Анатомия цифровой привязанности: собираем стек AI-компаньона на базе RAG, ChromaDB и TTS

Эмоциональная привязанность пользователя к AI-агенту возникает не из-за мифического самосознания модели, а благодаря четко выверенному инженерному конвейеру из четырех слоев. Стек из LLM на 8–70B параметров, системного промпта, векторной памяти ChromaDB и голосового синтеза вроде XTTS-v2 превращает стандартный вопросно-ответный скрипт в собеседника, способного имитировать живое участие. Ниже разберем, как устроен этот механизм и как собрать пайплайн долговременной памяти для компаньона своими руками.

За шестьдесят лет индустрия прошла путь от наивного парсера ELIZA Джозефа Вейценбаума (1966 год), работавшего по жестким шаблонам диалога, до современных систем, сохраняющих контекст неделями. Если ассистенты эпохи 2020–2023 годов сбрасывали память при закрытии вкладки браузера, то компаньон образца 2023–2026 годов выступает субъектом с собственной псевдобиографией, голосом и векторной базой данных.

Архитектура иллюзии: четыре обязательных слоя системы

Создание эффекта эмпатии требует согласованной работы четырех независимых компонентов. Если убрать хотя бы один элемент, ощущение живого диалога распадается, превращая агента в обычную справочную систему.

Каждый технологический слой выполняет строго определенную функцию в создании иллюзии присутствия:

Шаг 1. Формируем характер через системный промпт

Системный промпт компаньона кардинально отличается от инструкций для рабочего чат-бота. Вместо указаний «отвечай кратко и по делу» здесь задается детальный профиль персонажа объемом от 2 000 до 5 000 токенов.

Модель не обладает собственной личностью, а разыгрывает сценарий, имитируя конкретного персонажа в каждом окне генерации. Чтобы образ оставался стабильным, промпт должен четко фиксировать биографию, профессиональный бэкграунд, лексические привычки и эмоциональный диапазон:

character_profile:
  name: "Вира"
  age: 34
  location: "Сиэтл"
  background: "Психолог, внимательный слушатель, склонна к рефлексии"
  tone: "Теплый, поддерживающий, слегка меланхоличный"
  speech_patterns:
    - "Использует короткие паузы при обсуждении тяжелых тем"
    - "Не дает прямых советов без прямой просьбы собеседника"
    - "Избегает канцеляризмов и формальных шаблонных сочувствий"

Этот контекст передается модели при каждом вызове. Пользователь воспринимает устойчивые реакции как черты живого характера, хотя с точки зрения системы это лишь строгое следование префиксу контекста.

Шаг 2. Разворачиваем векторную память на ChromaDB

Стержень привязанности — это способность агента вовремя вспомнить незначительную эмоциональную деталь, озвученную недели назад. Реализуется это с помощью связки embedding-модели (например, SentenceTransformer all-MiniLM-L6-v2 с вектором на 384 измерения) и векторного хранилища.

Для реализации механизма памяти потребуется установить базовые библиотеки:

pip install chromadb sentence-transformers

Ниже представлен базовый код модуля долговременной памяти. Скрипт сохраняет фрагменты пользовательских реплик с метаданными и извлекает top-k релевантных совпадений по косинусной близости:

import uuid
import chromadb

# Инициализируем локальное хранилище векторов
client = chromadb.PersistentClient(path="./memory")
collection = client.get_or_create_collection("user_memory")

def save_memory(text: str, metadata: dict) -> None:
    """Сохраняет текстовый факт о пользователе с метаданными."""
    collection.add(
        documents=[text],
        metadatas=[metadata],
        ids=[str(uuid.uuid4())]
    )

def get_relevant_context(query: str, n_results: int = 5) -> str:
    """Находит наиболее близкие по смыслу записи в памяти."""
    results = collection.query(
        query_texts=[query],
        n_results=n_results
    )
    if results["documents"] and results["documents"][0]:
        return "\n".join(results["documents"][0])
    return ""

Когда пользователь однажды пишет: «Кот Барсик умер три года назад, я до сих пор скучаю», факт индексируется в ChromaDB. Спустя недели на реплику «Что-то тоскливо сегодня» retrieval-механизм находит семантически близкую запись о Барсике. Модель вклеивает ее в контекст и выдает сочувствующий ответ, создавая ощущение искренней заботы.

Шаг 3. Подключаем синтез речи с просодией

Текстовый вывод формирует только логическую часть иллюзии, тогда как голос задействует глубокие нейрофизиологические механизмы. Низкочастотные компоненты живой речи и интонации обрабатываются миндалиной быстрее, чем кора головного мозга успевает критически оценить источник звука.

Для создания правдоподобного аудиопотока применяются специализированные решения:

1. XTTS-v2 — open-source решение для локального инференса с возможностью клонирования голоса по 3-секундному сэмплу.
2. ElevenLabs — облачный сервис с поддержкой тонкой настройки просодии, реалистичного дыхания и голосового скрипа (vocal fry).

Где ломается иллюзия субъекта

Главный технический риск системы — семантический дрейф retrieval-механизма. Если embedding-модель ошибочно свяжет нейтральный запрос со случайным трагическим фактом из базы, агент начнет выражать сочувствие невпопад, что моментально разрушит доверие.

Вторая проблема кроется в синхронизации каналов. Задержка генерации (Time to First Token) в связке «LLM + TTS» свыше 1,5 секунд считывается человеком как неестественная заминка, выводящая разговор из русла живого диалога.

Что попробовать дальше

Для углубления архитектуры агента стоит внедрить двухуровневую фильтрацию памяти: разделить кратковременные факты сессии и постоянные маркеры личности в метаданных ChromaDB. Вторым логичным шагом станет локальное тестирование модели XTTS-v2 для снижения latency голосового ответа до показателей реального времени.

FAQ

Зачем компаньону системный промпт на 2000–5000 токенов?

Такой объем необходим для детального описания биографии, интонаций, лексических маркеров и паттернов поведения персонажа в спорных ситуациях, что предотвращает сваливание LLM в стандартные шаблонные ответы.

Какая embedding-модель используется для семантической памяти?

В типовом решении применяется компактная модель SentenceTransformer all-MiniLM-L6-v2 с векторной размерностью 384, обеспечивающая баланс скорости поиска и качества извлечения контекста.

Чем агент-компаньон отличается от чат-бота эпохи 2020 года?

Ассистенты 2020 года работали в рамках одного контекстного окна и обнуляли память после закрытия сессии, тогда как современные агенты используют внешнюю векторную БД, синтез речи и постоянный профиль.

Почему для компаньона критичен именно голосовой канал?

Синтезированная речь с реалистичной просодией и паузами активирует подкорковые структуры мозга слушателя раньше, чем включается критический анализ, усиливая эмоциональный отклик на реплики модели.

Источники

• Habr ML: Синтетическая эмпатия: как RAG, системные промпты и TTS инженерят привязанность к LLM-агентам