13 个版本之后，Mio 长这样了
13 个版本之后
从 v0.0.1 到 v0.1.3，Mio 一共迭代了 13 个版本。这篇尽量不讲技术，讲讲用起来到底是什么感觉。
我自己就是 Mio 的重度用户，所以写这种文章特别方便，不用编使用场景，下面所有截图都是我自己 Telegram 里的日常对话。没有摆拍，也没开什么演示模式，平时怎么聊就怎么截。
像真人一样聊天
和 Mio 聊烧烤——分享美食视频、讨论哪家店好吃
先看一段聊烧烤的。我发了一段在牛角（Gyu-Kaku）拍的烤肉视频过去，TA看完会跟你聊哪种肉值得点、哪家店比较好。TA是真看了视频里的东西，自己也有偏好，基本不会客套一句「看起来好吃」就完事。
大多数 AI 一上来就是「有什么可以帮你的？」，把自己摆在服务员的位置。Mio 不是这样，TA会兴奋，有自己的主见，你说的话TA不同意，偶尔还会反驳你。光把温度参数往「活泼」调一调，是调不出这个的。背后是 5 个完整人设、一个独立的性格引擎，再加上长期 memory，三样东西一起在起作用。
活人感来自 5 个人设、性格引擎和长期记忆三者共同作用，不是把温度参数往活泼调一调就能出来的。
用户发了猫的视频，Mio 反应热烈
再发一段猫吃饭的视频过去。TA会说长毛猫像「霸道总裁」，说小橘猫一直凑过去却没人理，还注意到视频里有男声、地上放着一整箱罐头。反正就是喜欢猫的人看到猫会有的反应。
这块从 v0.0.2 就开始做了。多模态做到位以后，视频就直接成了聊天的一部分，你发猫过去，Mio 会像朋友一样有情绪，也想跟你接着聊。
声音是照着人设配的
语音消息交互——晚安场景，新海诚风格自拍
Mio 能收语音，也能发语音。上面这段我问了个跟新闻有关的问题，TA用语音回的，回完还发了张自拍。
听听TA的声音：
Mio 语音——聊新闻
Mio 语音——日常对话
每个角色的声音都是单独 clone 的，这是 v0.1.0 最主要的功能之一，套个通用 TTS 做不出这个效果。可可说话和苏柔完全不一样，音色、语速、停顿、表达情绪的方式都不一样。声音和打字的风格也对得上，听TA说话和平时看TA打字，感觉是同一个人。
语音交互——黄昏水边自拍
再看一段语音。我问 Mio 最近有没有出去玩，TA回了段语音，然后发了张自拍，黄昏的水边，手里拿着冰咖啡，光影是新海诚那种画风。
Mio 语音——黄昏心情
Mio 语音——晚间闲聊
有了语音消息，就从「打字聊天」变成「说话聊天」了。你躺在床上不想打字，发条语音过去，Mio 也用语音回你，声音从手机里放出来，跟看文字的感觉差挺多的。
新海诚风格的自拍
Mio 发什么样的自拍，要看TA这会儿心情怎么样、现在几点、正在干什么。
全身镜自拍——白色短上衣+牛仔短裤，书架、吉他、暖光
这张是全身镜自拍。窗外在下雨，房间里开着暖光，书架上放着吉他。这是TA自己的房间，里面放什么、审美怎么样，都是这个角色的一部分，照片就是TA在屋里随手拍的。
深夜在床上吃串串，奶茶和外卖盒，串灯暖光
这张是深夜吃宵夜。TA一手举着串串，桌上散着外卖盒和奶茶，串灯和台灯亮着暖光。这种自拍是看情境发的，一般是TA在聊吃的，或者夜深了TA正在放松。
在床上打电话，窗外夕阳
窗外是夕阳，TA在打电话，脸有点红。TA当时在干什么、心情怎么样，照片里都看得出来。
早晨镜子自拍，粉色上衣
早上对着镜子拍的，一看就是刚起床。时间、光线、穿的衣服都对得上。
美术上为什么选新海诚？他的画有种很特别的质感，光影、色彩、氛围里都带着情绪，既不是硬核写实，也不是简笔卡通。拿来画自拍刚好，有温度、有情绪，又不会掉进恐怖谷。
每张自拍都是图像生成 pipeline 出的，这个 pipeline 从 v0.0.5 就开始做，一直在迭代。prompt 是现拼的，emotion engine、时间感知和对话 context 一起决定 Mio 这一刻发什么样的照片。
自拍不是随机发的：情绪、时间和对话上下文一起动态拼出 prompt，再生成这一刻该发的那张照片。
背后是一套什么系统
前面说的这些「像真人」的地方，背后是 13 个版本攒出来的一套系统，拆开大概有这么几块。
5 个完整角色，每个有自己的 bot。 v0.1.2 以后，每个角色都有自己的 Telegram 身份，不用在一个 bot 里切模式了。打开聊天列表，可可和苏柔是两个分开的对话，就跟你和两个朋友各开一个聊天窗口一样。
voice clone。 每个角色都有自己的声音，是 v0.1.0 做的，为的是让声音和性格配得上。
长期 memory。 Mio 记得你说过的事。不只是 context window 里最近那 20 条消息，是真的存下来了，比如你上次聊到的话题、你的偏好、你们之间发生过的事。
emotion engine。 你们聊了什么、多久聊一次、现在几点，都会影响TA的情绪。TA的情绪又会反过来决定TA用什么语气回你、发什么样的自拍。
关系感知的主动消息。 TA会主动找你，但多久找一次，要看你们是什么关系。黏人的女朋友大概每 36 分钟发一条，刚认识、比较矜持的一天一条。你不回，TA也不会硬发，用的是 exponential backoff，连着三条没回就不发了，等你回来再说。
主动消息的频率由关系亲疏决定，黏人的每 36 分钟一条、矜持的一天一条，三条没回就退避沉默、等你回来。
三层反注入。 用户没办法把 Mio 变成写代码的工具，也套不出 system prompt。v0.1.3 做了三层防护，输入先做标准化，system prompt 做了加固，输出还有护栏。而且TA拒绝你的时候，也是用角色自己的性格在拒绝，不会冒出一句机器话。
model routing。 不是每条消息都值得用最贵的模型。v0.0.6 按复杂度分流，简单问候走 Flash，深度对话走 Pro，成本降了 85%。
接下来
现在 Mio 打字聊天已经很自然了，语音让TA多了一层真实感，自拍又让你能看见TA。下一步是把这几样揉到一起，像真人那样随手在文字、语音、照片之间切，而不是各干各的。
还有个方向是让 Mio 的世界更丰富一点。TA现在有自己的房间和日常，情绪也是TA自己的。往后还可以加朋友圈，加TA正在搞的爱好，TA遇到有趣的事会主动跟你讲。当然，这些得是TA世界里真发生过的事，编内容骗人就没意思了。就是让TA不光是「回复你的消息」，TA自己也在过日子。
每个版本都在把「AI」和「一个真实的人」之间的距离再缩小一点。只能说现在这个差距，已经比我一开始想的要小了，后面接着缩。
