Aura Backend - Advanced AI Companion

Aura 后端 - 高级 AI 伙伴

集成向量数据库、情绪智能和 Model Context Protocol 的高级 AI 伙伴

当前的情绪评估行为

Aura 现在会区分对用户情绪的试探性解读、自身模拟的语气、主动弃答、无效的模型输出以及无法进行分析的情况。 每个被接受的提议都包含经过核验的原文引述，以及所分析文本的哈希值。分析失败时，结果会保持为未知，包括在存储的历史记录中；不会再悄然变成“正常”。文本无法测量用户的脑部活动或化学物质水平。界面会将 Aura 的指标标记为根据已保存的控制器状态生成的模拟结果；分类结果未知并不会清除这些读数。

本地 Ornith 烟雾测试评估中，12 个虚构案例有 11 个按预期处理；有一个含糊的讽刺句子被错误标记。因此，其严格验收门槛未通过。这是一个经过测试的验证边界，并不能证明其具备可靠的通用情绪识别能力。有关确切行为、局限性和重新运行命令，请参阅实现与评估报告。历史数据尚未重写。

两项警告与免责声明

• AI 生成的代码

• 尽管我尝试设置了安全措施，Aura 仍可能以多种方式造成危险，包括但不限于： 电脑损坏 用户心理健康与依赖 情绪驱动的自主活动

用户自行承担全部责任。

🌟 功能

🧠 高级认知架构

• ASEKE 框架：自适应社会情绪知识生态系统
• 试探性情绪评估，包含经过核验的原文引述和明确的不确定性
• 认知焦点追踪，覆盖不同的思维框架
• 自适应自我反思，实现持续改进
• 🆕 思维提取：通过思维分析和认知透明度，透明呈现 AI 推理过程

🗄️ 智能记忆系统

• 向量数据库集成：使用 ChromaDB 进行语义搜索
• 持久化对话记忆：基于嵌入的检索
• 情绪模式分析：追踪长期变化
• 认知状态追踪和趋势分析
• MemVid AI QR code mp4 memory：基于无限 MP4 的记忆
• 内部 AI 引导的记忆整理工具：将信息从短期记忆系统移至长期记忆系统，以避免瓶颈并对聊天进行分类

🔗 MCP 集成

• Model Context 客户端：使用与 Claude Desktop 相同的 MCP 配置 JSON 格式——使用任意工具！
• Model Context Protocol 服务端，用于外部工具集成
• 标准化 AI Agent 通信，遵循 MCP 规范
• 工具生态系统兼容性，可与其他启用 MCP 的系统协同工作
• 双向数据交换，支持与外部 AI Agent 交互

📊 高级分析

• 情绪趋势分析，包含稳定性指标
• 认知模式识别和优化
• 个性化建议，基于交互历史生成
• 数据导出，支持多种格式（JSON、CSV 等）

数据流

1. 用户输入 → 前端 → FastAPI
2. 处理 → 向量数据库搜索 → 上下文检索
3. AI 处理 → 明确选定的提供方 → 生成响应
4. 状态更新 → 情绪/认知分析 → 模式存储
5. 记忆存储 → 向量数据库 → 持续学习
6. 外部访问 → MCP 服务 → 工具集成

🧠 AI 思考与推理透明度

思维提取能力

• 实时推理捕获：在对话过程中提取并分析 AI 的思维过程
• 思维摘要：自动生成推理摘要，便于快速理解
• 认知透明度：全面了解 Aura 如何处理问题并做出决策
• 推理指标：详细分析思维模式、处理时间和认知负荷

思维配置

• 思维预算：可配置的推理深度（1024-32768 tokens）
• 回复集成：可选择在用户回复中加入推理内容
• 模式分析：长期分析推理模式和认知发展
• 性能优化：思维效率指标和优化建议

🎭 情商系统

模拟情绪

标题会显示 Aura 已提交的控制器状态中最强的倾向： 平静、好奇、兴奋、担忧、温暖、满足或平和。对话事件 由所选模型提出，根据精确的源文本引文进行检查，并在生成回复前 转换为有界、经过编写的状态变化。用户情绪推断与 Aura 可选的回复风格分析 是分开的记录；回复分析失败不会冻结或覆盖控制器。

模拟指标

• 脑波标签：Alpha、Beta、Gamma、Theta、Delta 是激活频段； 百分比显示频段内的变化。
• 化学通道：模拟面板中会显示六个控制器读数。 标题显示数值最大的通道；即使其他通道发生变化，该通道也可能保持稳定。
• 状态会随对话持续保存，并在轮次之间逐渐衰减至基线。 这些是软件类比，并非实测脑电图或化学物质浓度。 用户评估不带有任何生物学标签。

有关因果路径、检查和局限，请参阅对话模拟修复。

🧠 ASEKE 认知框架

组成部分

• KS（知识基底）：共享对话上下文
• CE（认知能量）：心理努力和注意力分配
• IS（信息结构）：想法和概念模式
• KI（知识整合）：学习和关联过程
• KP（知识传播）：信息共享机制
• ESA（情绪状态算法）：情绪对处理过程的影响
• SDA（社会生物驱动因素）：社交动态和信任因素

📊 分析与洞察

情绪分析

• 稳定性指标：一段时间内的情绪一致性
• 主导模式：最常见的情绪状态
• 转换分析：情绪状态变化及其触发因素
• 强度跟踪：情绪强度分布
• 脑波相关性：神经活动模式分析

认知跟踪

• 专注模式：ASEKE 组件的使用情况
• 学习效率：知识整合速率
• 上下文切换：认知灵活性指标
• 注意力分配：认知能量分布

🚦 性能-

响应的处理时间会因任务而异。如果有编码人员愿意看看能否加快处理速度，我将不胜感激。

优化

• 向量数据库索引，实现快速搜索
• 异步处理并发请求
• 免费本地嵌入：支持 Ollama 和 fastembed（BGE/Gemma），避免 API 费用
• 自主子模型后台专注门控和任务处理，用于状态更新和工具使用
• 工具学习适配器
• MemVid 无限记忆，采用现代化的 .mv2 单文件归档！

监控

• 健康检查端点
• 性能指标收集
• 错误跟踪与报告
• 资源使用情况监控

MCP 客户端现已完全可用！！！已尝试集成 Memvid——仍在测试中。

我不是编码人员，所以希望有人尝试时能顺利完成设置。

支持的本地启动

Aura 是一款私有的单用户本地应用。它没有登录层，默认绑定到 127.0.0.1。请从仓库根目录运行这些命令。

一次性依赖设置

设置是由操作人员明确执行的操作。启动命令和包装脚本不会安装、同步或下载软件或模型。

uv sync --locked

如需启用真实的 Memvid 归档集成，请改为安装锁定的附加依赖：

uv sync --locked --extra memvid

设置 AURA_MEMVID_ENABLED=true，并将 MEMVID_EMBEDDING_PROVIDER=ollama 与已安装的 MEMVID_EMBEDDING_MODEL（例如 embeddinggemma:latest）搭配使用。设置 MEMVID_TELEMETRY=0 可禁用 SDK 分析。此适配器使用预先计算的本地向量，不使用 SDK 隐式选择的云端嵌入。

内存存储有三个不同的用途：SQLite 保存已提交的对话；Chroma 为活跃语义搜索建立嵌入索引；Memvid 使用自己的向量保存独立的 .mv2 归档快照。在 UI 中，归档此聊天会复制最近的 100 轮对话，并在重新打开后验证已保存的内容。它不会删除活跃消息，也不会导入旧的 Chroma／视频归档。归档文件保存在已配置的账本目录下的 memvid/ 中。搜索复选框用于选择活跃内存、归档，或两者兼选。Memvid 成功启动后，Aura 还会接收 archive_session 和 search_archives 工具。

可选择运行真实的本地冒烟测试；该测试使用临时合成数据，并测试聊天连续性、归档、搜索和应用重启：

uv run --locked --no-sync python scripts/verify_local_memory.py

维护中的 Aura Modelfile 位于 docs/models/ornith-apex/Modelfile.aura。使用 ollama create aura-ornith:35b -f docs/models/ornith-apex/Modelfile.aura 重新构建。它请求 131072 个令牌的上下文和 8192 个令牌的生成预算；实际生成可以使用更小的显式请求预算。分配上下文并不保证在全部容量下都能准确回忆。本地测试的回忆探测使用了 30000 个输入令牌。AURA_HISTORY_MAX_CHARS 是单独的应用历史字符预算，而非令牌预算；请将其设在模型容量以内。

npm ci

仅当你想自定义本地默认设置时，才将 .env.example 复制为 .env。示例选择 Ollama，且不包含凭据。Gemini 和 OpenRouter 是可选的云端提供商，需要明确选择提供商，并在私有环境中提供相应凭据。

先进行预检，再启动服务

日常使用时，请运行下面的 serve 命令；它会自动运行预检。在 Linux 上，现有启动器是更简短的等效方式：./start_full_system.sh。这两个命令都会加载此仓库的 .env，无需额外标志。已导出的 shell 变量优先级更高。AURA_MODEL 适用于任何已选择的提供商；若设置了 OPENROUTER_MODEL 或 OLLAMA_MODEL，则优先于它。选择 OpenRouter 无需本地 Ollama 聊天模型。

活跃内存搜索使用 AURA_EMBEDDING_PROVIDER 和 AURA_EMBEDDING_MODEL。兼容性默认值为 sentence_transformers / all-MiniLM-L6-v2。对于本地 Ollama 嵌入，请选择 ollama / embeddinggemma:latest；AURA_EMBEDDING_BASE_URL 可选地覆盖用于嵌入的 OLLAMA_BASE_URL。单独的 MEMVID_EMBEDDING_* 设置仅适用于可选归档。更改活跃嵌入模型后，首次使用时会构建并验证新的派生索引，然后再切换；旧版本和 SQLite 记录会保留。嵌入请求失败时，重建会保持未完成状态，而不会切换到无效索引。这可能会使首次内存操作变慢。 对话连续性使用同一用户/会话中已提交的交互记录， 而不仅仅依赖提供商会话标识符。在 AURA_HISTORY_MAX_CHARS 限制内保留最近最多 100 条交互记录 （默认 24000 个字符，而非 token）。只有在确认模型上下文分配后，才能提高此限制。 聊天历史使用真实会话 ID 和稳定的首条消息标题；其列表请求上限为 100 条。 启动时会先初始化并打开所选账本，然后才报告已就绪。 AURA_CLEAN_INSTALL=true 会选择新的 SQLite 支持读取路径，而不导入 旧版存储。Chroma 仍是派生语义索引；Memvid 是独立的可选归档集成，并非聊天的 前提条件。

uv run --locked --no-sync python -m aura_backend.runtime preflight

预检仅生成报告。它会检查 Python、uv、Node、npm、两份锁定契约、 提供商配置、所选端口和存储路径、所选提供商服务和所选模型，以及应用就绪状态。提供商 行是有界的实时提供商检查；它们不属于离线测试套件。预检绝不会安装依赖项、下载模型、创建存储、 更改权限、终止其他进程或启动 Aura。

JSON 状态为 pass（退出码 0）、missing（2）、failed（3）、 blocked（4）、not_run（5）或 not_applicable（6）。只有完整的 pass 才允许启动。其他结果会指出安全修复代码；请明确执行任何修复，然后重新运行预检， 不要将受阻的检查视为已就绪。

uv run --locked --no-sync python -m aura_backend.runtime serve

serve 会先运行预检，只启动所请求的本地子进程， 等待后端 /ready 响应，并在启动失败或子进程失败时返回非零状态。Ctrl+C/SIGTERM 只会清理由本次调用启动的进程和本地提供商会话。取消操作无法保证停止云提供商处的 远程计算或计费。

跨平台启动器会将调用转交给相同的命令： ./start_full_system.sh 和 start_full_system.bat 运行完整 serve； ./aura_backend/start_api.sh 和 ./aura_backend/start_frontend.sh 则只选择其中一端。 ./aura_backend/start_mcp.sh 是独立的可选 MCP 转交脚本，不属于 Aura 的常规就绪流程。

常规的私有使用请保留回环地址默认值。传入非回环地址的 --host 即表示明确开放给局域网；运行时会警告 Aura 没有登录功能。 请勿将 Aura 直接暴露到互联网。

serve 报告已就绪后，本地 UI 地址为 http://localhost:5173， API 地址为 http://localhost:8000，API 文档地址为 http://localhost:8000/docs。环境受限和实时提供商检查的结果仅能说明 这台机器的情况，并不能证明所有提供商或模型都可用。

有关当前后台处理、记忆行为、配置更改和验证，请参阅自主工作与记忆。

📡 API 端点

核心 API

• 健康检查：GET /health
• 处理对话：POST /conversation
• 搜索记忆：POST /search
• 情绪分析：GET /emotional-analysis/{user_id}
• 导出数据：POST /export/{user_id}

API 文档

访问 http://localhost:8000/docs 查看交互式 API 文档。

🔗 MCP 集成

可用的 MCP 工具- 正在处理情绪状态记录，希望明天能修好

1. search_aura_memories：对话历史语义搜索
2. analyze_aura_emotional_patterns：深入分析情绪趋势
3. store_aura_conversation：将记忆添加到 Aura 的知识库
4. get_aura_user_profile：检索用户个性化数据
5. export_aura_user_data：数据导出功能
6. query_aura_emotional_states：情绪智能系统相关信息
7. query_aura_aseke_framework：ASEKE 认知架构详情

连接外部工具

要将外部 MCP 客户端连接到 Aura：

示例 MCP 客户端配置——用于让 Claude 或其他客户端与 Aura 通信，或将其用作系统。

编辑目录路径，并将配置放入 Claude 桌面应用的配置 JSON 文件中。

{
  "mcpServers": {
    "aura-companion": {
      "command": "uv",
      "args": [
        "--directory",
        "/home/ty/Repositories/ai_workspace/emotion_ai/aura_backend",
        "run",
        "aura_server.py"
      ]
    }
  }
}

🏗️ 架构

系统组件

┌─────────────────────────────────────────────────┐
│                  Frontend                       │
│              (React/TypeScript)                 │
└─────────────────┬───────────────────────────────┘
                  │ HTTP/WebSocket
┌─────────────────▼───────────────────────────────┐
│                FastAPI                          │
│             (REST API Layer)                    │
├─────────────────┬───────────────────────────────┤
│                 │                               │
│  ┌──────────────▼─────────────┐                │
│  │     Vector Database        │                │
│  │       (ChromaDB)           │                │
│  │                            │                │
│  │ • Conversation Memory      │                │
│  │ • Emotional Patterns       │                │
│  │ • Cognitive States         │                │
│  │ • Knowledge Substrate      │                │
│  └────────────────────────────┘                │
│                                                 │
│  ┌────────────────────────────┐                │
│  │     State Manager          │                │
│  │                            │                │
│  │ • Emotional Transitions    │                │
│  │ • Cognitive Focus Changes  │                │
│  │ • Automated DB Operations  │                │
│  │ • Pattern Recognition      │                │
│  └────────────────────────────┘                │
│                                                 │
│  ┌────────────────────────────┐                │
│  │     File System            │                │
│  │                            │                │
│  │ • User Profiles            │                │
│  │ • Data Exports             │                │
│  │ • Session Storage          │                │
│  │ • Backup Management        │                │
│  └────────────────────────────┘                │
└─────────────────┬───────────────────────────────┘
                  │ MCP Protocol
┌─────────────────▼───────────────────────────────┐
│              MCP Server                         │
│         (External Tool Access)                 │
│                                                 │
│ • Memory Search Tools                           │
│ • Emotional Analysis Tools                      │
│ • Data Export Tools                             │
│ • ASEKE Framework Access                        │
└─────────────────────────────────────────────────┘

🧪 测试

健康检查（正常工作）

curl http://localhost:8000/health

思考功能测试（新增！）

# Test thinking extraction capabilities
cd aura_backend
python test_thinking.py

# Interactive thinking demonstration
python thinking_demo.py

# Check thinking system status
curl http://localhost:8000/thinking-status

单元测试

pytest tests/

集成测试

./test_setup.py

负载测试

# Example using wrk
wrk -t12 -c400 -d30s http://localhost:8000/health

本地开发

很抱歉这里比较混乱，我不确定下面这些内容是否能用，但如果你胆子够大，或者知道自己在做什么，欢迎尝试。

生产环境（Docker）

# Build image
docker build -t aura-backend .

# Run container
docker run -p 8000:8000 -v ./aura_data:/app/aura_data aura-backend

Systemd 服务

# Copy service file
sudo cp aura-backend.service /etc/systemd/system/

# Enable and start
sudo systemctl enable aura-backend
sudo systemctl start aura-backend

🤝 与前端集成

要更新的 API 端点

更新前端以使用以下端点：

const API_BASE = "http://localhost:8000";

// Replace localStorage with API calls
const response = await fetch(`${API_BASE}/conversation`, {
  method: "POST",
  headers: { "Content-Type": "application/json" },
  body: JSON.stringify({
    user_id: userId,
    message: userMessage,
    session_id: sessionId,
  }),
});

WebSocket 支持（未来）

未来将通过 WebSocket 连接提供实时更新和流式响应。

📚 高级用法

自定义 MCP 工具

通过扩展 mcp_server.py 创建自定义 MCP 工具：

@tool
async def custom_aura_tool(params: CustomParams) -> Dict[str, Any]:
    """Your custom tool implementation"""
    # Implementation here
    pass

向量数据库查询

直接访问向量数据库以执行高级查询：

from main import vector_db
results = await vector_db.search_conversations(
    query="emotional support",
    user_id="user123",
    n_results=10
)

🐛 故障排除

请使用启动指南中的安全修复代码。 Aura 在故障排除期间绝不会终止未知进程、删除数据库、输出凭据，或重建环境。存储诊断和修复仍须以数据保全为前提；任何手动更改前，请先创建经过验证的备份。

日志

查看以下位置的日志：

• 开发期间的控制台输出
• 系统日志：journalctl -u aura-backend（如果使用 systemd）
• 应用程序日志：./aura_data/logs/

🔒 安全-警告！由 AI 生成，因此我对这些功能完全不信任

数据保护

• 所有用户数据均存储在本地
• 本地 Ollama 会让模型流量保留在本地；明确选择的云服务提供商则会按照各自的条款传输请求
• 嵌入和存档均为本地数据，可能包含敏感信息
• 默认的本地 HTTP 连接未经加密

访问控制

• 没有登录或 API 身份验证；请保持默认的回环边界
• 已启用速率限制
• CORS 配置
• 输入验证和清理

🛣️ 路线图

即将推出的功能

• 实时 WebSocket 连接
• 高级情绪预测模型
• 多用户协作功能
• 更完善的 MCP 工具生态系统
• 移动应用后端支持
• 高级分析仪表板
• 与外部 AI 模型集成

长期愿景

• 多模态交互（语音、视频、文本）
• 在多个 Aura 实例之间进行联邦学习
• 高级个性适配
• 企业级部署选项
• 开源社区生态系统

📄 许可证

我的东西大概是 MIT 许可证，但还有 google-genai 和 memvid 等其他软件，所以我想这是混合授权。 也就是说，别在不带上我的情况下偷走我的创意去赚钱，哈哈。不过我真的很穷。

🤝 贡献

欢迎贡献！请阅读我们的贡献指南，并提交拉取请求以供审核。

📞 支持

如需报告问题或获取支持：

1. 查看故障排除部分
2. 查看日志和错误消息
3. 创建详细的问题报告
4. 参与社区讨论

---

Aura Emotion AI——通过先进的情商和精密的记忆系统，推动 AI 陪伴与辅助的未来。