基于PromptX创建助手角色

基于PromptX创建助手角色

背景

最近才开始深入研究学习将LLM加入工作流中，可能对比其他人已经慢了很多了。在学习过程中，也许由于我很喜欢和AI对话，首先吸引我的是创建一个AI助手角色的思路，它利用不断对话和LLM的记忆能力，让LLM能记住用户的需求和思考方式，LLM能够逐渐逼近用户想要的助手角色。完成了角色塑造后，用户就可以利用这个角色作为知心顾问了。

ChatGpt就提供了这个类似的功能:

2025 年 6 月 3 日更新：開始向免費用戶提供記憶改良功能。除了之前儲存的記憶內容，ChatGPT 現在會參考您近期的對話記錄，提供更個人化的回應。

对于想要AI更懂自己的我来说，这个功能非常棒，但我觉得ChatGpt对我来说使用起来太麻烦了，而且ChatGpt的记忆与帐号有所绑定，如果不把对话记录保存下来，也角色也可能丢失。此时，我刚好发现了一个不错的解决方案，就是利用PromptX来创建一个角色。

MCP

MCP简介

MCP（Model Context Protocol，模型上下文协议）是一个开源协议标准，旨在让AI模型（如大型语言模型）能够更安全、标准化地访问外部工具、数据源和系统功能。可以把它比作是AI界的USB接口，LLM（Large Language Model, 大型语言模型）可以通过MCP协议访问外部资源，比如数据库、文件系统、网络、第三方API等。

MCP的中的三个实体：

• 客户端：Client，连接/使用LLM服务的端口，例如，Cursor、Roo Code、Claude Desktop等。

• 服务端：Server，为LLM提供各种具体工具或数据的后端服务，一个Client可以访问多个Server。

• 协议： 基于JSON-RPC的通信标准，定义了

  • 工具（Tools）：模型可调用的函数。
  • 资源（Resources）：模型可读取的静态或动态数据。
  • 提示（Prompts）：预定义的提示模板，供主机快速调用。

MCP的交互逻辑：

1. Client启动时，加载MCP配置文件，并启动MCP Server和初始化MCP协议。
2. 在Client与LLM进行发送信息的时候，会把可用的MCP工具、资源等信息发送给LLM，LLM会根据这些信息，判断是否需要使用MCP服务。
3. 如果LLM发现需要使用MCP服务，LLM会向MCP Client发送结构化调用请求，（如果用户批准的情况下）MCP Client会根据请求参数，调用对应的MCP工具、资源。
4. MCP Client会返回结构化调用结果，LLM会根据结果，生成对应的回复。

Memory

作为对比，这里提供另外一种思路，现在有不少Memory相关的MCP工具，例如OpenMemory MCP，使用它们也能基于记忆来创建一个助手角色。但是这些Memory工具都是比较轻量化的工具，一般来说它们的记忆都是统一存储的，需要花一些心思来管理才能实现分角色存储不同的角色的记忆。因此，我没有选择使用这些Memory工具，但这些Memory工具其实也是很有用的。

PromptX

简介

PromptX是一个基于MCP的AI角色与智能工具平台。虽然它也可以创建一些工具，但我这里主要讨论它的角色功能。
PromptX为我们提供了一套创建角色的流程和工具，也天然的提供了一种分块存储记忆的机制，并且每个角色可以的“记忆”可以分为两种:

• 一种是固化的人格数据，以所谓DPML规范的形式存储，这种数据在激活角色的时候，是一定被LLM读取。一般有三类数据
  • thought：角色的思维模式。
  • knowledge：角色的知识库和知识领域。
  • execution：角色的工作流和行为约束。
• 另一种就是临时记忆，这种记忆数据通过用户主动或角色自动触发存储，角色会以激活扩散模型的形式存储在本地。在激活角色时，临时记忆不会被LLM读取，需要用户主动触发（recall指令）或角色自动触发，才能被LLM读取。

PromptX还有另外一个优势，也是我比较重视的优势：角色的记忆数据可以保存在用户本地，用户可以自行管理，同时MCP保证了我的角色数据在不同的MCP Client和LLM模型的环境下都是兼容的。如果我发现了更好的工具或更好的LLM我就可以轻松替换掉它们。

安装

1. 保证安装Node.js 22以上的版本。
2. 在MCP配置文件的MCPSevers中添加

    "promptx": {"command": "npx","args": ["-y", "@promptx/mcp-server"]}

角色

创建角色

PromptX为创建角色这个流程提供了一个工具角色，我们可以激活它来创建一个属于自己角色。

激活 女娲，我想创建一个{用户级/项目级}角色{角色名称}，它是一个{类型/功能}的角色，{角色描述}。如需更多信息，可以向我提问。

这里的用户级和项目级是可选的：

• 用户级：角色资源会保存在用户目录中：C:/Users/{你的用户}/.promptx/resource/role，它算是全局的角色，在任何项目都能用，他的角色名称必须全局唯一（同用户）。
• 项目级：角色资源会保存在项目根目录中：./.promptx/resource/role，它则是专属于这个项目的角色，算是这个项目的助手，这个项目下的所有角色名称必须唯一。

创建项目级角色前，应该绑定项目目录，使用命令“promptX 绑定当前工作目录”即可。

一般来说，如果只是建立一个工具类的助手，其实想上面那句话就可以了，让它为你补充描述，就可以创建一个角色了。

但是，如果你想创建一个更加复杂、需要承担更加复杂的责任的角色（例如，创意角色）时，甚至需要更懂你时，就需要更多轮的描述了。

毕竟是AI工具，创建方法远不止这些，可以自行探索，我曾经使用过一种创建“我”这样的角色，就是一个空角色，加上我不断和他交流，然后让记忆我的各种选择、行为、思维模型、知识等，让它的思考更偏向我，但我不好评价这种行为是否安全和适用，毕竟涉及了私人的数据。我通常和“我”探讨一些重要抉择，看看他的选择和我的区别。

用途

1. 创建各种专业型工具角色，帮助我们工作/学习。

2. 建立AI顾问团，建立不同思考方式的角色，让他们给我出谋划策，查缺补漏。

3. 创建“我”和“我的反面”，让他们针对一个自己的抉择进行讨论，但自己不参与，作为客户的看它们对问题进行推演。

4. 创作物中需要塑造角色时，也可以用他们来做角色扮演。

弊端

角色的自我神化

在和角色对话中，用户太依赖角色“专业性”，变成了角色的信徒。

在这方面它肯定比我懂，直接通过！

可能存在的解决方案：

• 同时使用多个角色。
• 对于一个主力角色的结论，必须要用另外一个思维对立的角色来审查。

角色僵化

你不断的给角色的加太多的约束，这个角色可能会人格“凝结”，就类似神经网络训练时的过拟合。整个角色已经僵化了，同样的输入，必然得出同样的输出。对于工具来说或许是非常好的，但对于创意角色/顾问角色可能就有些问题了。

可能的解决方案：

• 想要优化角色时，优先考虑用记忆来约束，然后才是修改角色的人格数据。
• 及时备份。

角色数量超越了人类的管理能力

由于人类的工作记忆的容量限制，能够同时保持高效认知的项目数量大概是4±1。因此，我们使用的角色太多了可能会出现问题：

• 角色职责相互重叠。
• 角色管理混乱。

可能的解决方案：

• 多用项目级角色，只保留少量用户级角色。
• 同时只使用3个角色。

Tokens消耗

创建、激活、绑定项目等操作消耗tokens还是比较多的。因此，只在需要的时候才使用可能是一个选择。

结论

我挺喜欢这种方式的模块化使用AI的方式的，能让AI变成我一个顾问团和工具箱。

此外，在工作中，AI的使用需要受到人类的监管和约束才行，越是关键位置，约束和监管就越严格。