不通，评估一下自己是否有能力和精力去研究客户端协议方案。如果只是玩一玩，用备用号在本地电脑运行是最简单的。

7.2 AI回复慢或无响应

• 问题：发送消息后，很久才收到回复，或者干脆收不到。
• 排查：
  1. 网络延迟：如果你的服务器在海外，调用国内AI API或微信服务器可能会有延迟。尽量让服务器、微信客户端、AI API三者在网络地理上接近。
  2. API调用超时：在代码中为AI API调用设置合理的超时时间（如10秒），并做好异常处理，超时后可以发送一个“思考中，请稍候”的提示，或者重试。
  3. 消息队列堵塞：如果短时间内收到大量消息（如在活跃群里），你的程序可能处理不过来。考虑引入消息队列（如RabbitMQ、Redis List）进行异步处理，避免阻塞。
  4. 微信库发送限制：微信对消息发送频率有限制。过快、过多地发送消息可能导致发送失败甚至账号受限。在代码中加入延时（如每条消息间隔1-2秒）。

7.3 上下文混乱或遗忘

• 问题：“龙虾”记不住之前说过的话，或者把不同人的对话记混了。
• 排查：
  1. 会话ID设计错误：确保私聊和群聊使用了正确的唯一ID作为会话键。私聊用好友的UserName，群聊用群的UserName。不同库的字段名可能不同，务必打印出来确认。
  2. 上下文长度限制：大模型有上下文窗口限制（如GPT-3.5是4096个token）。我们的ConversationContext只保存了最近几条消息。如果对话很长，需要实现一个“摘要”功能：当历史记录太长时，调用AI对之前的对话进行总结，然后用总结摘要替代旧的历史记录，以节省token并保持长期记忆。
  3. 程序重启丢失：内存中的conversation_contexts字典在程序重启后会清空。对于需要长期记忆的场景，必须将会话上下文持久化到数据库（如SQLite、Redis）中，启动时加载。

7.4 成本控制

• 问题：AI API调用费用不知不觉就超了。
• 控制策略：
  1. 设置预算和监控：在云服务商后台设置每日/每月预算告警。
  2. 限制使用范围：在代码中严格限制“龙虾”只在指定的私聊或群聊中响应。
  3. 使用更经济的模型：日常聊天使用gpt-3.5-turbo而非gpt-4。国内平台的轻量版模型也是不错的选择。
  4. 缓存常见回答：对于“你好”、“谢谢”等常见问候语，可以直接在程序内定义回复，无需调用AI，节省token。

搭建并运行一个微信AI助手，就像养育一个数字生命。从最初简单的自动回复，到后来集成各种技能、拥有长期记忆，这个过程充满了探索的乐趣和解决问题的成就感。它不仅仅是一个工具，更是一个理解当前AI能力边界、学习如何将AI融入具体场景的绝佳实践项目。记住，安全、合规和有节制的使用是让这个项目持续有趣的前提。现在，就去创造属于你自己的那只独一无二的“龙虾”吧。