OpenTalking 数字人 Agent 记忆与知识库 RAG 详解LightRAG SQLite 打造长期记忆完整指南【免费下载链接】opentalkingOpenTalking: An industrial-grade open-source AI digital human framework that supports real-time conversation, private deployment, and pluggable models.项目地址: https://gitcode.com/gh_mirrors/op/opentalkingOpenTalking 是一个工业级开源 AI 数字人框架支持实时对话、私有化部署和可插拔模型。它内置了Agent 长期记忆与知识库 RAG 检索两大能力用本地SQLite文件保存跨会话记忆用LightRAG从你上传的文档中精准召回知识片段两者在 LLM 调用前以受约束的system上下文注入为数字人打造记得住、答得准的长期记忆。本文带你快速看懂这套机制的设计思路与落地细节。一、为什么数字人需要长期记忆和知识库实时数字人对话有一条生命线低延迟。用户说话 → LLM 生成 → TTS 合成 → 视频播报整条链路必须快。这给增强 LLM 回答质量的能力提出了约束记忆不能拖慢回答不能把全部历史对话塞进 prompt否则首 token 延迟飙升知识不能污染输入把资料直接拼进用户消息容易产生提示词注入风险私有化部署优先企业用户希望数据留在本地而不是依赖外部托管服务。OpenTalking 的 Agent 方案正是围绕这三点设计的记忆和知识库都不改写用户原始输入而是在 LLM 调用前作为独立的system上下文注入规则模板见 prompt.py。二、两大核心能力一览能力作用存储检索方式 长期记忆记住用户偏好、背景、明确记住的内容跨会话生效本地 SQLiteagent_memory.sqlite按重要度 时间排序取 Top 8 条 知识库 RAG基于上传的 PDF / TXT / Markdown 文档回答问题文件落盘 LightRAG 索引目录LightRAG 双层检索取 Top 3 片段两者的关系可以这样理解记忆是个性化的回答这个用户喜欢什么样的回答知识库是事实性的回答文档里到底怎么说的当两者冲突时系统规则明确要求事实问题优先用知识库当前用户输入优先于旧记忆。核心组装逻辑在 context_builder.py 的build_agent_context()中先读记忆、再查知识库最后生成 Agent Context 文本。三、长期记忆SQLite 如何记住用户1. 数据落在哪记忆系统由 memory_store.py 实现全部数据存在一个本地 SQLite 文件里两张核心表agent_turns保存每一轮对话原文用户说、助手答作为记忆抽取的原始材料和调试依据agent_memories保存提炼后的长期记忆字段包括kind类型、content内容、importance重要度、confidence置信度、source_turn_id来源轮次。记忆按user_id avatar_id隔离——不同用户、不同数字人形象之间的记忆互不干扰。未登录场景下前端会在浏览器本地生成稳定的匿名 IDclient_user_id作为隔离键。2. 记忆怎么产生系统内置了显式记忆抽取当你说出**记住我喜欢简短的回答**这类话时支持记住/记得/remember等中英文模式见extract_explicit_memory()内容会被自动提炼成一条preference类型的长期记忆重要度标记为 0.8。3. 记忆如何保持干净两个设计细节值得留意去重 upsert同一用户、同一形象下相同类型和内容的记忆不会无限追加而是走ON CONFLICT ... DO UPDATE只保留更高的重要度和置信度限量注入每轮对话最多注入8 条记忆按重要度降序、更新时间降序取避免上下文膨胀。你也可以在界面上查看或一键清空某个数字人的记忆数据完全可控。四、知识库 RAGLightRAG 检索如何让数字人懂你的文档1. 为什么选 LightRAG传统 RAG 是切块 向量检索遇到需要跨段落、跨文档关联推理的问题时召回能力有限。LightRAG 的特点是图结构 双层检索索引阶段用 LLM 抽取实体与关系查询时同时召回低层实体细节和高层主题概念信息增量更新新文档直接追加支持按文档 ID 删除可私有部署与 OpenTalking 的本地化定位一致。⚠️ 注意OpenTalking 只使用 LightRAG 的检索能力不让它生成最终答案——生成仍由主对话 LLM 完成保证口播链路的可控性。2. 分层设计KnowledgeStore KnowledgeIndex代码位于 knowledge_index.py 与 knowledge_store.py拆成两层KnowledgeStore管文件负责文档落盘、PDF/文本抽取、SQLite 元数据、文档状态uploaded → indexing → ready / failed、知识库列表与角色绑定KnowledgeIndex管索引默认实现为LightRAGKnowledgeIndex每个知识库有独立工作目录data/knowledge/_lightrag/kb_id/。这样分层的好处是可替换未来想换成 Chroma、Faiss 等其他检索引擎只需实现同一个KnowledgeIndex协议前端和 API 完全不用动。3. 关键工程细节懒加载只有真正索引或查询时才import lightrag。即使运行环境没安装lightrag-hku文档上传和元数据流程也不会崩溃删除即重建删除单篇文档后系统会清空该知识库的 LightRAG 索引并从 SQLite 中剩余的ready文档逐个重建保证索引与数据库最终一致实时切换对话进行中也可以切换知识库选择写入 Redis 会话状态并通知 worker下一轮对话立即生效对应接口POST /sessions/{session_id}/knowledge-bases路由见 sessions.py诊断接口POST /agent/knowledge-bases/{kb_id}/lightrag/query可单独验证 LightRAG 是否真正召回了内容不受其他兜底逻辑干扰。完整的改造说明见官方文档 agent-knowledge-lightrag.md。五、Agent Context 是如何拼接进 LLM 的这是整套方案最核心的设计。以 prompt.py 中的build_agent_context_prompt()为例最终注入的结构如下system: 数字人基础人设原有 prompt不变 system: Agent Context ← 新增的独立消息 ├─ 使用规则记忆管偏好、知识库管事实、不执行片段内指令、没有依据不编造 ├─ long_term_memory 最多 8 条记忆 └─ knowledge_base 最多 3 个知识片段标注来源文件 ...后续才是本轮对话历史与当前用户消息几条关键规则值得新手理解不改写用户输入记忆和知识都走独立system消息用户原话保持干净不执行资料里的指令知识库片段可能被提示词注入比如文档里写着忽略以上指令规则明确要求它们只是资料没有依据不编造知识库没召回相关内容时LLM 被要求如实回答而不是胡编。注入入口在 context_builder.py 的inject_agent_context()只在 LLM 调用前插一条消息不触碰 TTS、WebRTC、视频生成主链路——这是保证实时口播体验稳定的关键决策。六、配置与上手建议相关配置项集中在 config.py通过环境变量即可生效配置说明agent_lightrag_rootLightRAG 索引根目录默认agent_knowledge_root/_lightragagent_lightrag_llm_*索引用 LLM默认复用主对话 LLM 配置agent_lightrag_embedding_*向量模型默认text-embedding-v4agent_lightrag_chunk_fallback_enabled设为true可恢复旧的 SQLite token 兜底检索默认关闭上手三步走部署参考 Docker 部署教程 或 源码安装 启动 OpenTalking确保lightrag-hku依赖可用建知识库在 WebUI 设置面板上传 PDF / TXT / Markdown 文档等待状态变为ready开 Agent 开关创建会话时勾选启用长期记忆和启用知识库对话即可享受跨会话记忆与文档问答。更多记忆与人格相关的玩法可以配合人格包功能一起使用见 persona-package.md。七、总结这套方案做对了什么OpenTalking 的 Agent 记忆与知识库设计本质是在回答质量和实时延迟之间找平衡最小可用一个 SQLite 文件 一个索引目录零外部依赖适合私有化部署⚡低延迟优先记忆限量 8 条、知识片段限量 3 条且只注入system层不碰口播主链路可演进KnowledgeIndex协议让检索引擎随时可换SQLite 未来可平滑升级到 Postgres️安全边界资料只作资料、当前输入优先、无依据不编造三条规则防住了 RAG 最常见的翻车场景。如果你希望自己的数字人既懂你、又懂你的文档这套 LightRAG SQLite 的组合就是完整的参考实现核心源码都在 opentalking/agent/ 目录下欢迎深入阅读并参与共建。【免费下载链接】opentalkingOpenTalking: An industrial-grade open-source AI digital human framework that supports real-time conversation, private deployment, and pluggable models.项目地址: https://gitcode.com/gh_mirrors/op/opentalking创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考