Memora｜AI 长期记忆与关系分析平台产品系统

随着个人数字信息持续增长，传统聊天工具只能保存消息，难以形成可搜索、可追溯、可持续更新的长期记忆。Memora 面向聊天记录分析与个人知识管理场景，将用户导入的 TXT、JSON 等聊天数据统一解析、清洗和结构化，建立按联系人隔离的关系档案、向量索引和证据链。系统通过混合检索 RAG、分层人物画像与关系报告，把大量碎片化聊天内容转化为可检索的长期记忆、互动趋势、沟通模式和行动建议。项目也可迁移至企业知识库、客服会话分析、销售跟进、用户画像和私域数据分析等业务场景。

Memora 是一套具备完整前后端、AI 检索与云端部署能力的智能关系分析产品。系统支持 TXT、JSON 聊天记录导入，自动识别参与者、统一消息格式，并按时间与语义规则生成聊天 chunk。后端通过向量检索、BM25、RRF 混合排序和 rerank 构建可追溯的 RAG 知识库，回答结果可定位至原始聊天片段。系统采用周级 Summary、阶段性 Profile 和关系报告的分层记忆结构，避免一次性向大模型提交全部历史数据，在控制成本的同时提高长期分析准确度。产品提供关系军师、记忆检索、关系时间线、互动模式、关键证据、行动建议及完整关系报告等功能，并支持联系人级数据隔离、用户认证、额度控制、任务进度恢复、后台队列、失败重试和云端持久化。

我主要负责 Memora 的产品架构设计、核心功能研发及云端部署，参与完成前端交互、Python 后端、RAG 检索、LLM 工作流、数据库与后台任务系统的全链路建设。
前端使用 React、TypeScript、Vite 开发，实现联系人档案、TXT/JSON 聊天记录导入、任务进度恢复、关系军师、记忆检索、证据回溯及交互式关系报告；使用 IndexedDB 保存本地会话和页面状态，并通过 Supabase 完成用户认证、额度及历史数据管理。
后端使用 Python 构建模块化服务，将不同格式聊天记录统一转换为结构化消息，再按照时间边界和上下文连续性生成 chunk。检索层采用向量召回、BM25、加权 RRF 融合及 rerank 的多阶段架构，同时支持时间范围、关键词和指定发言人检索。所有结论关联真实 chunk_id/evidence_id，可回溯查看原始聊天上下文。
在人物分析方面，设计了“周级 Summary—阶段 Profile—原始证据 RAG”的分层记忆体系，避免全量历史数据重复提交大模型；关系报告包含关系状态、时间线、互动模式、主动性趋势、风险提示和行动建议。
工程上实现了联系人级数据隔离、异步任务队列、并发控制、指数退避、任务持久化和断点状态恢复，并通过 Docker、Zeabur 和持久化数据卷完成前后端线上部署。主要难点是超长聊天数据处理、多来源格式兼容、检索准确率、模型成本控制。