PersonaForge — 把人物资料锻造成可对话 AI Agent
- Demo 简介
是什么： PersonaForge 是一个 Web 应用（单页 HTML，纯前端零后端）。它能把人物的书、演讲、访谈、文章等资料，通过 LLM "锻造"成一个真正用该人物思维方式回答问题的 AI Agent。
面向谁： 想向人物学习的人（学生、研究者、职场人）；想做知识传承/教学/决策演练的人；想把专家经验沉淀成 Agent 的人。
主要功能：
锻造工作台（核心） — 选择预设人物或输入自定义人物 + 资料，真实 LLM 会按照方法论把资料提炼为 Agent 的 system prompt：身份定义 → 核心原则 → 表达风格 → 回答规则。整个过程流式可见，这就是"把任务提炼和定制化制作出来"的过程。
真实 LLM 对话 — 和锻造出的人物 Agent 真实对话（流式输出），不是关键词匹配的固定回复。接入 OpenAI 兼容接口（支持 DeepSeek、火山方舟、月之暗面等）。
System Prompt 档案查看 — 可随时查看锻造出的 Agent 的四层结构档案，理解"为什么这个 Agent 像本人"。
产品截图：
① 锻造台主界面
② 锻造过程流式输出
③ 对话界面
④ System Prompt 档案查看]
- Demo 创作思路
灵感来源： 我发现市面上很多"人物 AI"要么是固定话术模板（说"hi"就蹦出一堆预设投资建议），要么是简单 RAG 检索原文片段拼贴回答——都不像本人在思考。真正像本人，需要的不只是"知道什么"，更是"怎么思考"。
想解决的问题：
把资料丢进 RAG ≠ 理解了人物（容易断章取义）
关键词匹配固定回复 ≠ 像本人（死答案是反例）
模仿口头禅 ≠ 风格校准（要抓住表达节奏、类比偏好、不确定性措辞）
为什么做这个方向： 这个项目的重点不是"展示一个固定的处理流程"，而是"怎么把任务提炼和定制化制作出来"。每个人物的 Agent 都不是写死的，而是 LLM 基于资料实时锻造的——这才是 LLM 驱动的生产方法，而不是固定流程展示。
核心方法论 — System Prompt 四层结构：
身份定义层：你是谁、背景、立场
核心原则层：决策规则、思维框架、行为边界（这是灵魂）
表达风格层：句式偏好、常用类比、不确定性措辞
回答规则层：证据意识、双层回答、能力边界声明
为什么比纯 RAG 更像本人：RAG 解决"知道什么"，system prompt 解决"怎么思考"。
- Demo 体验地址：GitHub 仓库：GitHub - YinFY90/PersonaForge · GitHub （已更新多文件结构） 在线体验：https://yinfy90.github.io/PersonaForge/
同时提供 HTML 格式文件 Zip 打包（见附件 PersonaForge-Demo.zip）作为备用。
PersonaForge-Demo.zip (24.0 KB)
体验方式：
点击上方在线链接（或下载解压 zip 后用浏览器打开 index.html）
点击"开始锻造"，首次使用需配置 LLM API（支持 OpenAI / DeepSeek / 火山方舟等 OpenAI 兼容接口，API Key 仅保存在本地浏览器）
选择预设人物（巴菲特/马斯克/芒格/乔布斯）或输入自定义人物 + 资料
点击"开始锻造"，观看 LLM 实时提炼原则并生成 system prompt
锻造完成后进入对话，和人物 Agent 真实交流
没有 API Key 也能浏览展示页面和方法论；完整锻造+对话体验需要配置 LLM 接口。
- TRAE 实践过程
本 Demo 完全使用 TRAE 开发完成。开发流程如下：
第一步：项目分析与方法论提取 我先用 TRAE 分析了一个已有的人物 Agent 项目，提取出通用的"人物 AI 分身构建方法论"（去除特定人物绑定），整理成结构化的生产方法。
[需补充：截图 1 — TRAE 中分析项目/提取方法论的对话]
Session ID： 2147782169735380:799ffb8547bfeae7eb507af6a8a3dfaa_6a4e022050e5d003d090f737.6a4e022050e5d003d090f73a.6a4e022050e5d003d090f738:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/7/8 15:54:08)
第二步：Demo 架构设计与初版生成 用 TRAE Work 基于提取的方法论，生成初版 Demo（展示页面 + 交互体验）。采用深蓝/灰白/金色配色，桌面端优先兼顾手机端。
[需补充：截图 2 — TRAE Work 中生成 Demo 的对话]
Session ID： 2147782169735380:ff3dac8b09e9bc7b1175830a2c15eab0_6a4e022050e5d003d090f737.6a4e51a750e5d003d090f9f6.6a4e51a750e5d003d090f9f4:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/7/8 21:33:27)
第三步：根据反馈重构为 LLM 驱动 初版采用关键词匹配的固定回复，测试后发现"发个 hi 就出一堆固定内容"是反例——违背了"LLM 驱动"的核心。用 TRAE 彻底重构：
移除所有固定回复，接入真实 LLM API（OpenAI 兼容）
把展示重心从"固定流程"改为"锻造工作台"——核心交互是亲手把资料锻造成 Agent
增加 API 配置、流式输出、System Prompt 档案查看
[需补充：截图 3 — TRAE 中重构为 LLM 驱动的对话]
Session ID： 2147782169735380:ff3dac8b09e9bc7b1175830a2c15eab0_6a4e022050e5d003d090f737.6a4e51a750e5d003d090f9f6.6a4e51a750e5d003d090f9f4:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/7/8 21:33:27)
技术栈： 纯前端单页 HTML（无后端、无构建工具），OpenAI 兼容 Chat Completions API（流式），localStorage 存储配置。
- 报名帖链接