my-neuro

你是否想象过，有一个真正「懂你」的 AI 伙伴？

清晨，你刚睡醒，屏幕角落的虚拟角色睁开眼，主动跟你说"早啊，昨晚睡得怎么样？"——它记得你昨天加班到凌晨两点，记得你随口提过想吃楼下那家肠粉。这就是 my-neuro 想做的事：不是通用聊天机器人，而是专属于你、记住你一切、陪你成长的 AI 伴侣。

背景：Neuro-sama 启发的开源梦想

my-neuro 诞生于一个简单却野心勃勃的想法：能不能把 AI 虚拟角色的体验，真正带到每个人的桌面上？项目名称致敬了知名 AI VTuber Neuro-sama，但定位完全不同——它不是表演者，而是一面为你量身打造的镜子。

作者 morettt 在 README 中写道："希望有一个真正的能懂你、理解你、且永远不会觉得无聊的 AI 陪伴在身旁。难受就一起难受，开心就一起开心。"这个愿景在 GitHub 上获得了 1200+ 颗星，吸引了全球开发者参与贡献。

核心技术架构：多模块集成的 AI 工作台

my-neuro 本质上不是一个单一应用，而是一个模块化 AI 工作台，将语音识别（ASR）、大语言模型（LLM）、语音合成（TTS）、视觉理解和长期记忆等能力串联在一起：

语音输入链路：基于 FunASR（Paraformer 大模型）实现中文/英文语音识别，支持流式输入，实测延迟可控制在 1 秒以内。配合热词增强（hotwords.txt），对特定人名、术语识别更精准。

语音输出链路：默认集成 GPT-SoVITS 开源方案，支持用户训练专属声音模型。也可以接入 DMXAPI 等闭源商业接口，切换不同角色的音色——男声、女声、动漫风都能实现。

对话与推理：支持双模型架构。开源路线可接入本地 Ollama 或其他本地 LLM（需自行部署）；闭源路线推荐 DMXAPI，统一接入 GPT-4o、Claude、通义千问等主流大模型，降低配置门槛。

记忆系统（MemOS）：这是项目最具差异化的部分。基于 Qdrant 向量数据库做语义检索，结合 Neo4j 图数据库构建知识图谱，用 NetworkX 做关系网络分析。系统会记住你和 AI 的关键对话、你的性格偏好、你们共同经历的事件，形成持续演化的长期记忆。

Live2D 数字人：支持 2D（Live2D Cubism）和 3D（VRM）两种形象方案。角色的表情和动作由对话内容驱动——高兴时微笑、思考时歪头、激动时挥拳——通过 emotion_actions.json 和 emotion_expressions.json 配置动作映射表。内置"肥牛（Fake Neuro）"是一个傲娇搞笑的默认角色，声线可爱，表情丰富。

视觉理解：集成 CLIP 模型，AI 可以"看到"屏幕上发生的事，结合 PyAutoGUI 实现桌面控制——用语音让 AI 帮你打开某个软件、点击特定按钮。

功能全景：从聊天到 B 站直播

my-neuro 的功能列表令人印象深刻，几乎覆盖了你能想到的所有桌面 AI 交互场景：

直播能力：支持哔哩哔哩平台实时互动直播，AI 可以作为主播与观众弹幕互动。这是 VTuber 场景的直接落地。

AI 讲课：选择一个主题，AI 自动备课并讲解，中途允许用户插嘴提问。如果输入专业资料到 RAG 数据库，AI 还能理解该领域的专属知识。

游戏陪玩：接入了《我的世界》和 Galgame，AI 作为同伴或角色与玩家共同推进剧情——这是一个实验性但极具想象空间的探索。

联网搜索：集成联网功能，AI 可以实时搜索最新信息，不局限于训练数据的截止日期。

主动对话：不是被动等待用户输入，AI 会根据上下文主动发起话题——就像一个真实的朋友。

部署体验：诚意十足的 GUI 安装器

项目提供了 installer.py——一个用 Tkinter 构建的图形化安装程序，界面设计相当成熟。安装流程分为：组件选择 → 确认安装 → 自动下载。组件包括 ASR 模型、TTS 模型、RAG 工具包等，支持按需安装节省磁盘空间。

不过必须指出几个现实门槛：GPU 是必须的（推理速度依赖），conda 环境管理增加了复杂度，多个模型文件的下载在国内网络环境下可能较慢。README 建议使用 DMXAPI 闭源接口来降低配置难度，但也意味着额外费用。

代码质量方面，项目采用 FastAPI + uvicorn 构建后端服务层，结构清晰；前端可选 Flask Web UI 或 Streamlit 记忆可视化；Conda 环境隔离避免依赖冲突。requirements.txt 依赖较多，但注释清晰，分块管理（ASR/LLM/RAG/MemOS/WebUI）。

局限与挑战

坦白说，my-neuro 目前仍处于快速迭代期。README 中列出的"计划功能"（真实情感模拟、情绪状态、屏幕自由移动等）大多尚未完成。更重要的是：

• 本地推理门槛高：全本地模式需要配置 Ollama、本地 embedding 模型、向量化数据库，技术栈较深；
• Windows 强依赖：installer.py 是 Windows bat 批处理模式，Linux/macOS 用户需自行适配；
• 记忆一致性：长期记忆如何避免"遗忘"和"幻觉"仍是有待工程解决的问题；
• Live2D 资源：模型文件未包含在仓库中，需要额外下载或自行制作。

行业意义与未来

my-neuro 代表了一种趋势：从通用 AI 到个人化 AI。当 GPT-4 回答任何人都一样的问题时，my-neuro 试图打造的是"我的 AI"——它有我的记忆、学我的声音、长我的理想中的样子。

项目目前的完成度约 30%（作者自评），但核心链路（语音 → LLM → TTS → 表情）已经跑通。随着开源多模态模型和端侧推理能力的进步，这类个人化 AI 伴侣应用会越来越轻量、越来越普及。

my-neuro 的意义不仅在于技术，更在于开源社区的参与——VTuber 场景、游戏陪玩、讲课助手、B 站直播等衍生需求，都是用户在真实使用中生长出来的。它的目标不是替代现有的 AI 聊天机器人，而是填补"有温度的桌面 AI 伴侣"这个细分场景的空白。