前几天的实战中，我们的对话记录都保存在内存（RAM）中，程序重启即丢失。今天是 Day 6，我们将引入工业级缓存数据库 Redis，配合 LangChain Community 的 RedisChatMessageHistory 组件，彻底解决记忆丢失问题。本文将手把手教你使用 Docker 快速部署 Redis，并重构代码实现 Session 级别的持久化存储，让 Project Echo 真正

历经 15 天的硬核开发，Project Echo 终于迎来了最终交付。为了彻底解决“在我电脑上能跑”的环境依赖噩梦，今天我们将引入 Docker 和 Docker Compose。我们将编写多阶段构建的 Dockerfile，配置 Nginx 反向代理，并编排 Backend、Frontend、Redis 三大容器。只需一个 docker-compose up -d 指令，即可在任何服务器上拉起

Day 3 我们完成了代码重构。今天是 Day 4，我们将攻克 LLM 应用开发中最基础也最重要的功能——Memory（记忆）。为了解决原生 API 的“无状态”问题，我引入了 LangChain 框架。本文将首先揭示 LangChain 记忆管理的底层原理（4步闭环），随后以架构师的视角指出“全量记忆”带来的 Token 爆炸 隐患，并最终采用 ConversationSummaryBuffer

Day 11 我们实现了语音合成，今天我们将补全多模态交互的另一半拼图——STT (语音转文本)。我将引入 OpenAI 开源的 Whisper 模型（Base版本），它具备惊人的多语言识别能力和抗噪能力。本文将封装一个 AudioRecorder 模块用于麦克风录音，并构建 STTEngine 引擎，实现“听到声音 -> 转化为文字 -> 触发 RAG 对话”的完整闭环。

Day 1 我们成功打通了“通信管道”，但目前的机器人说话像个客服。今天是 Day 2，我们将进入 Prompt Engineering（提示词工程）。我将从工程角度解析 System Prompt 的作用，并通过代码将“人设配置”与“业务逻辑”解耦，实现一个可随时切换性格（如：傲娇、温柔、毒舌）的情感机器人。

本文开启“情感聊天机器人”15天实战（Day 1）。不同于简单Demo，我制定了5阶段工程化路线图：从基础对话、记忆系统、RAG知识库到语音交互及Web部署。项目采用 Python + 阿里通义千问+ LangChain 技术栈。本篇记录Miniconda环境搭建、API配置及基础源码，手把手带你入门大模型应用开发。

Day 11-12 我们完成了语音的输入输出，但交互方式依然停留在“按键触发”的原始阶段。今天是 Day 13，我们将引入 VAD (语音活动检测) 算法。通过计算音频流的能量阈值 (RMS)，让 Project Echo 能够自动判断用户何时开始说话、何时停止说话。我们将重构录音模块，实现 “唤醒 -> 自动聆听 -> 自动静默检测 -> 自动回复” 的全自动闭环，打造真正的 Hands-fre

今天是 Phase 5 的第一天，我们不仅要实现前后端分离，还要把 Day 13 的“全自动语音交互”搬到网页上！由于服务器无法直接访问客户端麦克风，架构必须升级。我将在 Vue 3 前端引入 @ricky0123/vad-web（基于 ONNX 的端侧推理模型），实现“浏览器端静默检测”。后端 FastAPI 则升级支持音频文件上传，配合 Whisper 和 LangChain 完成全链路响应。

历经 15 天的硬核开发，Project Echo 终于迎来了最终交付。为了彻底解决“在我电脑上能跑”的环境依赖噩梦，今天我们将引入 Docker 和 Docker Compose。我们将编写多阶段构建的 Dockerfile，配置 Nginx 反向代理，并编排 Backend、Frontend、Redis 三大容器。只需一个 docker-compose up -d 指令，即可在任何服务器上拉起

今日聚焦算力服务基建，搭建了基于FastAPI的异步算力网关。通过定义统一的JSON通讯契约，实现了Java业务中台与Python算力服务之间的逻辑解耦。在核心AI工作流尚未完全闭环前，利用Mock模式先行打通了“提交任务-状态流转-结果回显”的全链路业务逻辑。同时，引入了基于Header的Token鉴权中间件，为昂贵的GPU算力资源构建了安全屏障。至此，异构系统间的“任督二脉”已调通，项目开发重