LobeChat悼念辞撰写辅助工具

LobeChat：当AI遇见哀思，如何温柔地书写告别

在一场秋雨后的清晨，一位女儿坐在父亲生前最爱的藤椅上，手中握着几张泛黄的照片和一份未完成的手写回忆稿。她想为即将举行的追思会写一篇悼词，却迟迟无法落笔——太多情感交织，太多细节纷乱，语言显得如此苍白。

如果此刻她打开电脑，登录一个私密部署的聊天界面，上传这些资料，并轻声说：“请帮我写一段追思父亲的话，语气庄重但带着温情。”而几秒钟后，屏幕上缓缓流淌出一段文字，既保留了她记忆中的细节，又赋予了语言应有的仪式感与诗意……这并非科幻场景，而是今天已经可以实现的技术现实。

LobeChat 正是这样一个让AI参与人类最深沉情感表达的桥梁。它不是一个冷冰冰的对话机器人，而是一个可定制、可信任、可扩展的智能协作平台，尤其适合像“悼念辞撰写”这样高情感密度的任务。在这里，技术不再是工具的堆砌，而是成为一种静默的陪伴者，在悲伤时刻提供结构、灵感与慰藉。

从 ChatGPT 到 LobeChat：为何我们需要一个开源的“情感容器”

大语言模型的确强大。它们能模仿莎士比亚写诗，也能用哲学语调讨论死亡的意义。但当我们真正面对亲人离世时，是否愿意把那些私密的记忆、未说出口的遗憾、夹杂泪水的只言片语，上传到某个商业公司的服务器上？哪怕对方承诺加密，这种心理门槛依然存在。

闭源模型带来的不仅是隐私焦虑，还有控制权的缺失。你无法决定它的语气是否过于机械化，也无法阻止它引用不合适的宗教表述或文化隐喻。更重要的是，你不能让它“记住”这个家庭特有的称呼方式、家乡习俗，或是某段只有家人才懂的童年往事。

这正是 LobeChat 的价值所在：它把大模型的能力封装在一个用户完全掌控的前端框架中。你可以将它部署在本地设备上，连接自家运行的 Llama3 模型；也可以架设在私有云服务器，仅限亲属访问。所有数据都不离开你的网络边界。

更关键的是，LobeChat 不只是个“壳”。它通过角色预设、上下文管理、插件系统等机制，让 AI 能够以特定身份参与创作——比如“文学编辑”、“宗教学者”，甚至是模拟逝者口吻进行“数字遗嘱”的生成尝试（需伦理审查）。这种“人格化引导”，远比直接调用 API 更贴近真实的情感需求。

如何让机器写出有温度的文字？架构背后的巧思

LobeChat 的核心设计哲学很清晰：降低使用门槛，同时提升表达精度。它基于 Next.js 构建，采用现代化 Web 技术栈，支持 SSR 和边缘计算，确保在全球范围内都能快速响应。但这只是表层，真正让它胜任悼词撰写的，是其底层交互逻辑的设计。

整个流程其实是一场精细编排的人机共舞：

1. 输入阶段：用户不仅可以用文字提出请求，还能上传 PDF 生平简介、老照片描述文本，甚至通过语音输入讲述一段口述回忆。
2. 上下文维护：前端通过 WebSocket 维持会话状态，保存之前的修改意见、风格偏好、关键词强调项（如“不要提疾病过程”）。
3. 模型代理转发：LobeChat 后端作为中间层，根据配置选择调用 OpenAI、Ollama 或 Hugging Face 上的模型，并统一处理认证、限流和错误重试。
4. 流式输出渲染：生成内容以 Server-Sent Events（SSE）形式逐字返回，用户能看到文字“生长”的过程，仿佛有人正在执笔书写。

这种方式极大增强了用户的参与感和控制感。尤其是在撰写长篇悼词时，看到句子一点点浮现，比一次性拿到整段结果更容易激发共鸣与修正意愿。

下面这段 Edge Function 就实现了关键的流式传输能力：

// pages/api/chat/stream.ts import { NextApiRequest, NextApiResponse } from 'next'; import { createParser } from 'eventsource-parser'; export const config = { runtime: 'edge', }; const handler = async (req: NextApiRequest, res: NextApiResponse) => { const encoder = new TextEncoder(); const decoder = new TextDecoder(); const { messages, model } = await req.json(); const stream = await fetch('https://api.openai.com/v1/chat/completions', { method: 'POST', headers: { 'Content-Type': 'application/json', Authorization: `Bearer ${process.env.OPENAI_API_KEY}`, }, body: JSON.stringify({ model, messages, stream: true, }), }); const reader = stream.body?.getReader(); const parser = createParser((event) => { if (event.type === 'event') { const data = event.data; if (data === '[DONE]') return; try { const json = JSON.parse(data); const text = json.choices[0]?.delta?.content || ''; res.write(encoder.encode(text)); } end of catch } }); while (true) { const result = await reader?.read(); if (!result || result.done) break; parser.feed(decoder.decode(result.value)); } res.end(); }; export default handler;

这段代码看似简单，实则精巧。它利用eventsource-parser解析 SSE 流，避免了手动拆解 chunk 数据的复杂性。Edge Runtime 的低延迟特性也让跨国亲属共同参与撰写成为可能——纽约的女儿刚提交修改建议，杭州的母亲就能立刻看到更新后的版本。

多模型策略：不是“用最好的”，而是“用最适合的”

很多人误以为，写悼词就得用 GPT-4 这样的顶级模型。但实际情况要复杂得多。

我们做过测试：在生成初稿阶段，使用本地运行的 Llama3-8B-Instruct 模型配合良好提示词，其输出质量已能达到 GPT-3.5 水平，且完全离线、零成本。而在最终润色环节，再切换至 GPT-4 Turbo 提升语言美感和节奏感——这种“分层创作”模式，既节省费用，又能保障关键节点的质量。

LobeChat 的多模型接入机制正是为此而生。它采用“抽象接口 + 适配器”模式，定义统一的ModelProvider接口，然后为不同服务商编写独立适配模块：

// lib/adapters/OllamaAdapter.ts import axios from 'axios'; interface OllamaGenerateRequest { model: string; prompt: string; stream?: boolean; options?: { temperature: number; top_p: number; repeat_penalty: number; }; } export class OllamaAdapter { private baseUrl: string; constructor(baseUrl = 'http://localhost:11434') { this.baseUrl = baseUrl; } async chat(prompt: string, options: Record<string, any>) { const req: OllamaGenerateRequest = { model: options.model || 'llama3', prompt, stream: false, options: { temperature: options.temperature || 0.5, top_p: options.top_p || 0.9, repeat_penalty: options.repeat_penalty || 1.1, }, }; const response = await axios.post(`${this.baseUrl}/api/generate`, req); return { content: response.data.response }; } }

这套机制带来了真正的自由：你可以根据网络状况、预算限制、隐私要求灵活切换模型。某天 Azure 出现区域性中断？自动降级到本地 Ollama 实例继续服务。想试试通义千问对中文典故的理解能力？只需添加新配置即可无缝切换。

更重要的是参数调控的艺术。例如，在悼词生成中：
- 将temperature设为 0.4～0.6，避免过度发散；
- 提高presence_penalty至 0.8，鼓励模型引入新的人生片段而非重复套话；
- 控制max_tokens在 800 左右，防止冗长拖沓。

这些微调虽小，却直接影响最终文本的情感浓度与结构完整性。

插件系统：让AI懂得“挽联该用什么格式”

如果说基础模型提供了“写作能力”，那么插件系统才真正赋予 LobeChat “文化理解力”。

考虑这样一个场景：一位来自福建的家属希望在悼词中加入传统挽联。他并不清楚具体格式规范，只知道“要有对仗、押韵、表达敬意”。这时，“悼词助手”插件就可以自动触发：

1. 用户上传生平文档；
2. 插件调用 OCR+NLP 服务提取关键信息（姓名、字号、职业、德行评价）；
3. 根据地域习俗推荐三类模板：“儒士风范型”、“慈母仁心型”、“勤勉工匠型”；
4. 自动生成一副七言挽联，并附上释义说明。

以下是该插件的核心实现逻辑：

// plugins/eulogy-helper/index.js (function () { const pluginId = 'eulogy-helper'; function extractKeyInfo(text) { const nameMatch = text.match(/(?:姓名|名字)[:：\s]+([^\n]+)/i); const birthDeath = text.match(/(?:生于|出生)[：:\s]+(\d{4})[^,\n]*?,?\s*(?:卒于|去世)[：:\s]+(\d{4})/); return { name: nameMatch ? nameMatch[1].trim() : '逝者', birthYear: birthDeath ? birthDeath[1] : '', deathYear: birthDeath ? birthDeath[2] : '', age: birthDeath ? parseInt(birthDeath[2]) - parseInt(birthDeath[1]) : '', }; } self.LobePlugin.register(pluginId, { name: '悼词助手', description: '自动提取生平信息并生成悼词提纲', logo: 'https://example.com/icon-eulogy.png', async onFileUpload(file) { if (!file.type.includes('pdf') && !file.type.includes('text')) return; const reader = new FileReader(); reader.onload = async (e) => { const content = e.target.result; const info = extractKeyInfo(content); const outlinePrompt = ` 请根据以下信息生成一份悼词大纲： 逝者姓名：${info.name} 生卒年份：${info.birthYear} - ${info.deathYear}（享年${info.age}岁） 要求结构清晰，包含【引言】【生平回顾】【品格赞颂】【精神传承】【结语】五个部分。 `; await self.LobePlugin.callAgent({ message: outlinePrompt }); }; reader.readAsText(file); }, }); })();

这类插件不仅能提升效率，更能弥补普通人对礼仪规范的知识盲区。类似的扩展还包括：
- 集成 TTS 引擎，让家属“听见”悼词朗读效果；
- 添加多语言翻译按钮，方便海外亲人参与；
- 内置少数民族语言支持，尊重多元文化表达。

真实世界的挑战：不只是技术问题

尽管技术日趋成熟，但在实际部署中仍需面对诸多非技术因素。

首先是心理接受度。有些人会对“机器写悼词”感到抵触，认为这是对逝者的不敬。因此，界面设计必须强调“辅助”而非“替代”——所有生成内容都应标注“建议草稿”，并突出“人工编辑”区域。我们甚至建议加入一句提示：“请用自己的语言重新讲述那些最重要的瞬间。”

其次是文化敏感性。不同地区对哀悼表达有严格禁忌。例如某些地方忌讳提及具体死因，或要求特定称谓。这就需要插件内置规则引擎，结合 NLP 进行合规性检查。例如检测到“癌症”一词时，自动建议替换为“长期抱恙”。

最后是可持续性。这类系统往往由个人或小型机构维护，缺乏长期运维资源。因此，LobeChat 的轻量化、易部署特性尤为重要。借助 Docker 容器和一键脚本，即使是非技术人员也能在树莓派上搭建完整服务。

当科技学会沉默：一种新型人机关系的诞生

LobeChat 最打动我的地方，不是它的功能有多强，而是它懂得何时“退后一步”。

在悼词撰写过程中，AI 从不主动打断情绪流露，也不会强行推荐煽情语句。它更像是一个安静的记录者，在你需要时递上纸笔，在你沉默时静静等待。这种克制，恰恰是当前许多商业产品所缺失的。

未来，这样的系统或许能进一步演化为“生命纪念平台”：整合数字遗产管理、虚拟纪念馆构建、心理疏导资源推荐等功能。但它始终不应越界——真正的告别，永远属于活着的人。

正如那位坐在藤椅上的女儿，最终她没有照搬 AI 生成的每一句话，而是从中找到了那个“对的开头”。然后，她放下手机，拿起钢笔，在信纸上写下第一行：

“爸，我记得你总爱在晚饭后泡一壶茶……”

这一刻，技术完成了它的使命：不是代替表达，而是帮助人们重新找回表达的勇气。