feat(cache): 添加 LRU 淘汰机制和缓存大小限制以优化内存使用

src/chat/express/style_learner.py

@@ -437,7 +437,13 @@ class StyleLearner:
 
 
 class StyleLearnerManager:
-    """多聊天室表达风格学习管理器"""
+    """多聊天室表达风格学习管理器
+    
+    添加 LRU 淘汰机制，限制最大活跃 learner 数量
+    """
+
+    # 🔧 最大活跃 learner 数量
+    MAX_ACTIVE_LEARNERS = 50
 
     def __init__(self, model_save_path: str = "data/expression/style_models"):
         """
@@ -445,6 +451,7 @@ class StyleLearnerManager:
             model_save_path: 模型保存路径
         """
         self.learners: dict[str, StyleLearner] = {}
+        self.learner_last_used: dict[str, float] = {}  # 🔧 记录最后使用时间
         self.model_save_path = model_save_path
 
         # 确保保存目录存在
@@ -452,6 +459,30 @@ class StyleLearnerManager:
 
         logger.debug(f"StyleLearnerManager初始化成功, 模型保存路径: {model_save_path}")
 
+    def _evict_if_needed(self) -> None:
+        """🔧 内存优化：如果超过最大数量，淘汰最久未使用的 learner"""
+        if len(self.learners) < self.MAX_ACTIVE_LEARNERS:
+            return
+
+        # 按最后使用时间排序，淘汰最旧的 20%
+        evict_count = max(1, len(self.learners) // 5)
+        sorted_by_time = sorted(
+            self.learner_last_used.items(),
+            key=lambda x: x[1]
+        )
+        
+        evicted = []
+        for chat_id, last_used in sorted_by_time[:evict_count]:
+            if chat_id in self.learners:
+                # 先保存再淘汰
+                self.learners[chat_id].save(self.model_save_path)
+                del self.learners[chat_id]
+                del self.learner_last_used[chat_id]
+                evicted.append(chat_id)
+
+        if evicted:
+            logger.info(f"StyleLearner LRU淘汰: 释放了 {len(evicted)} 个不活跃的学习器")
+
     def get_learner(self, chat_id: str, model_config: dict | None = None) -> StyleLearner:
         """
         获取或创建指定chat_id的学习器
@@ -463,7 +494,13 @@ class StyleLearnerManager:
         Returns:
             StyleLearner实例
         """
+        # 🔧 更新最后使用时间
+        self.learner_last_used[chat_id] = time.time()
+
         if chat_id not in self.learners:
+            # 🔧 检查是否需要淘汰
+            self._evict_if_needed()
+
             # 创建新的学习器
             learner = StyleLearner(chat_id, model_config)
 

src/chat/utils/utils_image.py

@@ -168,15 +168,22 @@ class ImageManager:
             image_bytes = base64.b64decode(image_base64)
             image_hash = hashlib.md5(image_bytes).hexdigest()
 
+            # 如果缓存命中，可以提前释放 image_bytes
+            # 但如果需要保存表情包，则需要保留 image_bytes
+
             # 2. 优先查询已注册表情的缓存（Emoji表）
             if full_description := await emoji_manager.get_emoji_description_by_hash(image_hash):
                 logger.info("[缓存命中] 使用已注册表情包(Emoji表)的完整描述")
+                del image_bytes  # 缓存命中，不再需要
+                del image_base64
                 refined_part = full_description.split(" Keywords:")[0]
                 return f"[表情包：{refined_part}]"
 
             # 3. 查询通用图片描述缓存（ImageDescriptions表）
             if cached_description := await self._get_description_from_db(image_hash, "emoji"):
                 logger.info("[缓存命中] 使用通用图片缓存(ImageDescriptions表)中的描述")
+                del image_bytes  # 缓存命中，不再需要
+                del image_base64
                 refined_part = cached_description.split(" Keywords:")[0]
                 return f"[表情包：{refined_part}]"
 
@@ -209,7 +216,11 @@ class ImageManager:
             await self._save_description_to_db(image_hash, full_description, "emoji")
             logger.info(f"新生成的表情包描述已存入通用缓存 (Hash: {image_hash[:8]}...)")
 
-            # 6. 返回新生成的描述中用于显示的“精炼描述”部分
+            # 内存优化：处理完成后主动释放大型二进制数据
+            del image_bytes
+            del image_base64
+
+            # 6. 返回新生成的描述中用于显示的"精炼描述"部分
             refined_part = full_description.split(" Keywords:")[0]
             return f"[表情包：{refined_part}]"
 
@@ -248,11 +259,17 @@ class ImageManager:
                 existing_image = result.scalar()
                 if existing_image and existing_image.description:
                     logger.debug(f"[缓存命中] 使用Images表中的图片描述: {existing_image.description[:50]}...")
+                    # 缓存命中，释放 base64 和 image_bytes
+                    del image_bytes
+                    del image_base64
                     return f"[图片：{existing_image.description}]"
 
             # 3. 其次查询 ImageDescriptions 表缓存
             if cached_description := await self._get_description_from_db(image_hash, "image"):
                 logger.debug(f"[缓存命中] 使用ImageDescriptions表中的描述: {cached_description[:50]}...")
+                # 缓存命中，释放 base64 和 image_bytes
+                del image_bytes
+                del image_base64
                 return f"[图片：{cached_description}]"
 
             # 4. 如果都未命中，则同步调用VLM生成新描述
@@ -301,6 +318,10 @@ class ImageManager:
 
             logger.info(f"新生成的图片描述已存入缓存 (Hash: {image_hash[:8]}...)")
 
+            # 内存优化：处理完成后主动释放大型二进制数据
+            del image_bytes
+            del image_base64
+
             return f"[图片：{description}]"
 
         except Exception as e: