feat(affinity_flow_chatter): 重构计划器以支持多动作并优化思考逻辑

本次提交对亲和流聊天器（AFC）的计划与决策核心进行了重大重构和功能增强，旨在提升其响应的灵活性、鲁棒性和可观测性。

主要变更包括：

1.  **多动作支持与解析重构**:
    -   `PlanFilter` 现在能够正确解析并处理 LLM 返回的动作列表（`"actions": [...]`），而不仅限于单个动作，这使得机器人能够执行更复杂的组合行为。
    -   增强了动作解析的鲁棒性，当找不到 `target_message_id` 时会优雅降级（如 `reply` 变为 `no_action`），并会根据当前实际可用的动作列表对 LLM 的选择进行验证。

2.  **提示词工程与思考模式优化**:
    -   重新设计了核心 Planner 提示词，将 `thinking` 字段定义为“思绪流”，引导 LLM 生成更自然、更符合角色的内心独白，而非简单的决策理由，从而提升决策质量和角色扮演的沉浸感。
    -   强制要求 LLM 为需要目标消息的动作提供 `target_message_id`，提高了动作执行的准确性。

3.  **上下文构建与鲁棒性增强**:
    -   在 `PlanFilter` 中增加了上下文回退机制，当内存中缺少历史消息时（如冷启动），会自动从数据库加载最近的消息记录，确保决策所需上下文的完整性。
    -   简化了提供给 LLM 的未读消息格式，移除了兴趣度分数等内部信息，并加入了用户昵称，使其更易于理解和处理。

4.  **可观测性与日志改进**:
    -   在 AFC 的多个关键节点（消息接收、决策、动作执行）增加了彩色的详细日志，使其决策流程像 HFC 一样清晰可见，极大地方便了调试。
    -   将系统中多个模块（视频分析、兴趣度匹配、情绪管理）的常规日志级别从 `INFO` 调整为 `DEBUG`，以减少在生产环境中的日志噪音。

5.  **动作描述优化**:
    -   优化了 `set_emoji_like` 和 `emoji` 等动作的描述，使其意图更清晰，帮助 LLM 做出更准确的动作选择。

src/chat/interest_system/bot_interest_manager.py

@@ -464,7 +464,7 @@ class BotInterestManager:
                     low_similarity_count += 1
                     result.add_match(tag.tag_name, enhanced_score, [tag.tag_name])
 
-        logger.info(
+        logger.debug(
             f"匹配统计: {match_count}/{len(active_tags)} 个标签命中 | "
             f"高(>{high_threshold}): {high_similarity_count}, "
             f"中(>{medium_threshold}): {medium_similarity_count}, "
@@ -492,9 +492,9 @@ class BotInterestManager:
         if result.matched_tags:
             top_tag_name = max(result.match_scores.items(), key=lambda x: x[1])[0]
             result.top_tag = top_tag_name
-            logger.info(f"最佳匹配: '{top_tag_name}' (分数: {result.match_scores[top_tag_name]:.3f})")
+            logger.debug(f"最佳匹配: '{top_tag_name}' (分数: {result.match_scores[top_tag_name]:.3f})")
 
-        logger.info(
+        logger.debug(
             f"最终结果: 总分={result.overall_score:.3f}, 置信度={result.confidence:.3f}, 匹配标签数={len(result.matched_tags)}"
         )
         return result

src/chat/utils/utils_video.py

@@ -78,7 +78,7 @@ class VideoAnalyzer:
             self.video_llm = LLMRequest(
                 model_set=model_config.model_task_config.video_analysis, request_type="video_analysis"
             )
-            logger.info("✅ 使用video_analysis模型配置")
+            logger.debug("✅ 使用video_analysis模型配置")
         except (AttributeError, KeyError) as e:
             # 如果video_analysis不存在，使用vlm配置
             self.video_llm = LLMRequest(model_set=model_config.model_task_config.vlm, request_type="vlm")
@@ -155,14 +155,14 @@ class VideoAnalyzer:
         self.timeout = 60.0  # 分析超时时间（秒）
 
         if config:
-            logger.info("✅ 从配置文件读取视频分析参数")
+            logger.debug("✅ 从配置文件读取视频分析参数")
         else:
             logger.warning("配置文件中缺少video_analysis配置，使用默认值")
 
         # 系统提示词
         self.system_prompt = "你是一个专业的视频内容分析助手。请仔细观察用户提供的视频关键帧，详细描述视频内容。"
 
-        logger.info(f"✅ 视频分析器初始化完成，分析模式: {self.analysis_mode}, 线程池: {self.use_multiprocessing}")
+        logger.debug(f"✅ 视频分析器初始化完成，分析模式: {self.analysis_mode}, 线程池: {self.use_multiprocessing}")
 
         # 获取Rust模块系统信息
         self._log_system_info()
@@ -175,7 +175,7 @@ class VideoAnalyzer:
 
         try:
             system_info = rust_video.get_system_info()
-            logger.info(f"🔧 系统信息: 线程数={system_info.get('threads', '未知')}")
+            logger.debug(f"🔧 系统信息: 线程数={system_info.get('threads', '未知')}")
 
             # 记录CPU特性
             features = []
@@ -187,11 +187,11 @@ class VideoAnalyzer:
                 features.append("SIMD")
 
             if features:
-                logger.info(f"🚀 CPU特性: {', '.join(features)}")
+                logger.debug(f"🚀 CPU特性: {', '.join(features)}")
             else:
-                logger.info("⚠️ 未检测到SIMD支持")
+                logger.debug("⚠️ 未检测到SIMD支持")
 
-            logger.info(f"📦 Rust模块版本: {system_info.get('version', '未知')}")
+            logger.debug(f"📦 Rust模块版本: {system_info.get('version', '未知')}")
 
         except Exception as e:
             logger.warning(f"获取系统信息失败: {e}")