用 Python 和 DeepSeek 打造拥有“记忆”的 AI 智能助手

我最近开始折腾一件事：能不能用 Python 再加上 DeepSeek，自己搞一个能记住我的 AI 助手？那种真正“懂我”的，像个贴心小助理一样的工具。

目标明确：它要能记住我的对话习惯、能查天气、能翻译，还得能 24 小时在线，有事喊它，它就来，最好还能部署在云上随叫随到。

听起来是不是有点“野心”？但说真的，做起来其实也没有那么难，这篇文章我就从我的视角，带大家从零开始撸一个拥有记忆的 AI 助手，看它怎么从“冷冰冰”变成“有灵魂”。

AI 拥有“记忆”后，是种什么体验？

先别急着写代码，咱们先想个事——如果 AI 能记住你每天几点起床、早上喜欢喝什么、今天约了谁吃饭、平时喜欢用哪种语气和它说话，它是不是就更像“你的AI”而不是“一个工具”？我就是被这个想法钓上来的。

像我平常工作的时候经常要翻译点技术文档、查查天气安排行程、临时想起来查点资料，有个能一直陪着我、知道我需求的 AI 是多香。特别是当它能记住我上次跟它聊了什么，不用我每次重头来，这种体验是真的上头。要不是我真觉得现在的大部分 AI 工具有点“憨”，我都不会自己动手干了。

我理想中的 AI 助手应该有这几个能力：

• 能记住上下文，不只是单轮问答；
• 能查天气、翻译、搜资料；
• 能部署到云端，我在哪它就在哪；
• 最重要的是：能越来越了解我。

想实现这些功能，DeepSeek 是个好起点，因为它支持多轮对话，并且在上下文的处理上相对灵活，Python 又是我最熟悉的语言，用它来整合各种能力刚刚好。

怎么让 AI 变“聪明”：记忆系统搭起来！

AI 要想记住我们说过的话，最直白的做法就是——存起来！我这里用的是 SQLite，适合轻量级项目，如果用户多了换成 MySQL 或 PostgreSQL 更稳，还可以加上 Redis 来做缓存优化。

数据库存储对话

先建个数据库保存用户的每一次提问和 AI 的回应：

import sqlite3
conn = sqlite3.connect('memory.db')
c = conn.cursor()
c.execute('''CREATE TABLE IF NOT EXISTS memory
             (user_id TEXT, question TEXT, answer TEXT, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP)''')
conn.commit()

然后每次对话都存一条记录：

def save_conversation(user_id, question, answer):
    c.execute("INSERT INTO memory (user_id, question, answer) VALUES (?, ?, ?)",
              (user_id, question, answer))
    conn.commit()

如果要实现“记忆”，我们就得在用户发起新问题时，读取他过去几条的提问和回答，作为上下文传给 DeepSeek 模型。用这个方法就能实现多轮对话的“记性”。

读取历史对话

def get_history(user_id, limit=5):
    c.execute("SELECT question, answer FROM memory WHERE user_id=? ORDER BY timestamp DESC LIMIT ?", (user_id, limit))
    return c.fetchall()[::-1]  # 倒序读取

这一步做完，AI 助手就“有点脑子”了，不再是每次对话都像初次见面。是不是感觉已经从“工具”进化成“半个朋友”了？

加点技能包，让 AI 更有用！

光能聊天还不够，我们可以给这个助手装上几个常用技能包：

1. 查天气：让它知道你今天该穿什么

import requests
def get_weather(city):
    api_key = '你的API_KEY'
    url = f'http://api.weatherapi.com/v1/current.json?key={api_key}&q={city}&lang=zh'
    res = requests.get(url).json()
    return f"{city} 当前天气：{res['current']['condition']['text']}，气温：{res['current']['temp_c']}℃"

为了不被频繁请求限制，可以缓存一下城市的天气，每小时更新一次。

2. 翻译功能：看不懂的我帮你翻

我用的是 deep_translator 这个库，用法简单，支持多个翻译源。

from deep_translator import GoogleTranslator
def translate_text(text, target='zh'):
    return GoogleTranslator(source='auto', target=target).translate(text)

一句话搞定翻译，技术文档、外文邮件，不在话下。

3. 信息检索：像 Google 一样聪明

用 Google 自定义搜索 API（CSE）整合搜索结果，让 AI 真正具备“知道全世界”的能力。

def search_google(query):
    api_key = "你的API"
    cx = "你的搜索引擎ID"
    url = f"https://www.googleapis.com/customsearch/v1?q={query}&key={api_key}&cx={cx}"
    res = requests.get(url).json()
    return [item['snippet'] for item in res.get('items', [])[:3]]

然后把搜索结果传给 AI，它就能根据资料回答你问题，而不是拍脑门瞎说。

24小时在线，还能陪你熬夜加班！

接下来就是把这个助手变成服务，我用 Flask 写了个小 Web 接口，当然你也可以用 FastAPI：

from flask import Flask, request, jsonify
app = Flask(__name__)
@app.route("/chat", methods=["POST"])
def chat():
    data = request.json
    user_id = data["user_id"]
    question = data["message"]
        history = get_history(user_id)
    context = '\n'.join([f"你说：{q} AI答：{a}" for q, a in history])
        prompt = context + "\n你说：" + question
    answer = deepseek_response(prompt)  # 模型调用接口
    save_conversation(user_id, question, answer)
        return jsonify({"reply": answer})

现在它已经具备服务能力了，配合 Docker 打个包，轻松部署！

云端部署：真正做到“随叫随到”

最后一步，我们把这个助手部署上云：

• Heroku：简单、免费、适合入门；
• Vercel：前端部署为主，但支持后端；
• AWS Lambda：无服务器架构，更适合高并发；

我最开始用的是 Heroku，图的就是一个“快”。之后要扩展我准备用 AWS，搞个 Lambda + API Gateway，真香。

说实话，这次折腾让我对“AI 助手”这个东西有了全新理解。原来，真正的智能不只是回答问题，而是能“记得你是谁”。通过 DeepSeek 的对话能力，再结合数据库、接口、部署这一整套系统，我自己动手打造了一个真正“懂我”的助手。每次看到它记住我上次说的话，还能主动给出建议，我都忍不住跟它多聊两句。它不是一个死板的机器人，而是我工作生活的“第二大脑”。