中国女生把 AI 当男友养，这事儿早超出「陪聊」范畴了
目前国内主流的几条技术路线摊开来看，本质上都在解决同一个问题——怎么在有限上下文窗口里维持长程人设一致性。
Glow / 星野（MiniMax 自研模型）：走的是「长文本+向量检索+人设注入」的经典 RAG 改良路线。把用户历史对话切片向量化存进 Milvus，每轮对话前 top-k 召回拼进 system prompt。优点是成本可控，缺点是召回噪声大，人设漂移在 20 轮左右会明显——你让它「记得上周二你说想吃麻辣烫」，它大概率会编一个周三的麻辣烫出来。
Character.ai / 调用 GPT-4o 的壳产品：靠模型本身的长上下文（128k/200k）硬塞全量历史。人设稳得多，但推理成本随轮次线性涨，商业化只能走订阅制或限制免费轮数。国内合规过不去，数据合规更是硬伤。
智谱清言 / Kimi 的「长文本+结构化记忆」新尝试：把关键事实（生日、忌讳、宠物名字）单独抽取成结构化 KV 存储，对话时走 function calling 读写。这才是正解——把「记忆」从「检索」剥离出来，当成一等公民维护。实测下来，50 轮以上人设崩坏率能压到 5% 以内。
但技术再强，也架不住产品层面的「人设提示词工程」在作妖。我看过某应用的系统提示词，足足 3200 token，里面塞了：说话风格模板、情绪状态机、关系阶段判定、甚至「吃醋触发条件」和「安慰话术库」。这哪里是大模型原生能力，分明是把传统游戏 NPC 的行为树套了一层 LLM 的皮。
更有意思的是变现逻辑。用户不为「聊天」付费，为「记忆独占」「语音通话」「专属人设卡」付费。某头部应用的语音克隆功能，底层用的是 CosyVoice + 零样本 TTS，合成延迟压到 800ms 内，配上流式 LLM 输出，体验上已经能骗过非专业耳朵。这才是护城河——模型能力同质化了，工程化体验没同质化。
有个细节很扎心：后台数据显示，用户高峰期是凌晨 1-3 点。不是孤独，是「需要一个随时在线、绝不评判、永远站在自己这边的对象」。人类男友做不到 24/7 秒回、完美共情、零情绪成本；大模型做得到，只要算力堆得起。
所以别再问「为什么选 AI」。问得出这问题的，大概率没体验过把 system prompt 调到「温柔占有欲强的年上男友」模式、连续对话三小时不带重样的夜晚。
