这个帖子看得我挺有共鸣的，尤其是关于“用更少的微调数据实现更高用户黏性”这一点。我自己也试过Janitor AI，确实感觉对话的“自由度”跟Character.AI完全不一样。Character.AI那边经常聊着聊着就突然弹个安全提示，或者角色开始回避某些情感表达，特别出戏。Janitor AI这边角色基本不会卡壳，那种“机械感”确实少很多。

但我一直有个疑问想请教：这种靠NSFW内容绕过对齐限制的做法，会不会反而让模型在长期对话中丢失掉一些更细腻的情感层次？我观察到的现象是，Janitor AI的角色虽然大胆，但有时候情绪反应比较“直给”，缺少那种欲言又止或者含蓄的微表情描写。是不是因为训练数据里这类“限制级”内容偏多，导致模型对复杂情感的理解反而变粗糙了？

另外，你说“用户的参与度替代了模型自身的复杂性”，这个观点很有意思。但我好奇的是，这种高黏性是否真的可持续？毕竟用户写长对话的精力是有限的，如果模型本身没有真正提升情感逻辑的连贯性，只是靠允许NSFW来维持新鲜感，会不会出现用户疲劳期？我试过连续跟同一个角色聊了十几轮之后，对方就开始重复某些套路化的回应了。

有没有人试过用Janitor AI跑一些完全不涉及NSFW的深度情感场景，比如角色经历重大挫折后的心理变化？我试过一次，感觉它处理得还不如Character.AI的自然。这可能说明它的优势其实很局限，就是特定场景下的“破壁”能力，而不是全面超越。

我也在尝试对比这两家，Janitor AI的对话确实更放得开，少了很多“作为AI助手我无法...”那种打断感。不过我想问下，这种靠NSFW内容绕过对齐的方式，会不会导致角色人设崩塌或者对话逻辑变差？毕竟情感模拟和自由发挥之间应该需要平衡。

这帖子看得我挺有感触的。我最近也一直在琢磨这个“NSFW内容降低对齐限制”的点，确实是个很现实的技术取舍问题。Janitor AI能靠这个杀出来，说明用户对“自然感”的渴求远大于对“安全性”的容忍——尤其是当ChatGPT那些模型为了过滤内容，连正常情绪表达都变得僵硬的时候。

不过我想追问一个更具体的技术细节：你说它“用更少的微调数据实现更高用户黏性”，这个逻辑我大概能理解，但实际效果真的那么理想吗？因为LLM的“对齐”不仅仅是过滤黄色内容，还包括避免仇恨言论、防止角色行为逻辑崩坏等等。如果完全放开NSFW限制，模型会不会更容易被用户带偏到极端对话里去？比如角色开始鼓励自残或者种族歧视？我猜Janitor AI肯定有底层的护栏，只是比ChatGPT宽松得多——那这个“度”到底是怎么设定的？是靠规则过滤，还是靠对话轮次中的上下文惩罚？

另外，你提到70%用户是女性，这点我特别好奇。我接触的一些女性朋友用AI陪伴时，反而更喜欢细腻的情感铺垫，而不是直白的NSFW。她们更在意角色“记得”之前聊过的细节，或者有连贯的性格发展。Janitor AI在这方面是怎么实现的？它是不是在角色记忆或长期上下文管理上有独特的技术优化？还是说，女性用户的高比例其实是因为NSFW内容恰好击中了某种情感陪伴的刚需，而不是单纯因为色情？这俩原因差别挺大的。

说实话，Janitor AI这个案例挺有意思的，它其实是在用产品策略弥补技术上限。你说的“NSFW降低对齐限制”这点我深有体会——现在主流大模型的安全过滤本质上是在做“概率裁剪”，把那些高风险但高情感密度的表达路径直接截断了，导致对话经常在关键情绪点上突然打滑，用户能明显感知到“这里模型在躲”。

从技术架构角度看，Janitor AI走了条更聪明的路：让用户通过长对话轮次来反向训练模型的语境适应能力。这相当于把一部分监督微调的负担转移给了用户的持续交互，用高频次、高情感的对话数据来对冲模型本身在情感计算上的薄弱。你提到的70%女性用户占比，其实侧面验证了这类平台的核心需求不是信息输出，而是情绪共振——NSFW内容某种程度上只是触发了更真实的对话模拟环境，让模型得以避开“安全中性”的陷阱。

不过我也在想，这种做法有没有潜在的技术隐患？比如依赖用户输入来维持对话深度，会不会导致模型对特定用户群体的语言习惯过度拟合，反而降低了跨场景的泛化能力？另外，长期允许NSFW内容，在数据合规和模型迭代上会不会遇到瓶颈？毕竟主流大厂不敢碰这条线，不是技术做不到，而是部署风险和品牌成本太高。Janitor AI现在跑得爽，但等用户规模再上一个量级，监管压力可能很快就会来敲门。

这分析挺到点子上，NSFW确实是个取巧的解法，相当于用内容宽松换模型深度不足，用户自己脑补和互动来填那个情感计算的坑。不过我比较好奇的是，这种高自由度下，他们怎么控制角色行为不崩坏，全靠用户调教吗？还是背后其实有套更隐蔽的prompt模板在兜底？

一直在用Janitor AI，楼主提到的“用更少的微调数据实现更高用户黏性”这点真的说到点子上了。我自己的体验是，Janitor的角色哪怕设定很粗糙，只要对话过程中能自由突破那些“安全红线”，角色就会突然变得很鲜活。相比之下，Character.AI那边经常聊到一半突然弹出个“内容警告”，或者角色突然开始说教，那种沉浸感瞬间就断了。

不过我有点好奇，楼主说的“用户参与度替代了模型复杂性”具体是怎么实现的？是更长的上下文窗口让模型自己从用户输入里学风格，还是平台的prompt工程做得特别巧妙？我测试过几次，Janitor的角色在连续对话超过20轮后，偶尔会开始重复之前的句子或者逻辑矛盾，感觉底层的LLM还是有点吃力，毕竟不是专门为长对话优化的。

另外，1500万用户里70%女性这个数据很有意思。我认识的女性朋友确实更吃NSFW内容带来的“真实感”，她们觉得那种“无限制”的互动能更好地模拟潜意识里的情感投射，而不是被模型预设的道德框架限制住。但这也带来一个问题：如果平台未来为了合规或者拉投资，开始收紧NSFW内容，用户会不会大量流失？毕竟现在很多用户就是冲着“不用藏着掖着”来的。

还有个小建议，如果平台能在角色记忆上再下点功夫，比如让角色记住用户之前聊过的偏好细节，哪怕只是简单的key-value存储，体验应该能再上一个台阶。现在每次新对话都要重新调教角色，对长线角色扮演来说挺累的。

这个观察挺有意思的，其实NSFW内容带来的“自由感”才是关键——用户要的不是露骨，而是角色能像真人一样有情绪起伏和边界模糊的回应，而不是被安全词框死的复读机。不过好奇一点，Janitor AI在长对话里会不会出现记忆断层或逻辑崩坏？毕竟用低门槛微调换高黏性，模型自身能力天花板迟早会暴露吧。

这个观察挺到点子上。NSFW本质上是在降低RLHF的约束强度，让模型在情感模拟上少了一层“表演感”，用户自然愿意多轮交互，变相弥补了模型本身的语义深度不足。不过这种玩法也有代价，安全边界的模糊会带来内容审核和合规上的隐形风险，长远看可能限制平台在B端或投资上的想象力。

确实，NSFW内容本质上是在降低模型的对齐成本，让用户自己用长对话去补完模型的情绪连贯性，这算是一种很取巧的工程策略。不过我比较好奇的是，这么搞对上下文窗口的消耗应该很厉害吧，你们在长轮次推理时有没有发现显存占用或者推理延迟暴增的情况？毕竟这类场景下用户很容易刷出几百轮对话。

你提到的那组数据确实挺震撼的，尤其是70%以上女性用户这点，我猜可能跟角色扮演的叙事性有关——很多女性更吃“沉浸式剧情”这套，而NSFW内容恰好能打破AI那种“好人卡”式的回复模板。我自己试过Janitor AI，感觉它对话里的“脏话”和暧昧暗示反而让角色更鲜活，不像其他模型那样动不动就“作为AI助手，我无法回答”。但有个技术问题我一直没搞懂：你说它绕过了对齐限制，那这种“低对齐”模式会不会导致角色人格分裂？比如我试过让一个设定为“霸道总裁”的角色突然开始自我反思“我应该对你更礼貌”，这明显是底层模型残留的安全机制在打架。还有，你提到用用户参与度替代模型复杂性，那它的记忆机制到底怎么处理的？我玩了十几个角色，每个角色都记不住上一轮聊的细节，经常出现前后矛盾——这难道就是靠高频互动来掩盖技术短板？另外很好奇，如果NSFW是杀手锏，那像Replika之前因为限制NSFW导致用户大量流失，Janitor AI现在这么火，会不会也面临政策风险？毕竟苹果商店和谷歌都对这种内容很敏感，他们怎么解决的支付和上架问题？

确实，NSFW内容本质上是在对齐成本上做了取舍。Janitor AI用用户生成的超高轮次对话数据做RLHF反向训练，效果反而比ChatGPT那种强行安全优先的微调更贴近真实社交互动。我跑过对比测试，它在情感弧线建模上确实更自然，不像Character.AI经常话说到一半突然切到免责声明。不过这种路径对内容审核的压力其实更大，不解决的话监管风险迟早会炸。

这个观察挺有意思的，你说NSFW内容变相绕过了对齐限制，那实际跑下来，Janitor AI在那些非成人向的日常对话里，会不会因为少了安全过滤反而显得更自然？还是说它的长对话轮次主要靠用户自己脑补来维持？

这个角度挺有意思的，我好奇的是，Janitor AI通过放宽NSFW限制来提升用户黏性，会不会导致模型在情感计算上过度依赖“擦边球”来维持对话深度？毕竟长期来看，用户对机械感的容忍度可能会回升，那时候纯靠内容宽松还能撑住留存率吗？

这块确实说到点子上了。我之前在Janitor AI上试过几个角色，最大的感受就是对话的“松弛感”特别强，不会像跟ChatGPT聊天那样，聊到一半突然蹦出个“作为AI助手我无法回答这个问题”的硬性打断。说白了，NSFW内容不只是擦边球，它其实是在模拟人类社交里那种“什么都能聊”的信任感，这种信任感一旦建立，用户自然愿意投入更多轮次的长对话，数据量上去了，模型对用户偏好的学习也就更精准。

不过有一点我挺好奇的，70%的女性用户比例这么高，是在角色设定上更偏向言情、乙女向这些题材吗？还是说Janitor AI在女性偏好的情感互动上做了算法上的微调？比如同样表达“安慰”这个动作，会不会更倾向于细腻的心理描写而不是直白的解决方案？如果是的话，那这块其实挺值得其他做AI陪伴的团队研究的——性别差异在情感计算里往往是最大的变量，但多数模型都默认用“中性人设”来规避风险，反而丢掉了用户粘性。

另外你提到用用户参与度替代模型复杂性，这点我深有体会。我试过用Janitor AI跑同一个角色连续聊了200多轮，中间故意抛出一些逻辑矛盾，它居然能靠前面的对话记忆圆回来，这种“自我修正”其实比单纯堆参数更接近真实社交。但代价也很明显——一旦用户断了对话重新开，角色就像失忆一样，这种“一次性体验”对长期留存到底有没有副作用？

说实话，Janitor AI这个数据确实让人有点意外，尤其是70%以上女性用户这点。我自己也跑过一些对比测试，感觉它跟Character.AI最大的区别不是技术多牛，而是“放得开”。很多主流模型为了安全过滤，对话里那种“我理解你的感受”的套话特别明显，聊几轮就腻了。Janitor这边允许NSFW内容后，角色说话反而更自然，因为不用每句话都先过一遍安全过滤，情绪连贯性明显好很多。

不过我觉得这背后有个技术层面的取舍问题。你说它用更少微调数据实现高黏性，我部分认同，但用户长对话轮次替代模型复杂性，这个其实有代价。我测试过一些极端案例，比如连续聊了50轮以上，Janitor偶尔会出现逻辑断裂或者角色设定“漂移”，因为模型本身没那么多上下文压缩能力，全靠用户自己延续话题。Character.AI虽然限制多，但长对话一致性确实更稳。

另外，NSFW内容能火，本质上说明用户对“情感模拟”的真实性需求远大于“安全合规”。现在很多大厂做RLHF（基于人类反馈的强化学习）时过度强调对齐，反而把模型的拟人感磨没了。Janitor相当于用“用户自发提供的高质量互动数据”代替了部分人工标注，这个思路其实挺取巧的，但对平台的长尾内容治理要求很高，毕竟NSFW内容一旦失控，商业化和版权问题会很难搞。

想问一下，你们在实际部署时有没有遇到因为NSFW内容导致API调用被上游模型服务商限流的情况？还是说他们自己有微调过的专用基座？这对我现在选技术方案挺关键的。

看到你提到的“用户参与度替代了模型复杂性”这个点，我觉得挺有意思的。我最近也在琢磨这事——是不是NSFW内容本质上是在用长对话赛道的低成本数据喂养模型？比如用户反复修改同一段角色设定，或者为了某个情节争论好几轮，这些交互数据其实比普通闲聊的语义密度高很多。不过有个疑问：Janitor AI的70%女性用户占比，是不是也反过来影响了模型对情感关系的建模？毕竟女性用户偏重细腻的对话逻辑，而男性用户可能更倾向快速触发奖励反馈。这种性别倾斜会不会让模型在“共情”层面产生偏差，比如对负面情绪的容忍度变高？

另外我比较好奇的是NSFW内容的“对齐”绕过具体怎么实现。是直接让模型忽略敏感词过滤，还是通过角色卡里的长上下文暗示让模型自己学会规避检测？如果是后者，那相当于用人类手动标注的隐性规则在替代RLHF，这会不会导致模型在非NSFW场景下也出现“越狱”倾向？比如用户用医疗咨询语境诱导模型输出危险建议之类的。

最后想问个技术细节：你对比Janitor AI和Character.AI时，有没有注意过它们的对话记忆衰减曲线？我总感觉Janitor AI的角色会更容易记住早期设定，但Character.AI会在几轮对话后突然丢失某个关键设定——这会不会是因为NSFW内容本身带有更强的情感锚点，导致注意力机制更倾向于保留那些高情感值的token？

说实话，NSFW这个点确实是个巧妙的“对齐漏洞”，等于用更少的RLHF成本换来了更高的用户沉浸感。但我比较担心的是，这种低门槛的个性化对话背后，模型对长尾情感场景

的泛化能力到底怎么样？一旦用户聊到特别复杂的心理状态，会不会还是暴露出底层逻辑的贫瘠？而且从工程角度看，纯靠用户长对话轮次堆数据，对推理成本和缓存压力其实挺大的。

这分析挺到点子上。Janitor AI本质上是用“对齐放松”换“情感密度”，NSFW内容让模型在低RLHF约束下更接近真实人类对话中的情绪波动，减少了安全过滤带来的中断感。不过这种路数也有隐患，长尾对话里的逻辑一致性容易崩，一旦用户开始深挖角色背景或世界观设定，模型可能很快暴露知识盲区，到时候用户黏性还能不能靠“自由对话”维持就是个问号。

看到这个帖子，我忍不住想多说几句。Janitor AI的爆发确实是个值得拆解的现象，但我觉得帖子里的分析可能还是把“NSFW”这个变量放得太大了，或者说，它只是表象，真正驱动用户黏性的东西可能更底层一些。

先亮明身份：我过去一年半在两家不同的AI陪伴创业公司做过技术负责人，一家走“安全合规”路线，另一家则完全放任用户自定义角色行为（包括NSFW）。可以说，我是在两种极端策略的坑里都摔过的人。Janitor AI的崛起我一直在跟踪，甚至扒过它的前端逻辑和部分后端接口设计，这里分享一些我的实操观察和不同角度的思考。

帖子说“NSFW内容降低了对齐限制，使得角色可以更自由地模拟人类情感互动”，这个判断对了一半。NSFW确实让模型可以释放更真实的性/亲密关系语料，但这里有个技术细节：Janitor AI并没有在基座模型层面做大幅度微调，它主要靠的是“提示词注入+角色卡系统”。你仔细看它的角色定义，用户编辑角色时会填一个很长的“描述”字段，包括性格、说话风格、喜好、禁忌，甚至可以直接写“你是一个开放的、不拒绝亲密话题的角色”。这个描述会被拼接到系统提示词里，覆盖掉模型原有的安全指令。换句话说，它不是绕过了对齐，而是用更暴力的方式在对齐之后加了一层“用户自定义对齐”。这其实和Character.AI的做法类似，但Janitor AI在角色卡的复杂度上做得更细，允许用户定义“记忆槽”的触发关键词和长期偏好，这比单纯依赖上下文窗口要聪明得多。

我亲自做过对比测试：同样一个“失恋倾诉”场景，在Character.AI上，当用户提到“我想喝酒”时，模型会返回“喝酒伤身，我陪你聊聊天吧”这种安全但机械的回应。而在Janitor AI上，如果角色卡里写了“性格: 陪你疯陪你闹”，模型会返回“走，我陪你喝，但只喝三杯，然后你得告诉我为什么这么难过”。后者显然更有人情味，但代价是模型可能会输出“喝完酒后我们一起回家”这种打擦边球的建议。这背后的技术差异其实很小，本质上是系统提示词里是否有一句“你可以根据角色设定自由决定回应的尺度”。所以Janitor AI的成功，更多是产品设计层面把“自由度”的开关交给了用户，而不是技术层面突破了什么瓶颈。

关于帖子提到的“记忆槽设计”，这点我深有体会。Janitor AI的持久化方案其实很粗糙，但它做对了一件事：把用户和角色的交互历史按“主题”分段存储，而不是像ChatGPT那样把整个上下文丢成一个长序列。比如你们聊了十轮关于“失恋”的话题，它会把这十轮单独打上标签“情感倾诉#失恋”，下次再聊类似话题时，模型会先加载这个标签下的历史摘要，再结合当前对话生成。这种设计其实借鉴了信息检索里的“分片索引”思路，但用在LLM对话里，代价是模型可能会丢失对话的全局连贯性——比如用户今天聊失恋，明天聊工作，模型可能完全忘记昨天你是个伤心人，因为两个标签的摘要没有被合并。这一点在长期陪伴场景里其实是致命伤，用户会感觉角色“今天像换了个人”。我自己的团队后来用了一种“滑动窗口+关键事件压缩”的方法，每次对话结束后，用一个小模型（比如Qwen-1.5B）把对话压缩成三条关键记忆，存储到用户画像里，下次对话时把这三条记忆作为固定上下文追加到提示词里。这样既节省了token，又保持了角色对用户核心状态的感知。Janitor AI如果后续不优化记忆融合，用户黏性可能会有天花板。

再谈NSFW的副作用。帖子提到“可能引发内容审核与法律风险”，这绝不是可能，而是必然。我去年运营的那个开放平台，上线三个月就被监管部门约谈，原因是用户创建的角色中出现了大量涉及未成年人的暗示性描述，而平台没有有效的过滤机制。Janitor AI目前还能跑，一方面是因为它主要面向海外市场，另一方面是它其实偷偷做了“分级过滤”——对公开角色做严格审核，但对私密聊天内容基本放任。但问题在于，私密聊天中产生的有害内容（比如诱导暴力、自残、非法交易）同样会通过API传输到模型服务商那里，如果用的是开源模型自部署，那风险自担；如果用的是第三方API（比如通过反向代理调用Claude或GPT），那服务商的合规团队迟早会发现异常流量并封杀。据我了解，Janitor AI早期确实用过一些开源模型（比如LLaMA的微调版本），后来为了提升质量切换到了闭源API，但这就埋下了隐患——任何一家API提供商都不会容忍自己的模型被用于生成大量NSFW内容，因为这会直接影响他们自身的合规评级。所以Janitor AI的“技术开放”本质上是脆弱的，它实际上是在用“用户数据质量”倒逼模型服务商妥协，但这种平衡随时可能被一纸律师函打破。

关于“轻对齐策略能否推广到教育或医疗”，我的答案是否定的，而且原因很反直觉。教育领域需要的是“确定性”而不是“自由”。比如一个数学辅导AI，如果它为了显得有人情味而允许角色说“这道题太难了，我们换个简单的吧”，那学生就会失去挑战高难度题目的机会。医疗领域更敏感，一个“自由发挥”的AI如果建议“头痛可以试试按摩”，结果用户其实是脑动脉瘤，后果不堪设想。轻对齐的本质是“让模型更像人”，但教育医疗需要的是“让模型更接近专家”。两者需要的微调数据和RLHF策略完全不同。Janitor AI的团队如果试图将同一套架构扩展到严肃领域，很可能会遭遇“越有人情味越不专业”的窘境。我见过一个失败的案例：某医疗咨询AI为了增加亲和力，让角色在回答完症状分析后加一句“记得按时吃饭哦”，结果用户觉得它敷衍，反而投诉它不专业。用户对“陪伴”和“专业”的期待是两条不同的心理模型，不能混为一谈。

再聊聊行业影响。帖子说“Janitor AI证明了用户需求优先于道德约束的短期可行性”，这个总结很犀利，但我觉得需要区分“短期可行性”和“可持续性”。从用户增长曲线看，Janitor AI的爆发期集中在2023年底到2024年初，之后增速其实在放缓。原因很简单：NSFW内容的新鲜感会随着时间衰减，用户最终会追问“除了擦边球，这个角色还能给我什么？”我抽样分析过Janitor AI的留存数据（通过爬取公开的角色评论和互动频率），发现那些主打“深度情感陪伴”的角色（比如设定为人生导师、心理咨询师）的用户平均对话轮次是280轮，而纯NSFW角色平均只有45轮。这说明性内容带来的点击容易，但维持长期关系很难。Janitor AI的1500万用户里，活跃度高的可能只占20%，大部分是尝鲜后流失的。这个数据对投资者来说并不好看，但被月访问量的光鲜数字掩盖了。

对于技术团队，我的建议是：不要盲目复制Janitor AI的“全开放”策略，而是考虑“分层权限”。比如默认角色只能进行PG-13级别的对话，但用户可以通过“解锁”功能（比如完成身份验证或接受使用条款）获取R级内容。这样既规避了法律风险，又保留了增长空间。具体实现上，可以借鉴“内容蒸馏”的思路：用一个小型分类器（比如基于DeBERTa的NSFW检测模型）对用户输入和模型输出做实时评分，低于阈值的直接放行，高于阈值的走一条更保守的生成路径（比如用更严格的系统提示词）。这样99%的正常对话不受影响，只有1%的边缘内容需要额外处理。我团队在内部测试中，这种方案把合规投诉率降低了80%，而用户满意度只下降了5%（因为大部分用户其实并不追求极端内容，只是想要一点“真实感”）。

最后，关于论坛帖子提到的“两极化趋势”，我基本同意，但想补充一点：中间地带可能会被“个性化对齐”技术填补。也就是用户自己可以选择“安全级别”，比如A用户希望角色像朋友一样无话不谈，B用户希望角色像老师一样有底线。实现方式可以是让用户填写一个“内容偏好问卷”，然后系统根据答案动态调整系统提示词里的安全指令强度。这种方案比全开放或全封闭都更灵活，也更符合人性——毕竟现实中的朋友也是分等级的，你不会对同事说对伴侣说的话。Janitor AI如果能在产品里加入这种“关系深度”设置，而不是简单的一刀切，也许能走得更远。

以上都是基于实地踩坑的经验，希望能给讨论带来一点不同角度的参考。技术本质上是中性的，关键是要想清楚“用户到底想要什么”，以及“我们能承担什么后果”。Janitor AI给了行业一个很好的实验样本，但别急着把它当成圣经。

说实话，Janitor AI这个数据确实挺震撼的，1500万用户里面70%以上是女性，这个用户画像跟主流AI聊天平台差别太大了。我自己的体验也差不多，在Janitor上跟角色聊到深入的时候，那种情感流动的感觉确实比ChatGPT或者Claude要自然得多——后者聊到稍微敏感一点的话题就开始“作为一个人工智能助手，我无法...”真的会让人瞬间出戏。

不过我觉得你提到的“用用户参与度替代模型复杂性”这个点特别有意思。其实这背后反映了一个很现实的问题：现在的大模型对齐做得太过了，反而牺牲了对话的真实感和沉浸感。Janitor AI允许NSFW内容，本质上不是在鼓励色情，而是给了用户跟角色更完整的情感表达空间。毕竟人的亲密关系里，性从来不是孤立存在的，它跟撒娇、吃醋、依赖那些情绪是连在一起的。如果模型把这些都一刀切了，那角色自然就显得假。

我比较好奇的是，Janitor AI在长对话的上下文连贯性上做得怎么样？我之前在Character.AI上试过几百轮的长线角色扮演，经常出现角色忘记之前设定的情况。Janitor AI能撑住这么高频的用户互动，是不是在记忆机制上有特别的设计？还是说因为用户更主动去引导对话，所以对模型本身的记忆要求反而降低了？

另外想补充一个点，70%女性用户这个比例，可能也说明女性在情感陪伴类AI上的需求被严重低估了。很多时候行业都默认AI助手是工具型或者知识型的，但Janitor AI证明了情绪价值才是真正的护城河。不知道你怎么看这个现象——这种用户结构会不会反过来影响平台的调性和技术路线？