RelaMind - AI 个人成长伙伴
记录成长，理解自己，成为更好的你
RelaMind 是一个基于 AI 的个人成长轨迹分析系统，帮助用户通过记录生活、回顾历史、分析模式来更好地理解自己，实现持续成长。
📸 效果展示
主页
主页展示三个核心功能：智能对话、成长日记、任务助手，采用现代化的渐变设计和动画效果
智能对话 - 智能路由功能
智能对话系统支持自动识别用户意图，智能路由到最合适的处理方式：
普通聊天模式
日常陪伴聊天，情感支持，引导记录
RAG 历史查询模式
自动检索历史记录，回答"我的日记里写过什么呢？"等问题
工具调用模式
自动调用搜索、下载、生成文件等工具完成任务
智能路由识别过程
系统会自动识别用户意图并路由到对应模式：
普通聊天路由
系统识别为普通聊天意图，使用日常陪伴模式
RAG 查询路由
系统识别为历史查询意图，自动使用 RAG 检索模式
工具调用路由
系统识别为工具调用意图，自动调用相应工具
成长日记
成长日记记录界面，支持心情选择、标签管理、内容记录，自动存储到向量数据库
Manus 任务助手 🤖
Manus 是 RelaMind 的高级智能体，基于 ReAct（Reasoning and Acting）模式，能够自主规划复杂任务并执行多步骤操作。
任务执行流程展示
步骤 1：任务分析和规划
Manus 分析用户需求，制定执行计划，展示思考过程和调用的工具
步骤 2：信息收集和处理
Manus 自动调用搜索、网页抓取等工具收集信息，实时显示执行进度
步骤 3：内容生成和文件创建
Manus 整理信息并生成文件，支持 txt、PDF 等多种格式，提供下载链接
步骤 4：任务完成和结果展示
任务完成后，Manus 展示最终结果和生成的文件，用户可直接下载
核心特性：
- 流式输出：每执行完一步立即显示，实时反馈任务进度
- 思考过程可视化：清晰展示 AI 的思考内容和决策过程
- 工具调用透明化：显示调用的工具名称，隐藏技术细节
- 文件自动生成：支持生成 txt、PDF 等格式文件，并提供下载链接
- 多步骤协作：自动协调多个工具完成复杂任务
敏感词检测 🛡️
系统内置敏感词检测功能，确保内容安全和合规性。
当用户输入包含敏感词时，系统会立即拦截并提示，不调用大模型 API，保护系统安全
技术特点：
- Trie 树算法：基于前缀树实现高效的敏感词匹配
- 零 API 调用：检测到敏感词时直接拦截，不消耗大模型 API 资源
- 实时检测：在请求发送到大模型前进行检测，响应速度快
- 可配置词库：支持从配置文件加载敏感词库，便于维护和更新
✨ 产品定位
RelaMind 定位为"你的 AI 成长伙伴"，通过以下方式帮助用户：
- 日常陪伴：倾听用户心声，给予情感支持和理解
- 引导记录：鼓励用户记录生活点滴，养成记录习惯
- 成长分析：基于历史记录分析成长模式，提供个性化洞察
- 主动关怀：记住用户的重要信息，适时主动关心
🎯 核心功能
1. 智能对话 💬
功能特点：
- 智能路由：自动识别用户意图（普通聊天 / 历史查询 / 工具调用），选择最合适的处理方式
- 日常陪伴：多轮对话、情感支持、引导记录
- 历史检索：基于 RAG 技术检索历史记录，回答"我去年这个时候在做什么？"等问题
- 工具调用：自动调用搜索、下载、生成文件等工具
- 对话记忆：基于 Cassandra 存储对话历史，实现长期记忆
使用场景：
- 日常聊天：“今天心情不错”
- 历史查询：“我去年这个时候在做什么？”
- 工具调用：“帮我搜索一下今天的天气”
2. 成长日记 📝
功能特点：
- 心情记录：8种心情选择（开心、兴奋、平静、疲惫、难过、焦虑、生气、困惑）
- 标签管理：自定义标签 + 常用标签，便于分类和检索
- RAG 存储：自动存储到向量数据库，支持语义检索
- 元数据丰富：自动记录日期、时间、心情、标签等信息
使用场景：
- 记录日常感想和心情
- 构建个人成长知识库
- 为后续的 RAG 检索提供数据源
3. Manus 任务助手 🤖
功能特点：
- 自主规划：基于 ReAct（Reasoning and Acting）模式，自主推理和行动
- 多工具协作：自动调用多个工具完成复杂任务（搜索、抓取、文件生成等）
- 多步骤执行：支持复杂的多步骤任务规划，最多支持 10 步
- 流式输出：每执行完一步立即显示，实时反馈任务进度
- 思考可视化：清晰展示 AI 的思考过程和决策逻辑
- 文件生成：自动生成 txt、PDF 等格式文件，并提供下载链接
- 工具调用透明化：显示调用的工具名称，隐藏技术细节
使用场景：
- 制定完整的计划（如"帮我制定一个周末计划"）
- 信息收集和整理（如"帮我搜索学习健身的建议，以 PDF 格式返回"）
- 需要多步骤操作的任务（如"帮我搜索今天的新闻，整理成文档"）
- 复杂的信息处理（如"帮我分析某个主题，生成报告"）
执行流程：
- 思考阶段：分析用户需求，制定执行计划
- 行动阶段：调用相应工具（搜索、抓取、文件操作等）
- 迭代执行：根据结果继续思考，执行下一步
- 任务完成：生成最终结果和文件，提供下载链接
4. 智能意图识别 🧠
技术特点：
- 基于 LLM 的分类：使用结构化输出进行意图分类，提高准确率
- 规则匹配：快速规则匹配（默认），可切换为 LLM 分类
- 置信度机制：当识别置信度较低时，主动询问用户确认
- 持续优化：记录识别准确率，持续优化模型
5. 敏感词检测 🛡️
功能特点：
- Trie 树算法：基于前缀树实现高效的敏感词匹配，时间复杂度 O(n)
- 零 API 调用：检测到敏感词时直接拦截，不消耗大模型 API 资源
- 实时检测：在请求发送到大模型前进行检测，响应速度快
- 可配置词库：支持从
sensitive_words.txt 配置文件加载敏感词库
- Advisor 拦截：通过 Spring AI Advisor 机制，在调用链早期拦截
技术实现：
- 使用
SensitiveWordAdvisor 作为最高优先级 Advisor（order = -100）
- 基于 Trie 树的多模式匹配算法
- 支持中英文敏感词检测
- 自动加载和初始化敏感词库
使用场景：
- 防止用户输入不当内容
- 保护系统安全，避免恶意请求
- 节省 API 调用成本
6. 工具调用能力 🔧
- 联网搜索：实时搜索最新信息
- 文件操作：保存、读取用户文件
- 网页抓取：提取网页内容
- 资源下载：下载图片、文档等资源
- PDF 生成：生成个性化报告
- 终端操作：执行代码脚本
7. MCP 服务集成 🌐
- 地图服务：查找附近地点、规划路线
- 图片搜索：从特定网站搜索图片
- 扩展能力：支持自定义 MCP 服务
🛠️ 技术栈
后端技术
- Java 21 + Spring Boot 3
- Spring AI：AI 应用开发框架
- LangChain4j：AI 应用开发工具库
- Cassandra：对话记忆持久化存储
- PgVector：向量数据库，用于 RAG 检索
- Spring AI ChatClient：多轮对话、Advisor、ChatMemory
- Spring AI RAG：知识库检索增强生成
- Spring AI Tool Calling：工具调用能力
- Spring AI MCP：模型上下文协议支持
AI 能力
- 大模型接入：支持多种 AI 大模型（通义千问、GPT 等）
- Prompt 工程：优化的提示词设计
- 结构化输出：使用 Entity 进行结构化数据提取
- 流式响应：SSE 流式传输，提升用户体验
- 多模态支持：支持文本、图片等多种输入
工具与库
- Kryo：高性能序列化
- Jsoup：网页抓取
- iText：PDF 生成
- Knife4j：API 文档生成
前端技术
- Vue 3：前端框架
- Vite：构建工具
- SSE：服务器推送事件，实现流式响应
部署
- Docker：容器化部署
- Serverless：支持 Serverless 部署
📁 项目结构
RelaMind/
├── src/main/java/io/el12stu/RelaMind/
│ ├── app/ # 核心应用逻辑
│ │ └── RelaMindApp.java # 智能路由、RAG、工具调用
│ ├── agent/ # AI 智能体
│ │ ├── Manus.java # 自主规划智能体
│ │ └── ReActAgent.java # ReAct 模式智能体
│ ├── advisor/ # Spring AI Advisor
│ │ ├── SensitiveWordAdvisor.java
│ │ ├── IntentDetectionService.java
│ │ └── ...
│ ├── chatmemory/ # 对话记忆
│ │ └── CassandraBasedChatMemory.java
│ ├── rag/ # RAG 相关
│ │ ├── RelaMindAppDocumentLoader.java
│ │ ├── QueryRewriter.java
│ │ └── ...
│ ├── service/ # 业务服务
│ │ ├── IntentDetectionService.java # 意图识别
│ │ ├── DiaryService.java # 日记存储服务
│ │ └── SensitiveWordService.java
│ ├── tools/ # 工具定义
│ │ ├── WebSearchTool.java
│ │ ├── FileOperationTool.java
│ │ ├── PDFGenerationTool.java
│ │ └── ...
│ └── controller/ # API 接口
│ ├── AiController.java # 智能对话接口
│ └── DiaryController.java # 日记记录接口
├── src/main/resources/
│ ├── application.yml # 配置文件
│ └── document/ # 知识库文档
└── ai-agent-frontend/ # 前端项目
└── src/
├── views/
│ ├── Home.vue # 主页（三个功能卡片）
│ ├── RelaMind.vue # 智能对话页面
│ ├── Diary.vue # 成长日记页面
│ └── SuperAgent.vue # 任务助手页面
├── components/
│ └── ChatRoom.vue # 聊天室组件
└── api/
└── index.js # API 调用封装
🚀 快速开始
环境要求
- JDK 21+
- Maven 3.6+
- PostgreSQL（支持 PgVector）
- Cassandra（可选，用于对话记忆）
配置说明
- 配置 AI 大模型 API Key（在
application.yml 中）
- 配置数据库连接（PostgreSQL、Cassandra）
- 配置向量数据库（PgVector）
运行项目
方式一：本地开发运行
# 后端
mvn spring-boot:run
# 前端
cd ai-agent-frontend
npm install
npm run dev
方式二：Docker 部署（推荐）🐳
难度评估：⭐⭐☆☆☆（简单到中等）
Docker 化已经完成，支持两种部署方式：使用预构建镜像（推荐）或本地构建。
前置要求：
- 安装 Docker 和 Docker Compose
- 配置 AI 大模型 API Key
🚀 方式 A：使用预构建镜像（推荐，最简单）
优点：无需构建环境，直接拉取使用，快速启动
# 1. 克隆仓库
git clone https://github.com/your-username/RelaMind.git
cd RelaMind
# 2. 创建配置文件
cp env.example .env
# 3. 编辑 .env 文件，配置以下内容：
# - DASHSCOPE_API_KEY（必填）：你的阿里云 DashScope API Key
# - GITHUB_USER（必填）：你的 GitHub 用户名
# - GITHUB_REPO（必填）：仓库名（通常是 RelaMind）
# - POSTGRES_PASSWORD（可选，建议修改）：数据库密码
# - CASSANDRA_PASSWORD（可选，建议修改）：Cassandra 密码
# 4. 修改 docker-compose.yml 中的镜像地址
# 将 your-username 替换为你的 GitHub 用户名
# 例如：ghcr.io/your-username/RelaMind/backend:latest
# 5. 启动所有服务
docker-compose -f docker-compose.yml up -d
# 6. 查看服务状态
docker-compose -f docker-compose.yml ps
# 7. 查看日志
docker-compose -f docker-compose.yml logs -f backend
访问应用：
🔨 方式 B：本地构建镜像
优点：可以自定义构建参数，适合开发调试
# 1. 创建 .env 文件（可选，用于配置敏感信息）
cp env.example .env
# 编辑 .env 文件，至少配置 DASHSCOPE_API_KEY
# 2. 使用开发配置启动（会自动构建镜像）
docker-compose up -d --build
# 3. 查看服务状态
docker-compose ps
# 4. 查看日志
docker-compose logs -f backend
📋 配置说明
所有配置通过环境变量注入，镜像中不包含任何敏感信息。
必填配置：
DASHSCOPE_API_KEY：阿里云 DashScope API Key
可选配置（有默认值）：
POSTGRES_USER：默认 relamindPOSTGRES_PASSWORD：默认 relamind123（⚠️ 生产环境建议修改）CASSANDRA_USERNAME：默认 cassandraCASSANDRA_PASSWORD：默认 cassandra（⚠️ 生产环境建议修改）
详细配置说明请查看 CONFIGURATION.md
🛠️ 常用命令
# 启动服务
docker-compose -f docker-compose.yml up -d
# 停止服务
docker-compose -f docker-compose.yml down
# 停止并删除数据卷（⚠️ 会删除所有数据）
docker-compose -f docker-compose.yml down -v
# 查看日志
docker-compose -f docker-compose.yml logs -f backend
# 重启服务
docker-compose -f docker-compose.yml restart backend
# 修改配置后重启
# 1. 修改 .env 文件
# 2. 重启服务
docker-compose -f docker-compose.yml restart backend
📦 Docker 文件说明
Dockerfile：后端应用镜像（多阶段构建，优化镜像大小）ai-agent-frontend/Dockerfile：前端应用镜像（Nginx 托管）docker-compose.yml：开发环境配置（本地构建镜像）docker-compose.prod.yml：生产环境配置（使用预构建镜像）.dockerignore：优化构建速度，排除不必要的文件
⚠️ 注意事项
-
首次使用预构建镜像：
- 需要先修改
docker-compose.prod.yml 中的镜像地址
- 替换
your-username 为你的 GitHub 用户名
- 确保镜像已发布到 GitHub Container Registry
-
端口占用：
- 确保端口 80、8123、5432、9042 未被占用
-
数据持久化：
- 数据存储在 Docker volumes 中
- 删除容器不会丢失数据
- 使用
docker-compose down -v 会删除所有数据
-
配置修改：
- 修改
.env 文件后，重启服务即可生效
- 无需重新构建镜像
📚 更多文档
📝 使用示例
智能对话示例
普通聊天：
用户：今天心情不错
AI：太好了！能分享一下是什么让你心情这么好吗？要不要记录下来，这样以后可以回顾一下这些美好的时刻。
历史记录查询（自动使用 RAG）：
用户：我去年这个时候在做什么？
AI：根据你2023年3月的记录，当时你正在准备一个重要的项目，还记录了一些关于工作压力的思考...
工具调用（自动调用工具）：
用户：帮我搜索一下今天的天气
AI：[自动调用搜索工具] 根据搜索结果，今天天气晴朗，温度...
成长日记示例
用户可以通过界面记录：
- 选择心情：😊 开心
- 添加标签：工作、思考
- 输入内容：今天完成了一个重要项目，感觉很有成就感…
保存后，这些记录会自动存储到向量数据库，后续可以通过智能对话检索。
Manus 任务助手示例
示例 1：生成学习建议文档
用户：我想学习健身，给我一些建议，以txt文件格式返回。
Manus 执行流程：
━━━ 步骤 1 ━━━
💭 思考：用户希望学习健身并获得一些建议，最终以txt格式返回。需要先收集关于学习健身的有效建议，然后生成txt文件。
🔧 调用的工具：searchWeb
━━━ 步骤 2 ━━━
💭 思考：已获取搜索结果，需要抓取相关网页内容获取详细信息。
🔧 调用的工具：scrapeWebPage
━━━ 步骤 3 ━━━
💭 思考：已收集足够信息，现在需要整理并生成txt文件。
🔧 调用的工具：writeFile
━━━ 步骤 4 ━━━
💭 思考：文件已成功生成，任务完成。
✅ 任务完成，调用的工具：doTerminate
📁 生成的文件：
1. 健身建议.txt [点击下载]
示例 2：生成 PDF 报告
用户：帮我搜索今天的新闻，整理成PDF格式返回。
Manus 执行流程：
1. 搜索新闻 → 2. 抓取网页内容 → 3. 整理信息 → 4. 生成PDF → 5. 任务完成
📁 生成的文件：今日新闻.pdf [点击下载]
敏感词检测示例
用户输入：包含敏感词的内容
系统响应：[系统安全提示]：您的输入包含敏感内容，请求已被拦截。
特点：
- 零 API 调用：直接拦截，不消耗大模型资源
- 实时响应：毫秒级检测速度
- 安全可靠：保护系统免受不当内容影响
🎨 产品特色
- 智能路由：自动识别用户意图，无需用户选择，系统自动选择最合适的处理方式
- 长期记忆：基于向量数据库实现长期记忆，真正理解用户的成长轨迹
- 个性化：基于用户历史数据提供个性化建议，而非泛泛而谈
- 一体化体验：智能对话、成长日记、任务助手三大功能无缝衔接
- 持续优化：记录准确率，持续优化意图识别模型
🔄 功能流程
完整使用流程
- 记录阶段：用户在"成长日记"中记录感想和心情
- 存储阶段：日记自动存储到向量数据库（RAG）
- 对话阶段：用户在"智能对话"中与 AI 交流
- 检索阶段：当用户询问历史时，系统自动通过 RAG 检索相关记录
- 分析阶段：AI 基于历史数据提供个性化分析和建议
智能路由流程
用户输入
↓
意图识别（规则/LLM）
↓
┌─────────┬──────────┬──────────┐
│普通聊天 │ RAG查询 │ 工具调用 │
└─────────┴──────────┴──────────┘
↓
智能回复
📄 许可证
本项目采用 MIT License 许可证。
RelaMind - 记录成长，理解自己，成为更好的你 ✨
评论