Merge pull request #17 from MoFox-Studio/feature/kfc

Feature/kfc

scripts/migrate_database.py

@@ -11,15 +11,22 @@
     python scripts/migrate_database.py --source sqlite --target postgresql
     python scripts/migrate_database.py --source mysql --target postgresql --batch-size 5000
     
+    # 交互式向导模式（推荐）
+    python scripts/migrate_database.py
+
 注意事项:
 1. 迁移前请备份源数据库
 2. 目标数据库应该是空的或不存在的（脚本会自动创建表）
 3. 迁移过程可能需要较长时间，请耐心等待
+4. 迁移到 PostgreSQL 时，脚本会自动：
+   - 修复布尔列类型（SQLite INTEGER -> PostgreSQL BOOLEAN）
+   - 重置序列值（避免主键冲突）
 
 实现细节:
 - 使用 SQLAlchemy 进行数据库连接和元数据管理
 - 采用流式迁移，避免一次性加载过多数据
 - 支持 SQLite、MySQL、PostgreSQL 之间的互相迁移
+- 批量插入失败时自动降级为逐行插入，最大程度保留数据
 """
 
 from __future__ import annotations
@@ -52,6 +59,8 @@ except ImportError:
 
 from typing import Any, Iterable, Callable
 
+from datetime import datetime as dt
+
 from sqlalchemy import (
     create_engine,
     MetaData,
@@ -314,6 +323,143 @@ def get_table_row_count(conn: Connection, table: Table) -> int:
         return 0
 
 
+def convert_value_for_target(
+    val: Any,
+    col_name: str,
+    source_col_type: Any,
+    target_col_type: Any,
+    target_dialect: str,
+    target_col_nullable: bool = True,
+) -> Any:
+    """转换值以适配目标数据库类型
+
+    处理以下情况:
+    1. 空字符串日期时间 -> None
+    2. SQLite INTEGER (0/1) -> PostgreSQL BOOLEAN
+    3. 字符串日期时间 -> datetime 对象
+    4. 跳过主键 id (让目标数据库自增)
+    5. 对于 NOT NULL 列，提供合适的默认值
+
+    Args:
+        val: 原始值
+        col_name: 列名
+        source_col_type: 源列类型
+        target_col_type: 目标列类型
+        target_dialect: 目标数据库方言名称
+        target_col_nullable: 目标列是否允许 NULL
+
+    Returns:
+        转换后的值
+    """
+    # 获取目标类型的类名
+    target_type_name = target_col_type.__class__.__name__.upper()
+    source_type_name = source_col_type.__class__.__name__.upper()
+
+    # 处理 None 值
+    if val is None:
+        # 如果目标列不允许 NULL，提供默认值
+        if not target_col_nullable:
+            # Boolean 类型的默认值是 False
+            if target_type_name == "BOOLEAN" or isinstance(target_col_type, sqltypes.Boolean):
+                return False
+            # 数值类型的默认值
+            if target_type_name in ("INTEGER", "BIGINT", "SMALLINT") or isinstance(target_col_type, sqltypes.Integer):
+                return 0
+            if target_type_name in ("FLOAT", "DOUBLE", "REAL", "NUMERIC", "DECIMAL", "DOUBLE_PRECISION") or isinstance(target_col_type, sqltypes.Float):
+                return 0.0
+            # 日期时间类型的默认值
+            if target_type_name in ("DATETIME", "TIMESTAMP") or isinstance(target_col_type, sqltypes.DateTime):
+                return dt.now()
+            # 字符串类型的默认值
+            if target_type_name in ("VARCHAR", "STRING", "TEXT") or isinstance(target_col_type, (sqltypes.String, sqltypes.Text)):
+                return ""
+            # 其他类型也返回空字符串作为兜底
+            return ""
+        return None
+
+    # 处理 Boolean 类型转换
+    # SQLite 中 Boolean 实际存储为 INTEGER (0/1)
+    if target_type_name == "BOOLEAN" or isinstance(target_col_type, sqltypes.Boolean):
+        if isinstance(val, bool):
+            return val
+        if isinstance(val, (int, float)):
+            return bool(val)
+        if isinstance(val, str):
+            val_lower = val.lower().strip()
+            if val_lower in ("true", "1", "yes"):
+                return True
+            elif val_lower in ("false", "0", "no", ""):
+                return False
+        return bool(val) if val else False
+
+    # 处理 DateTime 类型转换
+    if target_type_name in ("DATETIME", "TIMESTAMP") or isinstance(target_col_type, sqltypes.DateTime):
+        if isinstance(val, dt):
+            return val
+        if isinstance(val, str):
+            val = val.strip()
+            # 空字符串 -> None
+            if val == "":
+                return None
+            # 尝试多种日期格式
+            for fmt in [
+                "%Y-%m-%d %H:%M:%S.%f",
+                "%Y-%m-%d %H:%M:%S",
+                "%Y-%m-%dT%H:%M:%S.%f",
+                "%Y-%m-%dT%H:%M:%S",
+                "%Y-%m-%d",
+            ]:
+                try:
+                    return dt.strptime(val, fmt)
+                except ValueError:
+                    continue
+            # 如果都失败，尝试 fromisoformat
+            try:
+                return dt.fromisoformat(val)
+            except ValueError:
+                logger.warning("无法解析日期时间字符串 '%s' (列: %s)，设为 None", val, col_name)
+                return None
+        # 如果是数值（时间戳），尝试转换
+        if isinstance(val, (int, float)) and val > 0:
+            try:
+                return dt.fromtimestamp(val)
+            except (OSError, ValueError, OverflowError):
+                return None
+        return None
+
+    # 处理 Float 类型
+    if target_type_name == "FLOAT" or isinstance(target_col_type, sqltypes.Float):
+        if isinstance(val, (int, float)):
+            return float(val)
+        if isinstance(val, str):
+            val = val.strip()
+            if val == "":
+                return None
+            try:
+                return float(val)
+            except ValueError:
+                return None
+        return val
+
+    # 处理 Integer 类型
+    if target_type_name == "INTEGER" or isinstance(target_col_type, sqltypes.Integer):
+        if isinstance(val, int):
+            return val
+        if isinstance(val, float):
+            return int(val)
+        if isinstance(val, str):
+            val = val.strip()
+            if val == "":
+                return None
+            try:
+                return int(float(val))
+            except ValueError:
+                return None
+        return val
+
+    return val
+
+
 def copy_table_structure(source_table: Table, target_metadata: MetaData, target_engine: Engine) -> Table:
     """复制表结构到目标数据库，使其结构保持一致"""
     target_is_sqlite = target_engine.dialect.name == "sqlite"
@@ -351,19 +497,23 @@ def copy_table_structure(source_table: Table, target_metadata: MetaData, target_
 
 def migrate_table_data(
     source_conn: Connection,
-    target_conn: Connection,
+    target_engine: Engine,
     source_table: Table,
     target_table: Table,
     batch_size: int = 1000,
+    target_dialect: str = "postgresql",
+    row_limit: int | None = None,
 ) -> tuple[int, int]:
     """迁移单个表的数据
 
     Args:
         source_conn: 源数据库连接
-        target_conn: 目标数据库连接
+        target_engine: 目标数据库引擎（注意：改为 engine 而不是 connection）
         source_table: 源表对象
         target_table: 目标表对象
         batch_size: 每批次处理大小
+        target_dialect: 目标数据库方言 (sqlite/mysql/postgresql)
+        row_limit: 最大迁移行数限制，None 表示不限制
 
     Returns:
         tuple[int, int]: (迁移行数, 错误数量)
@@ -377,40 +527,101 @@ def migrate_table_data(
 
     migrated_rows = 0
     error_count = 0
+    conversion_warnings = 0
+
+    # 构建源列到目标列的映射
+    target_cols_by_name = {c.key: c for c in target_table.columns}
+
+    # 识别主键列（通常是 id），迁移时保留原始 ID 以避免重复数据
+    primary_key_cols = {c.key for c in source_table.primary_key.columns}
 
     # 使用流式查询，避免一次性加载太多数据
-    # 对于 SQLAlchemy 1.4/2.0 可以使用 yield_per
+    # 使用 text() 原始 SQL 查询，避免 SQLAlchemy 自动类型转换（如 DateTime）导致的错误
     try:
-        select_stmt = source_table.select()
+        # 构建原始 SQL 查询语句
-        result = source_conn.execute(select_stmt)
+        col_names = [c.key for c in source_table.columns]
+        if row_limit:
+            # 按时间或 ID 倒序取最新的 row_limit 条
+            raw_sql = text(f"SELECT {', '.join(col_names)} FROM {source_table.name} ORDER BY id DESC LIMIT {row_limit}")
+            logger.info("  限制迁移最新 %d 行", row_limit)
+        else:
+            raw_sql = text(f"SELECT {', '.join(col_names)} FROM {source_table.name}")
+        result = source_conn.execute(raw_sql)
     except SQLAlchemyError as e:
         logger.error("查询表 %s 失败: %s", source_table.name, e)
         return 0, 1
 
     def insert_batch(rows: list[dict]):
+        """每个批次使用独立的事务，批次失败时降级为逐行插入"""
         nonlocal migrated_rows, error_count
         if not rows:
             return
         try:
+            # 每个批次使用独立的事务
+            with target_engine.begin() as target_conn:
                 target_conn.execute(target_table.insert(), rows)
             migrated_rows += len(rows)
             logger.info("  已迁移 %d/%s 行", migrated_rows, total_rows or "?")
         except SQLAlchemyError as e:
-            logger.error("写入表 %s 失败: %s", target_table.name, e)
+            # 批量插入失败，降级为逐行插入
-            error_count += len(rows)
+            logger.warning("批量插入失败，降级为逐行插入 (共 %d 行): %s", len(rows), str(e)[:200])
+            for row in rows:
+                try:
+                    with target_engine.begin() as target_conn:
+                        target_conn.execute(target_table.insert(), [row])
+                    migrated_rows += 1
+                except SQLAlchemyError as row_e:
+                    # 记录失败的行信息
+                    row_id = row.get("id", "unknown")
+                    logger.error("插入行失败 (id=%s): %s", row_id, str(row_e)[:200])
+                    error_count += 1
+            logger.info("  逐行插入完成，已迁移 %d/%s 行", migrated_rows, total_rows or "?")
 
     batch: list[dict] = []
     null_char_replacements = 0
 
+    # 构建列名列表（用于通过索引访问原始 SQL 结果）
+    col_list = list(source_table.columns)
+    col_name_to_idx = {c.key: idx for idx, c in enumerate(col_list)}
+
     for row in result:
-        # Use column objects to access row mapping to avoid quoted_name keys
         row_dict = {}
-        for col in source_table.columns:
+        for col in col_list:
-            val = row._mapping[col]
+            col_key = col.key
+
+            # 保留主键列（id），确保数据一致性
+            # 注意：如果目标表使用自增主键，可能需要重置序列
+
+            # 通过索引获取原始值（避免 SQLAlchemy 自动类型转换）
+            col_idx = col_name_to_idx[col_key]
+            val = row[col_idx]
+
+            # 处理 NUL 字符
             if isinstance(val, str) and "\x00" in val:
                 val = val.replace("\x00", "")
                 null_char_replacements += 1
-            row_dict[col.key] = val
+
+            # 获取目标列类型进行转换
+            target_col = target_cols_by_name.get(col_key)
+            if target_col is not None:
+                try:
+                    val = convert_value_for_target(
+                        val=val,
+                        col_name=col_key,
+                        source_col_type=col.type,
+                        target_col_type=target_col.type,
+                        target_dialect=target_dialect,
+                        target_col_nullable=target_col.nullable if target_col.nullable is not None else True,
+                    )
+                except Exception as e:
+                    conversion_warnings += 1
+                    if conversion_warnings <= 5:
+                        logger.warning(
+                            "值转换异常 (表=%s, 列=%s, 值=%r): %s",
+                            source_table.name, col_key, val, e
+                        )
+
+            row_dict[col_key] = val
 
         batch.append(row_dict)
         if len(batch) >= batch_size:
@@ -432,6 +643,12 @@ def migrate_table_data(
             source_table.name,
             null_char_replacements,
         )
+    if conversion_warnings:
+        logger.warning(
+            "表 %s 中 %d 个值发生类型转换警告",
+            source_table.name,
+            conversion_warnings,
+        )
 
     return migrated_rows, error_count
 
@@ -479,6 +696,9 @@ class DatabaseMigrator:
         batch_size: int = 1000,
         source_config: dict | None = None,
         target_config: dict | None = None,
+        skip_tables: set | None = None,
+        only_tables: set | None = None,
+        no_create_tables: bool = False,
     ):
         """初始化迁移器
 
@@ -488,12 +708,18 @@ class DatabaseMigrator:
             batch_size: 批量处理大小
             source_config: 源数据库配置（可选，默认从配置文件读取）
             target_config: 目标数据库配置（可选，需要手动指定）
+            skip_tables: 要跳过的表名集合
+            only_tables: 只迁移的表名集合（设置后忽略 skip_tables）
+            no_create_tables: 是否跳过创建表结构（假设目标表已存在）
         """
         self.source_type = source_type.lower()
         self.target_type = target_type.lower()
         self.batch_size = batch_size
         self.source_config = source_config
         self.target_config = target_config
+        self.skip_tables = skip_tables or set()
+        self.only_tables = only_tables or set()
+        self.no_create_tables = no_create_tables
 
         self._validate_database_types()
 
@@ -659,24 +885,59 @@ class DatabaseMigrator:
         tables = self._get_tables_in_dependency_order()
         logger.info("按依赖顺序迁移表: %s", ", ".join(t.name for t in tables))
 
-        # 删除目标库中已有表（可选）
+        # 如果指定了 only_tables，则过滤表列表
+        if self.only_tables:
+            tables = [t for t in tables if t.name in self.only_tables]
+            logger.info("只迁移指定的表: %s", ", ".join(t.name for t in tables))
+            if not tables:
+                logger.warning("没有找到任何匹配 --only-tables 的表")
+                return
+
+        # 删除目标库中已有表（可选）- 如果是增量迁移则跳过
+        if not self.no_create_tables:
             self._drop_target_tables()
 
+        # 获取目标数据库方言
+        target_dialect = self.target_engine.dialect.name
+
         # 开始迁移
         with self.source_engine.connect() as source_conn:
             for source_table in tables:
+                # 跳过指定的表（仅在未指定 only_tables 时生效）
+                if not self.only_tables and source_table.name in self.skip_tables:
+                    logger.info("跳过表: %s (在 skip_tables 列表中)", source_table.name)
+                    continue
+
                 try:
-                    # 在目标库中创建表结构
+                    # 在目标库中创建表结构（除非指定了 no_create_tables）
+                    if self.no_create_tables:
+                        # 反射目标数据库中已存在的表结构
+                        target_metadata = MetaData()
+                        target_metadata.reflect(bind=self.target_engine, only=[source_table.name])
+                        target_table = target_metadata.tables.get(source_table.name)
+                        if target_table is None:
+                            logger.error("目标数据库中不存在表: %s，请先创建表结构或移除 --no-create-tables 参数", source_table.name)
+                            self.stats["errors"].append(f"目标数据库中不存在表: {source_table.name}")
+                            continue
+                        logger.info("使用目标数据库中已存在的表结构: %s", source_table.name)
+                    else:
                         target_table = copy_table_structure(source_table, MetaData(), self.target_engine)
 
-                    # 每张表单独事务，避免退出上下文被自动回滚
+                    # 对 messages 表限制迁移行数（只迁移最新 1 万条）
-                    with self.target_engine.begin() as target_conn:
+                    row_limit = None
+                    if source_table.name == "messages":
+                        row_limit = 10000
+                        logger.info("messages 表将只迁移最新 %d 条记录", row_limit)
+
+                    # 每个批次使用独立事务，传入 engine 而不是 connection
                     migrated_rows, error_count = migrate_table_data(
                         source_conn,
-                            target_conn,
+                        self.target_engine,
                         source_table,
                         target_table,
                         batch_size=self.batch_size,
+                        target_dialect=target_dialect,
+                        row_limit=row_limit,
                     )
 
                     self.stats["tables_migrated"] += 1
@@ -692,6 +953,11 @@ class DatabaseMigrator:
 
         self.stats["end_time"] = time.time()
         
+        # 迁移完成后，自动修复 PostgreSQL 特有问题
+        if self.target_type == "postgresql" and self.target_engine:
+            fix_postgresql_boolean_columns(self.target_engine)
+            fix_postgresql_sequences(self.target_engine)
+
     def print_summary(self):
         """打印迁移总结"""
         import time
@@ -804,6 +1070,29 @@ def parse_args():
     target_group.add_argument("--target-schema", type=str, default="public", help="PostgreSQL schema")
     target_group.add_argument("--target-charset", type=str, default="utf8mb4", help="MySQL 字符集")
 
+    # 跳过表参数
+    parser.add_argument(
+        "--skip-tables",
+        type=str,
+        default="",
+        help="跳过迁移的表名，多个表名用逗号分隔（如: messages,logs）",
+    )
+
+    # 只迁移指定表参数
+    parser.add_argument(
+        "--only-tables",
+        type=str,
+        default="",
+        help="只迁移指定的表名，多个表名用逗号分隔（如: user_relationships,maizone_schedule_status）。设置后将忽略 --skip-tables",
+    )
+
+    # 不创建表结构，假设目标表已存在
+    parser.add_argument(
+        "--no-create-tables",
+        action="store_true",
+        help="不创建表结构，假设目标数据库中的表已存在。用于增量迁移指定表的数据",
+    )
+
     return parser.parse_args()
 
 
@@ -1012,6 +1301,112 @@ def interactive_setup() -> dict:
     }
 
 
+def fix_postgresql_sequences(engine: Engine):
+    """修复 PostgreSQL 序列值
+    
+    迁移数据后，PostgreSQL 的序列（用于自增主键）可能没有更新到正确的值，
+    导致插入新记录时出现主键冲突。此函数会自动检测并重置所有序列。
+    
+    Args:
+        engine: PostgreSQL 数据库引擎
+    """
+    if engine.dialect.name != "postgresql":
+        logger.info("非 PostgreSQL 数据库，跳过序列修复")
+        return
+    
+    logger.info("正在修复 PostgreSQL 序列...")
+    
+    with engine.connect() as conn:
+        # 获取所有带有序列的表
+        result = conn.execute(text('''
+            SELECT 
+                t.table_name,
+                c.column_name,
+                pg_get_serial_sequence(t.table_name, c.column_name) as sequence_name
+            FROM information_schema.tables t
+            JOIN information_schema.columns c 
+                ON t.table_name = c.table_name AND t.table_schema = c.table_schema
+            WHERE t.table_schema = 'public' 
+            AND t.table_type = 'BASE TABLE'
+            AND c.column_default LIKE 'nextval%'
+            ORDER BY t.table_name
+        '''))
+        
+        sequences = result.fetchall()
+        logger.info("发现 %d 个带序列的表", len(sequences))
+        
+        fixed_count = 0
+        for table_name, column_name, seq_name in sequences:
+            if seq_name:
+                try:
+                    # 获取当前表中该列的最大值
+                    max_result = conn.execute(text(f'SELECT COALESCE(MAX({column_name}), 0) FROM {table_name}'))
+                    max_val = max_result.scalar()
+                    
+                    # 设置序列的下一个值
+                    next_val = max_val + 1
+                    conn.execute(text(f"SELECT setval('{seq_name}', {next_val}, false)"))
+                    conn.commit()
+                    
+                    logger.info("  ✅ %s.%s: 最大值=%d, 序列设为=%d", table_name, column_name, max_val, next_val)
+                    fixed_count += 1
+                except Exception as e:
+                    logger.warning("  ❌ %s.%s: 修复失败 - %s", table_name, column_name, e)
+        
+        logger.info("序列修复完成！共修复 %d 个序列", fixed_count)
+
+
+def fix_postgresql_boolean_columns(engine: Engine):
+    """修复 PostgreSQL 布尔列类型
+    
+    从 SQLite 迁移后，布尔列可能是 INTEGER 类型。此函数将其转换为 BOOLEAN。
+    
+    Args:
+        engine: PostgreSQL 数据库引擎
+    """
+    if engine.dialect.name != "postgresql":
+        logger.info("非 PostgreSQL 数据库，跳过布尔列修复")
+        return
+    
+    # 已知需要转换为 BOOLEAN 的列
+    BOOLEAN_COLUMNS = {
+        'messages': ['is_mentioned', 'is_emoji', 'is_picid', 'is_command', 
+                     'is_notify', 'is_public_notice', 'should_reply', 'should_act'],
+        'action_records': ['action_done', 'action_build_into_prompt'],
+    }
+    
+    logger.info("正在检查并修复 PostgreSQL 布尔列...")
+    
+    with engine.connect() as conn:
+        fixed_count = 0
+        for table_name, columns in BOOLEAN_COLUMNS.items():
+            for col_name in columns:
+                try:
+                    # 检查当前类型
+                    result = conn.execute(text(f'''
+                        SELECT data_type FROM information_schema.columns 
+                        WHERE table_name = '{table_name}' AND column_name = '{col_name}'
+                    '''))
+                    row = result.fetchone()
+                    if row and row[0] != 'boolean':
+                        # 需要修复
+                        conn.execute(text(f'''
+                            ALTER TABLE {table_name} 
+                            ALTER COLUMN {col_name} TYPE BOOLEAN 
+                            USING CASE WHEN {col_name} = 0 THEN FALSE ELSE TRUE END
+                        '''))
+                        conn.commit()
+                        logger.info("  ✅ %s.%s: %s -> BOOLEAN", table_name, col_name, row[0])
+                        fixed_count += 1
+                except Exception as e:
+                    logger.warning("  ⚠️ %s.%s: 检查/修复失败 - %s", table_name, col_name, e)
+        
+        if fixed_count > 0:
+            logger.info("布尔列修复完成！共修复 %d 列", fixed_count)
+        else:
+            logger.info("所有布尔列类型正确，无需修复")
+
+
 def main():
     """主函数"""
     args = parse_args()
@@ -1055,12 +1450,27 @@ def main():
                 sys.exit(1)
 
     try:
+        # 解析跳过的表
+        skip_tables = set()
+        if args.skip_tables:
+            skip_tables = {t.strip() for t in args.skip_tables.split(",") if t.strip()}
+            logger.info("将跳过以下表: %s", ", ".join(skip_tables))
+
+        # 解析只迁移的表
+        only_tables = set()
+        if args.only_tables:
+            only_tables = {t.strip() for t in args.only_tables.split(",") if t.strip()}
+            logger.info("将只迁移以下表: %s", ", ".join(only_tables))
+
         migrator = DatabaseMigrator(
             source_type=args.source,
             target_type=args.target,
             batch_size=args.batch_size,
             source_config=source_config,
             target_config=target_config,
+            skip_tables=skip_tables,
+            only_tables=only_tables,
+            no_create_tables=args.no_create_tables,
         )
 
         stats = migrator.run()

scripts/reset_pg_sequences.py

@@ -1,77 +0,0 @@
-#!/usr/bin/env python3
-"""重置 PostgreSQL 序列值
-
-迁移数据后，PostgreSQL 的序列（用于自增主键）可能没有更新到正确的值，
-导致插入新记录时出现主键冲突。此脚本会自动检测并重置所有序列。
-
-使用方法:
-    python scripts/reset_pg_sequences.py --host localhost --port 5432 --database maibot --user postgres --password your_password
-"""
-
-import argparse
-import psycopg
-
-
-def reset_sequences(host: str, port: int, database: str, user: str, password: str):
-    """重置所有序列值"""
-    conn_str = f"host={host} port={port} dbname={database} user={user} password={password}"
-    
-    print(f"连接到 PostgreSQL: {host}:{port}/{database}")
-    conn = psycopg.connect(conn_str)
-    conn.autocommit = True
-    
-    # 查询所有序列及其关联的表和列
-    query = """
-    SELECT 
-        t.relname AS table_name,
-        a.attname AS column_name,
-        s.relname AS sequence_name
-    FROM pg_class s
-    JOIN pg_depend d ON d.objid = s.oid
-    JOIN pg_class t ON d.refobjid = t.oid
-    JOIN pg_attribute a ON (d.refobjid, d.refobjsubid) = (a.attrelid, a.attnum)
-    WHERE s.relkind = 'S'
-    """
-    
-    cursor = conn.execute(query)
-    sequences = cursor.fetchall()
-    
-    print(f"发现 {len(sequences)} 个序列")
-    
-    reset_count = 0
-    for table_name, col_name, seq_name in sequences:
-        try:
-            # 获取当前最大 ID
-            max_result = conn.execute(f'SELECT MAX("{col_name}") FROM "{table_name}"')
-            max_id = max_result.fetchone()[0]
-            
-            if max_id is not None:
-                # 重置序列
-                conn.execute(f"SELECT setval('{seq_name}', {max_id}, true)")
-                print(f"  ✓ {seq_name} -> {max_id}")
-                reset_count += 1
-            else:
-                print(f"  - {seq_name}: 表为空，跳过")
-                
-        except Exception as e:
-            print(f"  ✗ {table_name}.{col_name}: {e}")
-    
-    conn.close()
-    print(f"\n✅ 重置完成！共重置 {reset_count} 个序列")
-
-
-def main():
-    parser = argparse.ArgumentParser(description="重置 PostgreSQL 序列值")
-    parser.add_argument("--host", default="localhost", help="PostgreSQL 主机")
-    parser.add_argument("--port", type=int, default=5432, help="PostgreSQL 端口")
-    parser.add_argument("--database", default="maibot", help="数据库名")
-    parser.add_argument("--user", default="postgres", help="用户名")
-    parser.add_argument("--password", required=True, help="密码")
-    
-    args = parser.parse_args()
-    
-    reset_sequences(args.host, args.port, args.database, args.user, args.password)
-
-
-if __name__ == "__main__":
-    main()

src/chat/chatter_manager.py

@@ -57,12 +57,40 @@ class ChatterManager:
 
         self.stats["chatters_registered"] += 1
 
-    def get_chatter_class(self, chat_type: ChatType) -> type | None:
+    def get_chatter_class_for_chat_type(self, chat_type: ChatType) -> type | None:
-        """获取指定聊天类型的聊天处理器类"""
+        """
-        if chat_type in self.chatter_classes:
+        获取指定聊天类型的最佳聊天处理器类
-            return self.chatter_classes[chat_type][0]
+        
+        优先级规则：
+        1. 优先选择明确匹配当前聊天类型的 Chatter（如 PRIVATE 或 GROUP）
+        2. 如果没有精确匹配，才使用 ALL 类型的 Chatter
+        
+        Args:
+            chat_type: 聊天类型
+            
+        Returns:
+            最佳匹配的聊天处理器类，如果没有匹配则返回 None
+        """
+        # 1. 首先尝试精确匹配（排除 ALL 类型）
+        if chat_type != ChatType.ALL and chat_type in self.chatter_classes:
+            chatter_list = self.chatter_classes[chat_type]
+            if chatter_list:
+                logger.debug(f"找到精确匹配的聊天处理器: {chatter_list[0].__name__} for {chat_type.value}")
+                return chatter_list[0]
+        
+        # 2. 如果没有精确匹配，回退到 ALL 类型
+        if ChatType.ALL in self.chatter_classes:
+            chatter_list = self.chatter_classes[ChatType.ALL]
+            if chatter_list:
+                logger.debug(f"使用通用聊天处理器: {chatter_list[0].__name__} for {chat_type.value}")
+                return chatter_list[0]
+        
         return None
 
+    def get_chatter_class(self, chat_type: ChatType) -> type | None:
+        """获取指定聊天类型的聊天处理器类（兼容旧接口）"""
+        return self.get_chatter_class_for_chat_type(chat_type)
+
     def get_supported_chat_types(self) -> list[ChatType]:
         """获取支持的聊天类型列表"""
         return list(self.chatter_classes.keys())
@@ -112,29 +140,29 @@ class ChatterManager:
             logger.error("schedule unread cleanup failed", stream_id=stream_id, error=runtime_error)
 
     async def process_stream_context(self, stream_id: str, context: "StreamContext") -> dict:
-        """处理流上下文"""
+        """
+        处理流上下文
+        
+        每个聊天流只能有一个活跃的 Chatter 组件。
+        选择优先级：明确指定聊天类型的 Chatter > ALL 类型的 Chatter
+        """
         chat_type = context.chat_type
         chat_type_value = chat_type.value
         logger.debug("处理流上下文", stream_id=stream_id, chat_type=chat_type_value)
 
         self._ensure_chatter_registry()
 
-        chatter_class = self.get_chatter_class(chat_type)
+        # 检查是否已有该流的 Chatter 实例
+        stream_instance = self.instances.get(stream_id)
+        
+        if stream_instance is None:
+            # 使用新的优先级选择逻辑获取最佳 Chatter 类
+            chatter_class = self.get_chatter_class_for_chat_type(chat_type)
+            
             if not chatter_class:
-            all_chatter_class = self.get_chatter_class(ChatType.ALL)
-            if all_chatter_class:
-                chatter_class = all_chatter_class
-                logger.info(
-                    "回退到通用聊天处理器",
-                    stream_id=stream_id,
-                    requested_type=chat_type_value,
-                    fallback=ChatType.ALL.value,
-                )
-            else:
                 raise ValueError(f"No chatter registered for chat type {chat_type}")
 
-        stream_instance = self.instances.get(stream_id)
+            # 创建新实例
-        if stream_instance is None:
             stream_instance = chatter_class(stream_id=stream_id, action_manager=self.action_manager)
             self.instances[stream_id] = stream_instance
             logger.info(
@@ -143,6 +171,13 @@ class ChatterManager:
                 chatter_class=chatter_class.__name__,
                 chat_type=chat_type_value,
             )
+        else:
+            # 已有实例，直接使用（每个流只有一个活跃的 Chatter）
+            logger.debug(
+                "使用已有聊天处理器实例",
+                stream_id=stream_id,
+                chatter_class=stream_instance.__class__.__name__,
+            )
 
         self.stats["streams_processed"] += 1
         try:

src/chat/message_manager/distribution_manager.py

@@ -56,6 +56,11 @@ class StreamLoopManager:
         # 流循环启动锁：防止并发启动同一个流的多个循环任务
         self._stream_start_locks: dict[str, asyncio.Lock] = {}
         
+        # 死锁检测：记录每个流的最后活动时间
+        self._stream_last_activity: dict[str, float] = {}
+        self._deadlock_detector_task: asyncio.Task | None = None
+        self._deadlock_threshold_seconds: float = 120.0  # 2分钟无活动视为可能死锁
+
         logger.info(f"流循环管理器初始化完成 (最大并发流数: {self.max_concurrent_streams})")
 
     async def start(self) -> None:
@@ -66,6 +71,60 @@ class StreamLoopManager:
 
         self.is_running = True
         
+        # 启动死锁检测器
+        self._deadlock_detector_task = asyncio.create_task(
+            self._deadlock_detector_loop(),
+            name="deadlock_detector"
+        )
+        logger.info("死锁检测器已启动")
+    
+    async def _deadlock_detector_loop(self) -> None:
+        """死锁检测循环 - 定期检查所有流的活动状态"""
+        while self.is_running:
+            try:
+                await asyncio.sleep(30.0)  # 每30秒检查一次
+                
+                current_time = time.time()
+                suspected_deadlocks = []
+                
+                # 检查所有活跃流的最后活动时间
+                for stream_id, last_activity in list(self._stream_last_activity.items()):
+                    inactive_seconds = current_time - last_activity
+                    if inactive_seconds > self._deadlock_threshold_seconds:
+                        suspected_deadlocks.append((stream_id, inactive_seconds))
+                
+                if suspected_deadlocks:
+                    logger.warning(
+                        f"🔴 [死锁检测] 发现 {len(suspected_deadlocks)} 个可能卡住的流:\n" +
+                        "\n".join([
+                            f"  - stream={sid[:8]}, 无活动时间={inactive:.1f}s"
+                            for sid, inactive in suspected_deadlocks
+                        ])
+                    )
+                    
+                    # 打印当前所有 asyncio 任务的状态
+                    all_tasks = asyncio.all_tasks()
+                    stream_loop_tasks = [t for t in all_tasks if t.get_name().startswith("stream_loop_")]
+                    logger.warning(
+                        f"🔴 [死锁检测] 当前流循环任务状态:\n" +
+                        "\n".join([
+                            f"  - {t.get_name()}: done={t.done()}, cancelled={t.cancelled()}"
+                            for t in stream_loop_tasks
+                        ])
+                    )
+                else:
+                    # 每5分钟报告一次正常状态
+                    if int(current_time) % 300 < 30:
+                        active_count = len(self._stream_last_activity)
+                        if active_count > 0:
+                            logger.info(f"🟢 [死锁检测] 所有 {active_count} 个流正常运行中")
+                            
+            except asyncio.CancelledError:
+                logger.info("死锁检测器被取消")
+                break
+            except Exception as e:
+                logger.error(f"死锁检测器出错: {e}")
+
     async def stop(self) -> None:
         """停止流循环管理器"""
         if not self.is_running:
@@ -73,6 +132,15 @@ class StreamLoopManager:
 
         self.is_running = False
         
+        # 停止死锁检测器
+        if self._deadlock_detector_task and not self._deadlock_detector_task.done():
+            self._deadlock_detector_task.cancel()
+            try:
+                await self._deadlock_detector_task
+            except asyncio.CancelledError:
+                pass
+            logger.info("死锁检测器已停止")
+
         # 取消所有流循环
         try:
             # 获取所有活跃的流
@@ -218,10 +286,23 @@ class StreamLoopManager:
         task_id = id(asyncio.current_task())
         logger.info(f"🔄 [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 启动")
         
+        # 死锁检测：记录循环次数和上次活动时间
+        loop_count = 0
+        
+        # 注册到活动跟踪
+        self._stream_last_activity[stream_id] = time.time()
+
         try:
             while self.is_running:
+                loop_count += 1
+                loop_start_time = time.time()
+                
+                # 更新活动时间（死锁检测用）
+                self._stream_last_activity[stream_id] = loop_start_time
+                
                 try:
                     # 1. 获取流上下文
+                    logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count}, 获取上下文...")
                     context = await self._get_stream_context(stream_id)
                     if not context:
                         logger.warning(f"⚠️ [流工作器] stream={stream_id[:8]}, 无法获取流上下文")
@@ -229,6 +310,7 @@ class StreamLoopManager:
                         continue
 
                     # 2. 检查是否有消息需要处理
+                    logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count}, 刷新缓存消息...")
                     await self._flush_cached_messages_to_unread(stream_id)
                     unread_count = self._get_unread_count(context)
                     force_dispatch = self._needs_force_dispatch_for_context(context, unread_count)
@@ -248,13 +330,36 @@ class StreamLoopManager:
                             logger.debug(f"更新流能量失败 {stream_id}: {e}")
 
                         # 4. 激活chatter处理
+                        logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count}, 开始chatter处理...")
                         try:
-                            if global_config is None:
+                            # 在长时间处理期间定期更新活动时间，避免死锁检测误报
-                                raise RuntimeError("Global config is not initialized")
+                            async def process_with_activity_update():
-                            success = await asyncio.wait_for(self._process_stream_messages(stream_id, context), global_config.chat.thinking_timeout)
+                                process_task = asyncio.create_task(
+                                    self._process_stream_messages(stream_id, context)
+                                )
+                                activity_update_interval = 30.0  # 每30秒更新一次
+                                while not process_task.done():
+                                    try:
+                                        # 等待任务完成或超时
+                                        await asyncio.wait_for(
+                                            asyncio.shield(process_task),
+                                            timeout=activity_update_interval
+                                        )
+                                    except asyncio.TimeoutError:
+                                        # 任务仍在运行，更新活动时间
+                                        self._stream_last_activity[stream_id] = time.time()
+                                        logger.debug(f"🔄 [流工作器] stream={stream_id[:8]}, 处理中，更新活动时间")
+                                return await process_task
+                            
+                            success = await asyncio.wait_for(
+                                process_with_activity_update(),
+                                global_config.chat.thinking_timeout
+                            )
                         except asyncio.TimeoutError:
                             logger.warning(f"⏱️ [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 处理超时")
                             success = False
+                        logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count}, chatter处理完成, success={success}")
+                        
                         # 更新统计
                         self.stats["total_process_cycles"] += 1
                         if success:
@@ -265,9 +370,10 @@ class StreamLoopManager:
                             await asyncio.sleep(0.1)
                         else:
                             self.stats["total_failures"] += 1
-                            logger.warning(f"❌ [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 处理失败")
+                            logger.debug(f"❌ [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 处理失败")
 
                     # 5. 计算下次检查间隔
+                    logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count}, 计算间隔...")
                     interval = await self._calculate_interval(stream_id, has_messages)
 
                     # 6. sleep等待下次检查
@@ -276,7 +382,22 @@ class StreamLoopManager:
                     if last_interval is None or abs(interval - last_interval) > 0.01:
                         logger.info(f"流 {stream_id} 等待周期变化: {interval:.2f}s")
                         self._last_intervals[stream_id] = interval
-                    await asyncio.sleep(interval)
+                    
+                    loop_duration = time.time() - loop_start_time
+                    logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count} 完成, 耗时={loop_duration:.2f}s, 即将sleep {interval:.2f}s")
+                    
+                    # 使用分段sleep，每隔一段时间更新活动时间，避免死锁检测误报
+                    # 当间隔较长时（如等待用户回复），分段更新活动时间
+                    remaining_sleep = interval
+                    activity_update_interval = 30.0  # 每30秒更新一次活动时间
+                    while remaining_sleep > 0:
+                        sleep_chunk = min(remaining_sleep, activity_update_interval)
+                        await asyncio.sleep(sleep_chunk)
+                        remaining_sleep -= sleep_chunk
+                        # 更新活动时间，表明流仍在正常运行（只是在等待）
+                        self._stream_last_activity[stream_id] = time.time()
+                    
+                    logger.debug(f"🔍 [流工作器] stream={stream_id[:8]}, 循环#{loop_count} sleep结束, 开始下一循环")
 
                 except asyncio.CancelledError:
                     logger.info(f"🛑 [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 被取消")
@@ -299,6 +420,9 @@ class StreamLoopManager:
             # 清理间隔记录
             self._last_intervals.pop(stream_id, None)
             
+            # 清理活动跟踪
+            self._stream_last_activity.pop(stream_id, None)
+
             logger.info(f"🏁 [流工作器] stream={stream_id[:8]}, 任务ID={task_id}, 循环结束")
 
     async def _get_stream_context(self, stream_id: str) -> "StreamContext | None":
@@ -355,8 +479,8 @@ class StreamLoopManager:
 
         # 🔒 防止并发处理：如果已经在处理中，直接返回
         if context.is_chatter_processing:
-            logger.warning(f"🔒 [并发保护] stream={stream_id[:8]}, Chatter 正在处理中，跳过本次处理请求")
+            logger.debug(f"🔒 [并发保护] stream={stream_id[:8]}, Chatter 正在处理中，跳过本次处理请求")
-            return False
+            return True  # 返回 True，这是正常的保护机制，不是失败
 
         # 设置处理状态为正在处理
         self._set_stream_processing_status(stream_id, True)

src/chat/planner_actions/action_manager.py

@@ -1,15 +1,10 @@
 import asyncio
-import time
 import traceback
 from typing import Any, TYPE_CHECKING
 
 from src.chat.message_receive.chat_stream import get_chat_manager
-from src.chat.utils.timer_calculator import Timer
 from src.common.data_models.database_data_model import DatabaseMessages
 from src.common.logger import get_logger
-from src.config.config import global_config
-from src.person_info.person_info import get_person_info_manager
-from src.plugin_system.apis import database_api, generator_api, message_api, send_api
 from src.plugin_system.base.base_action import BaseAction
 from src.plugin_system.base.component_types import ActionInfo, ComponentType
 from src.plugin_system.core.component_registry import component_registry
@@ -22,23 +17,19 @@ logger = get_logger("action_manager")
 
 class ChatterActionManager:
     """
-    动作管理器，用于管理各种类型的动作
+    动作管理器，用于管理和执行动作
     
-    现在统一使用新插件系统，简化了原有的新旧兼容逻辑。
+    职责：
+    - 加载和管理可用动作集
+    - 创建动作实例
+    - 执行动作（所有动作逻辑在 Action.execute() 中实现）
     """
 
     def __init__(self):
         """初始化动作管理器"""
-
-        # 当前正在使用的动作集合，在规划开始时加载
         self._using_actions: dict[str, ActionInfo] = {}
         self.chat_id: str | None = None
-
         self.log_prefix: str = "ChatterActionManager"
-        # 批量存储支持
-        self._batch_storage_enabled = False
-        self._pending_actions = []
-        self._current_chat_id = None
 
     async def load_actions(self, stream_id: str | None):
         """根据 stream_id 加载当前可用的动作"""
@@ -46,8 +37,6 @@ class ChatterActionManager:
         self._using_actions = component_registry.get_default_actions(stream_id)
         logger.debug(f"已为 stream '{stream_id}' 加载 {len(self._using_actions)} 个可用动作: {list(self._using_actions.keys())}")
 
-    # === 执行Action方法 ===
-
     @staticmethod
     def create_action(
         action_name: str,
@@ -72,12 +61,13 @@ class ChatterActionManager:
             chat_stream: 聊天流
             log_prefix: 日志前缀
             shutting_down: 是否正在关闭
+            action_message: 目标消息
 
         Returns:
-            Optional[BaseAction]: 创建的动作处理器实例，如果动作名称未注册则返回None
+            BaseAction | None: 创建的动作处理器实例
         """
         try:
-            # 获取组件类 - 明确指定查询Action类型
+            # 获取组件类
             component_class: type[BaseAction] = component_registry.get_component_class(
                 action_name, ComponentType.ACTION
             )  # type: ignore
@@ -112,8 +102,6 @@ class ChatterActionManager:
 
         except Exception as e:
             logger.error(f"创建Action实例失败 {action_name}: {e}")
-            import traceback
-
             logger.error(traceback.format_exc())
             return None
 
@@ -121,17 +109,8 @@ class ChatterActionManager:
         """获取当前正在使用的动作集合"""
         return self._using_actions.copy()
 
-    # === Modify相关方法 ===
     def remove_action_from_using(self, action_name: str) -> bool:
-        """
+        """从当前使用的动作集中移除指定动作"""
-        从当前使用的动作集中移除指定动作
-
-        Args:
-            action_name: 动作名称
-
-        Returns:
-            bool: 移除是否成功
-        """
         if action_name not in self._using_actions:
             logger.warning(f"移除失败: 动作 {action_name} 不在当前使用的动作集中")
             return False
@@ -143,7 +122,6 @@ class ChatterActionManager:
     async def restore_actions(self) -> None:
         """恢复到当前 stream_id 的默认动作集"""
         actions_to_restore = list(self._using_actions.keys())
-        # 使用 self.chat_id 来恢复当前上下文的动作
         await self.load_actions(self.chat_id)
         logger.debug(f"恢复动作集: 从 {actions_to_restore} 恢复到 stream '{self.chat_id}' 的默认动作集 {list(self._using_actions.keys())}")
 
@@ -159,31 +137,33 @@ class ChatterActionManager:
         clear_unread_messages: bool = True,
     ) -> Any:
         """
-        执行单个动作的通用函数
+        执行单个动作
+        
+        所有动作逻辑都在 BaseAction.execute() 中实现
 
         Args:
             action_name: 动作名称
-            chat_id: 聊天id
+            chat_id: 聊天ID
             target_message: 目标消息
             reasoning: 执行理由
             action_data: 动作数据
             thinking_id: 思考ID
             log_prefix: 日志前缀
+            clear_unread_messages: 是否清除未读消息
 
         Returns:
-            执行结果
+            执行结果字典
         """
         assert global_config is not None
 
         chat_stream = None
         try:
-            logger.debug(f"🎯 [ActionManager] execute_action接收到 target_message: {target_message}")
+            # 获取 chat_stream
-            # 通过chat_id获取chat_stream
             chat_manager = get_chat_manager()
             chat_stream = await chat_manager.get_stream(chat_id)
 
             if not chat_stream:
-                logger.error(f"{log_prefix} 无法找到chat_id对应的chat_stream: {chat_id}")
+                logger.error(f"{log_prefix} 无法找到 chat_stream: {chat_id}")
                 return {
                     "action_type": action_name,
                     "success": False,
@@ -191,182 +171,75 @@ class ChatterActionManager:
                     "error": "chat_stream not found",
                 }
 
-            # 设置正在回复的状态
+            # 设置正在处理的状态
             chat_stream.context.is_replying = True
 
-            if action_name == "no_action":
+            # no_action / do_nothing 特殊处理
-                return {"action_type": "no_action", "success": True, "reply_text": "", "command": ""}
+            if action_name in ("no_action", "do_nothing"):
+                return {"action_type": action_name, "success": True, "reply_text": ""}
 
-            if action_name == "no_reply":
+            # 创建并执行动作
-                # 直接处理no_reply逻辑，不再通过动作系统
+            action_handler = self.create_action(
-                reason = reasoning or "选择不回复"
+                action_name=action_name,
-                logger.info(f"{log_prefix} 选择不回复，原因: {reason}")
+                action_data=action_data or {},
-
+                reasoning=reasoning,
-                # 存储no_reply信息到数据库（支持批量存储）
+                cycle_timers={},
-                if self._batch_storage_enabled:
-                    self.add_action_to_batch(
-                        action_name="no_reply",
-                        action_data={"reason": reason},
                 thinking_id=thinking_id or "",
-                        action_done=True,
-                        action_build_into_prompt=False,
-                        action_prompt_display=reason,
-                    )
-                else:
-                    asyncio.create_task(database_api.store_action_info(
                 chat_stream=chat_stream,
-                        action_build_into_prompt=False,
+                log_prefix=log_prefix or self.log_prefix,
-                        action_prompt_display=reason,
+                action_message=target_message,
-                        action_done=True,
-                        thinking_id=thinking_id or "",
-                        action_data={"reason": reason},
-                        action_name="no_reply",
-                    ))
-
-                return {"action_type": "no_reply", "success": True, "reply_text": "", "command": ""}
-
-            elif action_name != "reply" and action_name != "respond" and action_name != "no_action":
-                # 执行普通动作
-                success, reply_text, command = await self._handle_action(
-                    chat_stream,
-                    action_name,
-                    reasoning,
-                    action_data or {},
-                    {},  # cycle_timers
-                    thinking_id,
-                    target_message,
             )
 
-                # 记录执行的动作到目标消息
+            if not action_handler:
+                logger.error(f"{log_prefix} 创建动作处理器失败: {action_name}")
+                return {
+                    "action_type": action_name,
+                    "success": False,
+                    "reply_text": "",
+                    "error": f"Failed to create action handler: {action_name}",
+                }
+
+            # 执行动作
+            success, reply_text = await action_handler.handle_action()
+
+            # 记录动作到消息并存储动作信息
             if success:
                 asyncio.create_task(self._record_action_to_message(chat_stream, action_name, target_message, action_data))
-                    # 重置打断计数
+                asyncio.create_task(self._reset_interruption_count(chat_stream.stream_id))
-                    await self._reset_interruption_count_after_action(chat_stream.stream_id)
+                # 统一存储动作信息
+                asyncio.create_task(
+                    self._store_action_info(
+                        action_handler=action_handler,
+                        action_name=action_name,
+                        reply_text=reply_text,
+                        target_message=target_message,
+                    )
+                )
 
             return {
                 "action_type": action_name,
                 "success": success,
                 "reply_text": reply_text,
-                    "command": command,
             }
-            else:
-                # 检查目标消息是否为表情包消息以及配置是否允许回复表情包
-                if target_message and getattr(target_message, "is_emoji", False):
-                    # 如果是表情包消息且配置不允许回复表情包，则跳过回复
-                    if not getattr(global_config.chat, "allow_reply_to_emoji", True):
-                        logger.info(f"{log_prefix} 目标消息为表情包且配置不允许回复表情包，跳过回复")
-                        return {"action_type": action_name, "success": True, "reply_text": "", "skip_reason": "emoji_not_allowed"}
-
-                # 生成回复 (reply 或 respond)
-                # reply: 针对单条消息的回复，使用 s4u 模板
-                # respond: 对未读消息的统一回应，使用 normal 模板
-                try:
-                    # 根据动作类型确定提示词模式
-                    prompt_mode = "s4u" if action_name == "reply" else "normal"
-
-                    # 将prompt_mode传递给generate_reply
-                    action_data_with_mode = (action_data or {}).copy()
-                    action_data_with_mode["prompt_mode"] = prompt_mode
-
-                    # 只传递当前正在执行的动作，而不是所有可用动作
-                    # 这样可以让LLM明确知道"已决定执行X动作"，而不是"有这些动作可用"
-                    current_action_info = self._using_actions.get(action_name)
-                    current_actions: dict[str, Any] = {action_name: current_action_info} if current_action_info else {}
-
-                    # 附加目标消息信息（如果存在）
-                    if target_message:
-                        # 提取目标消息的关键信息
-                        target_msg_info = {
-                            "message_id": getattr(target_message, "message_id", ""),
-                            "sender": getattr(target_message.user_info, "user_nickname", "") if hasattr(target_message, "user_info") else "",
-                            "content": getattr(target_message, "processed_plain_text", ""),
-                            "time": getattr(target_message, "time", 0),
-                        }
-                        current_actions["_target_message"] = target_msg_info
-
-                    success, response_set, _ = await generator_api.generate_reply(
-                        chat_stream=chat_stream,
-                        reply_message=target_message,
-                        action_data=action_data_with_mode,
-                        available_actions=current_actions,  # type: ignore
-                        enable_tool=global_config.tool.enable_tool,
-                        request_type="chat.replyer",
-                        from_plugin=False,
-                    )
-                    if not success or not response_set:
-                        # 安全地获取 processed_plain_text
-                        if target_message:
-                            msg_text = target_message.processed_plain_text or "未知消息"
-                        else:
-                            msg_text = "未知消息"
-
-                        logger.info(f"对 {msg_text} 的回复生成失败")
-                        return {"action_type": action_name, "success": False, "reply_text": "", "loop_info": None}
-                except asyncio.CancelledError:
-                    logger.debug(f"{log_prefix} 并行执行：回复生成任务已被取消")
-                    return {"action_type": action_name, "success": False, "reply_text": "", "loop_info": None}
-
-                # 从action_data中提取should_quote_reply参数
-                should_quote_reply = None
-                if action_data and isinstance(action_data, dict):
-                    should_quote_reply = action_data.get("should_quote_reply", None)
-
-                # respond动作默认不引用回复，保持对话流畅
-                if action_name == "respond" and should_quote_reply is None:
-                    should_quote_reply = False
-
-                async def _after_reply():
-                    # 发送并存储回复
-                    reply_text, cycle_timers_reply = await self._send_and_store_reply(
-                        chat_stream,
-                        response_set,
-                        asyncio.get_event_loop().time(),
-                        target_message,
-                        {},  # cycle_timers
-                        thinking_id,
-                        [],  # actions
-                        should_quote_reply,  # 传递should_quote_reply参数
-                    )
-
-                    # 记录回复动作到目标消息
-                    await self._record_action_to_message(chat_stream, action_name, target_message, action_data)
-
-                    # 回复成功，重置打断计数
-                    await self._reset_interruption_count_after_action(chat_stream.stream_id)
-
-                    return reply_text
-                asyncio.create_task(_after_reply())
-                return {"action_type": action_name, "success": True}
 
         except Exception as e:
             logger.error(f"{log_prefix} 执行动作时出错: {e}")
-            logger.error(f"{log_prefix} 错误信息: {traceback.format_exc()}")
+            logger.error(traceback.format_exc())
             return {
                 "action_type": action_name,
                 "success": False,
                 "reply_text": "",
-                "loop_info": None,
                 "error": str(e),
             }
         finally:
-            # 确保重置正在回复的状态
             if chat_stream:
                 chat_stream.context.is_replying = False
 
-    async def _record_action_to_message(self, chat_stream, action_name, target_message, action_data):
+    async def _record_action_to_message(self, chat_stream, action_name: str, target_message, action_data: dict | None):
-        """
+        """记录执行的动作到目标消息"""
-        记录执行的动作到目标消息中
-
-        Args:
-            chat_stream: ChatStream实例
-            action_name: 动作名称
-            target_message: 目标消息
-            action_data: 动作数据
-        """
         try:
             from src.chat.message_manager.message_manager import message_manager
 
-            # 获取目标消息ID
             target_message_id = None
             if target_message:
                 target_message_id = target_message.message_id
@@ -374,362 +247,66 @@ class ChatterActionManager:
                 target_message_id = action_data.get("target_message_id")
 
             if not target_message_id:
-                logger.debug(f"无法获取目标消息ID，动作: {action_name}")
                 return
 
-            # 通过message_manager更新消息的动作记录并刷新focus_energy
             await message_manager.add_action(
-                stream_id=chat_stream.stream_id, message_id=target_message_id, action=action_name
+                stream_id=chat_stream.stream_id,
+                message_id=target_message_id,
+                action=action_name,
             )
-            logger.debug(f"已记录动作 {action_name} 到消息 {target_message_id} 并更新focus_energy")
+            logger.debug(f"已记录动作 {action_name} 到消息 {target_message_id}")
 
         except Exception as e:
             logger.error(f"记录动作到消息失败: {e}")
-            # 不抛出异常，避免影响主要功能
-
-    async def _reset_interruption_count_after_action(self, stream_id: str):
-        """在动作执行成功后重置打断计数"""
 
+    async def _reset_interruption_count(self, stream_id: str):
+        """重置打断计数"""
         try:
-            from src.plugin_system.apis.chat_api import get_chat_manager
-
             chat_manager = get_chat_manager()
             chat_stream = await chat_manager.get_stream(stream_id)
-            if chat_stream:
+            if chat_stream and chat_stream.context.interruption_count > 0:
-                context = chat_stream.context
+                old_count = chat_stream.context.interruption_count
-                if context.interruption_count > 0:
+                await chat_stream.context.reset_interruption_count()
-                    old_count = context.interruption_count
+                logger.debug(f"重置打断计数: {old_count} -> 0")
-                    # old_afc_adjustment = context.context.get_afc_threshold_adjustment()
-                    await context.reset_interruption_count()
-                    logger.debug(
-                        f"动作执行成功，重置聊天流 {stream_id} 的打断计数: {old_count} -> 0"
-                    )
         except Exception as e:
             logger.warning(f"重置打断计数时出错: {e}")
 
-    async def _handle_action(
+    async def _store_action_info(
-        self, chat_stream, action, reasoning, action_data, cycle_timers, thinking_id, action_message
-    ) -> tuple[bool, str, str]:
-        """
-        处理具体的动作执行
-
-        Args:
-            chat_stream: ChatStream实例
-            action: 动作名称
-            reasoning: 执行理由
-            action_data: 动作数据
-            cycle_timers: 循环计时器
-            thinking_id: 思考ID
-            action_message: 动作消息
-
-        Returns:
-            tuple: (执行是否成功, 回复文本, 命令文本)
-
-        功能说明:
-        - 创建对应的动作处理器
-        - 执行动作并捕获异常
-        - 返回执行结果供上级方法整合
-        """
-        if not chat_stream:
-            return False, "", ""
-        try:
-            # 创建动作处理器
-            action_handler = self.create_action(
-                action_name=action,
-                action_data=action_data,
-                reasoning=reasoning,
-                cycle_timers=cycle_timers,
-                thinking_id=thinking_id,
-                chat_stream=chat_stream,
-                log_prefix=self.log_prefix,
-                action_message=action_message,
-            )
-            if not action_handler:
-                # 动作处理器创建失败，尝试回退机制
-                logger.warning(f"{self.log_prefix} 创建动作处理器失败: {action}，尝试回退方案")
-
-                # 获取当前可用的动作
-                available_actions = self.get_using_actions()
-                fallback_action = None
-
-                # 回退优先级：reply > 第一个可用动作
-                if "reply" in available_actions:
-                    fallback_action = "reply"
-                elif available_actions:
-                    fallback_action = next(iter(available_actions.keys()))
-
-                if fallback_action and fallback_action != action:
-                    logger.info(f"{self.log_prefix} 使用回退动作: {fallback_action}")
-                    action_handler = self.create_action(
-                        action_name=fallback_action,
-                        action_data=action_data,
-                        reasoning=f"原动作'{action}'不可用，自动回退。{reasoning}",
-                        cycle_timers=cycle_timers,
-                        thinking_id=thinking_id,
-                        chat_stream=chat_stream,
-                        log_prefix=self.log_prefix,
-                        action_message=action_message,
-                    )
-
-                if not action_handler:
-                    logger.error(f"{self.log_prefix} 回退方案也失败，无法创建任何动作处理器")
-                    return False, "", ""
-
-            # 执行动作
-            success, reply_text = await action_handler.handle_action()
-            return success, reply_text, ""
-        except Exception as e:
-            logger.error(f"{self.log_prefix} 处理{action}时出错: {e}")
-            traceback.print_exc()
-            return False, "", ""
-
-    async def _send_and_store_reply(
         self,
-        chat_stream: "ChatStream",
+        action_handler: BaseAction,
-        response_set,
+        action_name: str,
-        loop_start_time,
+        reply_text: str,
-        action_message,
+        target_message: DatabaseMessages | None,
-        cycle_timers: dict[str, float],
+    ):
-        thinking_id,
+        """统一存储动作信息到数据库"""
-        actions,
+        try:
-        should_quote_reply: bool | None = None,
+            from src.person_info.person_info import get_person_info_manager
-    ) -> tuple[str, dict[str, float]]:
+            from src.plugin_system.apis import database_api
-        """
-        发送并存储回复信息
 
-        Args:
+            # 构建 action_prompt_display
-            chat_stream: ChatStream实例
+            action_prompt_display = ""
-            response_set: 回复内容集合
+            if reply_text:
-            loop_start_time: 循环开始时间
-            action_message: 动作消息
-            cycle_timers: 循环计时器
-            thinking_id: 思考ID
-            actions: 动作列表
-            should_quote_reply: 是否应该引用回复原消息，None表示自动决定
-
-        Returns:
-            Tuple[Dict[str, Any], str, Dict[str, float]]: 循环信息, 回复文本, 循环计时器
-        """
-        # 发送回复
-        with Timer("回复发送", cycle_timers):
-            reply_text = await self.send_response(
-                chat_stream, response_set, loop_start_time, action_message, should_quote_reply
-            )
-
-        # 存储reply action信息
                 person_info_manager = get_person_info_manager()
-
+                if target_message:
-        # 获取 platform，如果不存在则从 chat_stream 获取，如果还是 None 则使用默认值
+                    platform = target_message.chat_info.platform
-        if action_message:
+                    user_id = target_message.user_info.user_id
-            platform = action_message.chat_info.platform
+                    person_id = person_info_manager.get_person_id(platform, user_id)
-            user_id = action_message.user_info.user_id
-        else:
-            platform = getattr(chat_stream, "platform", "unknown")
-            user_id = ""
-
-        # 获取用户信息并生成回复提示
-        person_id = person_info_manager.get_person_id(
-            platform,
-            user_id,
-        )
                     person_name = await person_info_manager.get_value(person_id, "person_name")
                     action_prompt_display = f"你对{person_name}进行了回复：{reply_text}"
-
-        # 存储动作信息到数据库（支持批量存储）
-        if self._batch_storage_enabled:
-            self.add_action_to_batch(
-                action_name="reply",
-                action_data={"reply_text": reply_text},
-                thinking_id=thinking_id or "",
-                action_done=True,
-                action_build_into_prompt=False,
-                action_prompt_display=action_prompt_display,
-            )
                 else:
+                    action_prompt_display = f"统一回应：{reply_text}"
+
+            # 存储动作信息
             await database_api.store_action_info(
-                chat_stream=chat_stream,
+                chat_stream=action_handler.chat_stream,
                 action_build_into_prompt=False,
                 action_prompt_display=action_prompt_display,
                 action_done=True,
-                thinking_id=thinking_id,
+                thinking_id=action_handler.thinking_id,
-                action_data={"reply_text": reply_text},
+                action_data={"reply_text": reply_text} if reply_text else action_handler.action_data,
-                action_name="reply",
+                action_name=action_name,
             )
-
+            logger.debug(f"已存储动作信息: {action_name}")
-        return reply_text, cycle_timers
-
-    async def send_response(
-        self, chat_stream, reply_set, thinking_start_time, message_data, should_quote_reply: bool | None = None
-    ) -> str:
-        """
-        发送回复内容的具体实现
-
-        Args:
-            chat_stream: ChatStream实例
-            reply_set: 回复内容集合，包含多个回复段
-            thinking_start_time: 思考开始时间
-            message_data: 消息数据
-            should_quote_reply: 是否应该引用回复原消息，None表示自动决定
-
-        Returns:
-            str: 完整的回复文本
-
-        功能说明:
-        - 检查是否有新消息需要回复
-        - 处理主动思考的"沉默"决定
-        - 根据消息数量决定是否添加回复引用
-        - 逐段发送回复内容，支持打字效果
-        - 正确处理元组格式的回复段
-        """
-        current_time = time.time()
-        # 计算新消息数量
-        await message_api.count_new_messages(
-            chat_id=chat_stream.stream_id, start_time=thinking_start_time, end_time=current_time
-        )
-
-        # 根据新消息数量决定是否需要引用回复
-        reply_text = ""
-        # 检查是否为主动思考消息
-        if message_data:
-            is_proactive_thinking = getattr(message_data, "message_type", None) == "proactive_thinking"
-        else:
-            is_proactive_thinking = True
-
-        logger.debug(f"[send_response] message_data: {message_data}")
-
-        first_replied = False
-        for reply_seg in reply_set:
-            # 调试日志：验证reply_seg的格式
-            logger.debug(f"Processing reply_seg type: {type(reply_seg)}, content: {reply_seg}")
-
-            # 修正：正确处理元组格式 (格式为: (type, content))
-            if isinstance(reply_seg, tuple) and len(reply_seg) >= 2:
-                _, data = reply_seg
-            else:
-                # 向下兼容：如果已经是字符串，则直接使用
-                data = str(reply_seg)
-
-            if isinstance(data, list):
-                data = "".join(map(str, data))
-            reply_text += data
-
-            # 如果是主动思考且内容为"沉默"，则不发送
-            if is_proactive_thinking and data.strip() == "沉默":
-                logger.info(f"{self.log_prefix} 主动思考决定保持沉默，不发送消息")
-                continue
-
-            # 发送第一段回复
-            if not first_replied:
-                # 决定是否引用回复
-                is_private_chat = not bool(chat_stream.group_info)
-
-                # 如果明确指定了should_quote_reply，则使用指定值
-                if should_quote_reply is not None:
-                    set_reply_flag = should_quote_reply and bool(message_data)
-                    logger.debug(
-                        f"📤 [ActionManager] 使用planner指定的引用设置: should_quote_reply={should_quote_reply}"
-                    )
-                else:
-                    # 否则使用默认逻辑：默认不引用，让对话更流畅自然
-                    set_reply_flag = False
-                    logger.debug(
-                        f"📤 [ActionManager] 使用默认引用逻辑: 默认不引用(is_private={is_private_chat})"
-                    )
-
-                logger.debug(
-                    f"📤 [ActionManager] 准备发送第一段回复。message_data: {message_data}, set_reply: {set_reply_flag}"
-                )
-                await send_api.text_to_stream(
-                    text=data,
-                    stream_id=chat_stream.stream_id,
-                    reply_to_message=message_data,
-                    set_reply=set_reply_flag,
-                    typing=False,
-                )
-                first_replied = True
-            else:
-                # 发送后续回复
-                await send_api.text_to_stream(
-                    text=data,
-                    stream_id=chat_stream.stream_id,
-                    reply_to_message=None,
-                    set_reply=False,
-                    typing=True,
-                )
-
-        return reply_text
-
-    def enable_batch_storage(self, chat_id: str):
-        """启用批量存储模式"""
-        self._batch_storage_enabled = True
-        self._current_chat_id = chat_id
-        self._pending_actions.clear()
-        logger.debug(f"已启用批量存储模式，chat_id: {chat_id}")
-
-    def disable_batch_storage(self):
-        """禁用批量存储模式"""
-        self._batch_storage_enabled = False
-        self._current_chat_id = None
-        self._pending_actions = []  # 清空队列
-        logger.debug("已禁用批量存储模式")
-
-    def add_action_to_batch(
-        self,
-        action_name: str,
-        action_data: dict,
-        thinking_id: str = "",
-        action_done: bool = True,
-        action_build_into_prompt: bool = False,
-        action_prompt_display: str = "",
-    ):
-        """添加动作到批量存储列表"""
-        if not self._batch_storage_enabled:
-            return False
-
-        action_record = {
-            "action_name": action_name,
-            "action_data": action_data,
-            "thinking_id": thinking_id,
-            "action_done": action_done,
-            "action_build_into_prompt": action_build_into_prompt,
-            "action_prompt_display": action_prompt_display,
-            "timestamp": time.time(),
-        }
-        self._pending_actions.append(action_record)
-        logger.debug(f"已添加动作到批量存储列表: {action_name} (当前待处理: {len(self._pending_actions)} 个)")
-        return True
-
-    async def flush_batch_storage(self, chat_stream):
-        """批量存储所有待处理的动作记录"""
-        if not self._pending_actions:
-            logger.debug("没有待处理的动作需要批量存储")
-            return
-
-        try:
-            logger.info(f"开始批量存储 {len(self._pending_actions)} 个动作记录")
-
-            # 批量存储所有动作
-            stored_count = 0
-            for action_data in self._pending_actions:
-                try:
-                    result = await database_api.store_action_info(
-                        chat_stream=chat_stream,
-                        action_name=action_data.get("action_name", ""),
-                        action_data=action_data.get("action_data", {}),
-                        action_done=action_data.get("action_done", True),
-                        action_build_into_prompt=action_data.get("action_build_into_prompt", False),
-                        action_prompt_display=action_data.get("action_prompt_display", ""),
-                        thinking_id=action_data.get("thinking_id", ""),
-                    )
-                    if result:
-                        stored_count += 1
-                except Exception as e:
-                    logger.error(f"存储单个动作记录失败: {e}")
-
-            logger.info(f"批量存储完成: 成功存储 {stored_count}/{len(self._pending_actions)} 个动作记录")
-
-            # 清空待处理列表
-            self._pending_actions.clear()
 
         except Exception as e:
-            logger.error(f"批量存储动作记录时发生错误: {e}")
+            logger.error(f"存储动作信息失败: {e}")

src/chat/planner_actions/action_modifier.py

@@ -58,6 +58,7 @@ class ActionModifier:
     async def modify_actions(
         self,
         message_content: str = "",
+        chatter_name: str = "",
     ):  # sourcery skip: use-named-expression
         """
         动作修改流程，整合传统观察处理和新的激活类型判定
@@ -67,6 +68,10 @@ class ActionModifier:
         2. 基于激活类型的智能动作判定，最终确定可用动作集
 
         处理后，ActionManager 将包含最终的可用动作集，供规划器直接使用
+        
+        Args:
+            message_content: 消息内容
+            chatter_name: 当前使用的 Chatter 名称，用于过滤只允许特定 Chatter 使用的动作
         """
         assert global_config is not None
         # 初始化log_prefix
@@ -84,13 +89,14 @@ class ActionModifier:
 
         logger.debug(f"{self.log_prefix}开始完整动作修改流程")
 
+        removals_s0: list[tuple[str, str]] = []  # 第0阶段：聊天类型和Chatter过滤
         removals_s1: list[tuple[str, str]] = []
         removals_s2: list[tuple[str, str]] = []
         removals_s3: list[tuple[str, str]] = []
 
         all_actions = self.action_manager.get_using_actions()
 
-        # === 第0阶段：根据聊天类型过滤动作 ===
+        # === 第0阶段：根据聊天类型和Chatter过滤动作 ===
         from src.chat.utils.utils import get_chat_type_and_target_info
         from src.plugin_system.base.component_types import ChatType, ComponentType
         from src.plugin_system.core.component_registry import component_registry
@@ -99,26 +105,35 @@ class ActionModifier:
         is_group_chat, _ = await get_chat_type_and_target_info(self.chat_id)
         all_registered_actions = component_registry.get_components_by_type(ComponentType.ACTION)
 
-        chat_type_removals = []
         for action_name in list(all_actions.keys()):
             if action_name in all_registered_actions:
                 action_info = all_registered_actions[action_name]
-                chat_type_allow = getattr(action_info, "chat_type_allow", ChatType.ALL)
                 
-                # 检查是否符合聊天类型限制
+                # 检查聊天类型限制
-                should_keep = (
+                chat_type_allow = getattr(action_info, "chat_type_allow", ChatType.ALL)
+                should_keep_chat_type = (
                     chat_type_allow == ChatType.ALL
                     or (chat_type_allow == ChatType.GROUP and is_group_chat)
                     or (chat_type_allow == ChatType.PRIVATE and not is_group_chat)
                 )
                 
-                if not should_keep:
+                if not should_keep_chat_type:
-                    chat_type_removals.append((action_name, f"不支持{'群聊' if is_group_chat else '私聊'}"))
+                    removals_s0.append((action_name, f"不支持{'群聊' if is_group_chat else '私聊'}"))
                     self.action_manager.remove_action_from_using(action_name)
+                    continue
                 
-        if chat_type_removals:
+                # 检查 Chatter 限制
-            logger.info(f"{self.log_prefix} 第0阶段：根据聊天类型过滤 - 移除了 {len(chat_type_removals)} 个动作")
+                chatter_allow = getattr(action_info, "chatter_allow", [])
-            for action_name, reason in chat_type_removals:
+                if chatter_allow and chatter_name:
+                    # 如果设置了 chatter_allow 且提供了 chatter_name，则检查是否匹配
+                    if chatter_name not in chatter_allow:
+                        removals_s0.append((action_name, f"仅限 {', '.join(chatter_allow)} 使用"))
+                        self.action_manager.remove_action_from_using(action_name)
+                        continue
+
+        if removals_s0:
+            logger.info(f"{self.log_prefix} 第0阶段：类型/Chatter过滤 - 移除了 {len(removals_s0)} 个动作")
+            for action_name, reason in removals_s0:
                 logger.debug(f"{self.log_prefix} - 移除 {action_name}: {reason}")
 
         message_list_before_now_half = await get_raw_msg_before_timestamp_with_chat(
@@ -174,7 +189,7 @@ class ActionModifier:
                 logger.debug(f"{self.log_prefix}阶段三移除动作: {action_name}，原因: {reason}")
 
         # === 统一日志记录 ===
-        all_removals = chat_type_removals + removals_s1 + removals_s2 + removals_s3
+        all_removals = removals_s0 + removals_s1 + removals_s2 + removals_s3
         removals_summary: str = ""
         if all_removals:
             removals_summary = " | ".join([f"{name}({reason})" for name, reason in all_removals])

src/common/data_models/message_manager_data_model.py

@@ -166,18 +166,18 @@ class StreamContext(BaseDataModel):
                             "platform": message.chat_info.platform,
                             "stream_id": self.stream_id,
                         }
-                        await unified_manager.add_message(message_dict)  # type: ignore
+                        await unified_manager.add_message(message_dict)
-                        logger.debug(f"<EFBFBD><EFBFBD>Ϣ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ӵ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ϵͳ: {message.message_id}")
+                        logger.debug(f"消息已添加到统一记忆系统: {message.message_id}")
             except Exception as e:
-                logger.error(f"<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ϣ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ϵͳʧ<EFBFBD><EFBFBD>: {e}")
+                logger.error(f"添加消息到统一记忆系统失败: {e}")
 
             return True
         except Exception as e:
-            logger.error(f"<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ϣ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>ʧ<EFBFBD><EFBFBD> {self.stream_id}: {e}")
+            logger.error(f"添加消息到上下文失败 {self.stream_id}: {e}")
             return False
 
     async def update_message(self, message_id: str, updates: dict[str, Any]) -> bool:
-        """<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>е<EFBFBD><EFBFBD><EFBFBD>Ϣ"""
+        """更新上下文中的消息信息"""
         try:
             for message in self.unread_messages:
                 if str(message.message_id) == str(message_id):
@@ -199,10 +199,10 @@ class StreamContext(BaseDataModel):
                         message.should_reply = updates["should_reply"]
                     break
 
-            logger.debug(f"<EFBFBD><EFBFBD><EFBFBD>µ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ϣ: {self.stream_id}/{message_id}")
+            logger.debug(f"更新消息信息: {self.stream_id}/{message_id}")
             return True
         except Exception as e:
-            logger.error(f"<EFBFBD><EFBFBD><EFBFBD>µ<EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>Ϣʧ<EFBFBD><EFBFBD> {self.stream_id}/{message_id}: {e}")
+            logger.error(f"更新消息信息失败 {self.stream_id}/{message_id}: {e}")
             return False
 
     def add_action_to_message(self, message_id: str, action: str):

src/common/database/api/crud.py

@@ -150,7 +150,6 @@ class CRUDBase(Generic[T]):
             cache = await get_cache()
             cached_dict = await cache.get(cache_key)
             if cached_dict is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 # 从字典恢复对象
                 return _dict_to_model(self.model, cached_dict)
 
@@ -195,7 +194,6 @@ class CRUDBase(Generic[T]):
             cache = await get_cache()
             cached_dict = await cache.get(cache_key)
             if cached_dict is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 # 从字典恢复对象
                 return _dict_to_model(self.model, cached_dict)
 
@@ -248,7 +246,6 @@ class CRUDBase(Generic[T]):
             cache = await get_cache()
             cached_dicts = await cache.get(cache_key)
             if cached_dicts is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 # 从字典列表恢复对象列表
                 return [_dict_to_model(self.model, d) for d in cached_dicts]  # type: ignore
 

src/common/database/api/query.py

@@ -199,7 +199,6 @@ class QueryBuilder(Generic[T]):
             cache = await get_cache()
             cached_dicts = await cache.get(cache_key)
             if cached_dicts is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 dict_rows = [dict(row) for row in cached_dicts]
                 if as_dict:
                     return dict_rows
@@ -238,7 +237,6 @@ class QueryBuilder(Generic[T]):
             cache = await get_cache()
             cached_dict = await cache.get(cache_key)
             if cached_dict is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 row = dict(cached_dict)
                 if as_dict:
                     return row
@@ -277,7 +275,6 @@ class QueryBuilder(Generic[T]):
             cache = await get_cache()
             cached = await cache.get(cache_key)
             if cached is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 return cached
 
         # 构建count查询

src/common/database/utils/decorators.py

@@ -194,7 +194,6 @@ def cached(
             cached_result = await cache.get(cache_key)
 
             if cached_result is not None:
-                logger.debug(f"缓存命中: {cache_key}")
                 return cached_result
 
             # 执行函数

src/common/logger.py

@@ -645,6 +645,12 @@ DEFAULT_MODULE_COLORS = {
     "context_web": "#5F5F00",  # 深黄色
     "gift_manager": "#D7005F",  # 粉红色
     "prompt": "#875FFF",  # 紫色（mais4u的prompt）
+    # Kokoro Flow Chatter (KFC) 系统
+    "kfc_planner": "#b19cd9",  # 淡紫色 - KFC 规划器
+    "kfc_replyer": "#b19cd9",  # 淡紫色 - KFC 回复器
+    "kfc_chatter": "#b19cd9",  # 淡紫色 - KFC 主模块
+    "kfc_unified": "#d7afff",  # 柔和紫色 - KFC 统一模式
+    "kfc_proactive_thinker": "#d7afff",  # 柔和紫色 - KFC 主动思考器
     "super_chat_manager": "#AF005F",  # 紫红色
     "watching": "#AF5F5F",  # 深橙色
     "offline_llm": "#303030",  # 深灰色
@@ -681,6 +687,15 @@ DEFAULT_MODULE_COLORS = {
     "AioHTTP-Gemini客户端": "#5FD7FF",
     "napcat_adapter": "#5F87AF",  # 柔和的灰蓝色，不刺眼且低调
     "event_manager": "#5FD7AF",  # 柔和的蓝绿色，稍微醒目但不刺眼
+    # Kokoro Flow Chatter (KFC) 相关 - 超融合架构专用颜色
+    "kokoro_flow_chatter": "#FF5FAF",  # 粉紫色 - 主聊天器
+    "kokoro_prompt_generator": "#00D7FF",  # 青色 - Prompt构建
+    "kokoro_action_executor": "#FFFF00",  # 黄色 - 动作解析与执行
+    "kfc_context_builder": "#5FD7FF",  # 蓝色 - 上下文构建
+    "kfc_session_manager": "#87D787",  # 绿色 - 会话管理
+    "kfc_scheduler": "#D787AF",  # 柔和粉色 - 调度器
+    "kfc_post_processor": "#5F87FF",  # 蓝色 - 后处理
+    "kfc_unified": "#FF5FAF",  # 粉色 - 统一模式
 }
 
 DEFAULT_MODULE_ALIASES = {
@@ -809,6 +824,15 @@ DEFAULT_MODULE_ALIASES = {
     "db_migration": "数据库迁移",
     "小彩蛋": "小彩蛋",
     "AioHTTP-Gemini客户端": "AioHTTP-Gemini客户端",
+    # Kokoro Flow Chatter (KFC) 超融合架构相关
+    "kokoro_flow_chatter": "心流聊天",
+    "kokoro_prompt_generator": "KFC提示词",
+    "kokoro_action_executor": "KFC动作",
+    "kfc_context_builder": "KFC上下文",
+    "kfc_session_manager": "KFC会话",
+    "kfc_scheduler": "KFC调度",
+    "kfc_post_processor": "KFC后处理",
+    "kfc_unified": "KFC统一模式",
 }
 
 

src/config/config.py

@@ -25,6 +25,7 @@ from src.config.official_configs import (
     EmojiConfig,
     ExperimentalConfig,
     ExpressionConfig,
+    KokoroFlowChatterConfig,
     LPMMKnowledgeConfig,
     MessageBusConfig,
     MemoryConfig,
@@ -425,6 +426,9 @@ class Config(ValidatedConfigBase):
     proactive_thinking: ProactiveThinkingConfig = Field(
         default_factory=lambda: ProactiveThinkingConfig(), description="主动思考配置"
     )
+    kokoro_flow_chatter: KokoroFlowChatterConfig = Field(
+        default_factory=lambda: KokoroFlowChatterConfig(), description="心流对话系统配置（私聊专用）"
+    )
     plugin_http_system: PluginHttpSystemConfig = Field(
         default_factory=lambda: PluginHttpSystemConfig(), description="插件HTTP端点系统配置"
     )

src/config/official_configs.py

@@ -888,3 +888,85 @@ class ProactiveThinkingConfig(ValidatedConfigBase):
     # --- 新增：调试与监控 ---
     enable_statistics: bool = Field(default=True, description="是否启用统计功能（记录触发次数、决策分布等）")
     log_decisions: bool = Field(default=False, description="是否记录每次决策的详细日志（用于调试）")
+
+
+class KokoroFlowChatterProactiveConfig(ValidatedConfigBase):
+    """
+    Kokoro Flow Chatter 主动思考子配置
+    
+    设计哲学：主动行为源于内部状态和外部环境的自然反应，而非机械的限制。
+    她的主动是因为挂念、因为关心、因为想问候，而不是因为"任务"。
+    """
+    enabled: bool = Field(default=True, description="是否启用KFC的私聊主动思考")
+    
+    # 1. 沉默触发器：当感到长久的沉默时，她可能会想说些什么
+    silence_threshold_seconds: int = Field(
+        default=7200, ge=60, le=86400,
+        description="用户沉默超过此时长（秒），可能触发主动思考（默认2小时）"
+    )
+    
+    # 2. 关系门槛：她不会对不熟悉的人过于主动
+    min_affinity_for_proactive: float = Field(
+        default=0.3, ge=0.0, le=1.0,
+        description="需要达到最低好感度，她才会开始主动关心"
+    )
+    
+    # 3. 频率呼吸：为了避免打扰，她的关心总是有间隔的
+    min_interval_between_proactive: int = Field(
+        default=1800, ge=0,
+        description="两次主动思考之间的最小间隔（秒，默认30分钟）"
+    )
+    
+    # 4. 自然问候：在特定的时间，她会像朋友一样送上问候
+    enable_morning_greeting: bool = Field(
+        default=True, description="是否启用早安问候 (例如: 8:00 - 9:00)"
+    )
+    enable_night_greeting: bool = Field(
+        default=True, description="是否启用晚安问候 (例如: 22:00 - 23:00)"
+    )
+    
+    # 5. 勿扰时段：在这段时间内不会主动发起对话
+    quiet_hours_start: str = Field(
+        default="23:00", description="勿扰时段开始时间，格式: HH:MM"
+    )
+    quiet_hours_end: str = Field(
+        default="07:00", description="勿扰时段结束时间，格式: HH:MM"
+    )
+    
+    # 6. 触发概率：每次检查时主动发起的概率
+    trigger_probability: float = Field(
+        default=0.3, ge=0.0, le=1.0,
+        description="主动思考触发概率（0.0~1.0），用于避免过于频繁打扰"
+    )
+
+
+class KokoroFlowChatterConfig(ValidatedConfigBase):
+    """
+    Kokoro Flow Chatter 配置类 - 私聊专用心流对话系统
+    
+    设计理念：KFC不是独立人格，它复用全局的人设、情感框架和回复模型，
+    只作为Bot核心人格在私聊中的一种特殊表现模式。
+    """
+
+    # --- 总开关 ---
+    enable: bool = Field(
+        default=True, 
+        description="开启后KFC将接管所有私聊消息；关闭后私聊消息将由AFC处理"
+    )
+
+    # --- 核心行为配置 ---
+    max_wait_seconds_default: int = Field(
+        default=300, ge=30, le=3600,
+        description="默认的最大等待秒数（AI发送消息后愿意等待用户回复的时间）"
+    )
+    enable_continuous_thinking: bool = Field(
+        default=True, 
+        description="是否在等待期间启用心理活动更新"
+    )
+
+    # --- 私聊专属主动思考配置 ---
+    proactive_thinking: KokoroFlowChatterProactiveConfig = Field(
+        default_factory=KokoroFlowChatterProactiveConfig,
+        description="私聊专属主动思考配置"
+    )
+

src/memory_graph/storage/vector_store.py

@@ -1,9 +1,13 @@
 """
 向量存储层：基于 ChromaDB 的语义向量存储
+
+注意：ChromaDB 是同步库，所有操作都必须使用 asyncio.to_thread() 包装
+以避免阻塞 asyncio 事件循环导致死锁。
 """
 
 from __future__ import annotations
 
+import asyncio
 from pathlib import Path
 from typing import Any
 
@@ -53,8 +57,9 @@ class VectorStore:
             import chromadb
             from chromadb.config import Settings
 
-            # 创建持久化客户端
+            # 创建持久化客户端 - 同步操作需要在线程中执行
-            self.client = chromadb.PersistentClient(
+            def _create_client():
+                return chromadb.PersistentClient(
                     path=str(self.data_dir / "chroma"),
                     settings=Settings(
                         anonymized_telemetry=False,
@@ -62,13 +67,20 @@ class VectorStore:
                     ),
                 )
             
-            # 获取或创建集合
+            self.client = await asyncio.to_thread(_create_client)
-            self.collection = self.client.get_or_create_collection(
+
+            # 获取或创建集合 - 同步操作需要在线程中执行
+            def _get_or_create_collection():
+                return self.client.get_or_create_collection(
                     name=self.collection_name,
                     metadata={"description": "Memory graph node embeddings"},
                 )
             
-            logger.debug(f"ChromaDB 初始化完成，集合包含 {self.collection.count()} 个节点")
+            self.collection = await asyncio.to_thread(_get_or_create_collection)
+
+            # count() 也是同步操作
+            count = await asyncio.to_thread(self.collection.count)
+            logger.debug(f"ChromaDB 初始化完成，集合包含 {count} 个节点")
 
         except Exception as e:
             logger.error(f"初始化 ChromaDB 失败: {e}")
@@ -106,13 +118,17 @@ class VectorStore:
                 else:
                     metadata[key] = str(value)
 
+            # ChromaDB add() 是同步阻塞操作，必须在线程中执行
+            def _add_node():
                 self.collection.add(
                     ids=[node.id],
                     embeddings=[node.embedding.tolist()],
                     metadatas=[metadata],
-                documents=[node.content],  # 文本内容用于检索
+                    documents=[node.content],
                 )
             
+            await asyncio.to_thread(_add_node)
+
             logger.debug(f"添加节点到向量存储: {node}")
 
         except Exception as e:
@@ -155,6 +171,8 @@ class VectorStore:
                         metadata[key] = str(value)
                 metadatas.append(metadata)
 
+            # ChromaDB add() 是同步阻塞操作，必须在线程中执行
+            def _add_batch():
                 self.collection.add(
                     ids=[n.id for n in valid_nodes],
                     embeddings=[n.embedding.tolist() for n in valid_nodes],  # type: ignore
@@ -162,6 +180,8 @@ class VectorStore:
                     documents=[n.content for n in valid_nodes],
                 )
             
+            await asyncio.to_thread(_add_batch)
+
         except Exception as e:
             logger.error(f"批量添加节点失败: {e}")
             raise
@@ -194,13 +214,16 @@ class VectorStore:
             if node_types:
                 where_filter = {"node_type": {"$in": [nt.value for nt in node_types]}}
 
-            # 执行查询
+            # ChromaDB query() 是同步阻塞操作，必须在线程中执行
-            results = self.collection.query(
+            def _query():
+                return self.collection.query(
                     query_embeddings=[query_embedding.tolist()],
                     n_results=limit,
                     where=where_filter,
                 )
             
+            results = await asyncio.to_thread(_query)
+
             # 解析结果
             import orjson
             similar_nodes = []
@@ -360,7 +383,11 @@ class VectorStore:
             raise RuntimeError("向量存储未初始化")
 
         try:
-            result = self.collection.get(ids=[node_id], include=["metadatas", "embeddings"])
+            # ChromaDB get() 是同步阻塞操作，必须在线程中执行
+            def _get():
+                return self.collection.get(ids=[node_id], include=["metadatas", "embeddings"])
+            
+            result = await asyncio.to_thread(_get)
 
             # 修复：直接检查 ids 列表是否非空（避免 numpy 数组的布尔值歧义）
             if result is not None:
@@ -378,7 +405,8 @@ class VectorStore:
             return None
 
         except Exception as e:
-            logger.error(f"获取节点失败: {e}")
+            # 节点不存在是正常情况，降级为 debug
+            logger.debug(f"获取节点失败（节点可能不存在）: {e}")
             return None
 
     async def delete_node(self, node_id: str) -> None:
@@ -392,7 +420,11 @@ class VectorStore:
             raise RuntimeError("向量存储未初始化")
 
         try:
+            # ChromaDB delete() 是同步阻塞操作，必须在线程中执行
+            def _delete():
                 self.collection.delete(ids=[node_id])
+            
+            await asyncio.to_thread(_delete)
             logger.debug(f"删除节点: {node_id}")
 
         except Exception as e:
@@ -411,7 +443,11 @@ class VectorStore:
             raise RuntimeError("向量存储未初始化")
 
         try:
+            # ChromaDB update() 是同步阻塞操作，必须在线程中执行
+            def _update():
                 self.collection.update(ids=[node_id], embeddings=[embedding.tolist()])
+            
+            await asyncio.to_thread(_update)
             logger.debug(f"更新节点 embedding: {node_id}")
 
         except Exception as e:
@@ -419,23 +455,32 @@ class VectorStore:
             raise
 
     def get_total_count(self) -> int:
-        """获取向量存储中的节点总数"""
+        """获取向量存储中的节点总数（同步方法，谨慎在 async 上下文中使用）"""
         if not self.collection:
             return 0
         return self.collection.count()
     
+    async def get_total_count_async(self) -> int:
+        """异步获取向量存储中的节点总数"""
+        if not self.collection:
+            return 0
+        return await asyncio.to_thread(self.collection.count)
+
     async def clear(self) -> None:
         """清空向量存储（危险操作，仅用于测试）"""
         if not self.collection:
             return
 
         try:
-            # 删除并重新创建集合
+            # ChromaDB delete_collection 和 get_or_create_collection 都是同步阻塞操作
+            def _clear():
                 self.client.delete_collection(self.collection_name)
-            self.collection = self.client.get_or_create_collection(
+                return self.client.get_or_create_collection(
                     name=self.collection_name,
                     metadata={"description": "Memory graph node embeddings"},
                 )
+            
+            self.collection = await asyncio.to_thread(_clear)
             logger.warning(f"向量存储已清空: {self.collection_name}")
 
         except Exception as e:

src/plugin_system/base/base_action.py

@@ -559,6 +559,7 @@ class BaseAction(ABC):
             action_require=getattr(cls, "action_require", []).copy(),
             associated_types=getattr(cls, "associated_types", []).copy(),
             chat_type_allow=getattr(cls, "chat_type_allow", ChatType.ALL),
+            chatter_allow=getattr(cls, "chatter_allow", []).copy(),
             # 二步Action相关属性
             is_two_step_action=getattr(cls, "is_two_step_action", False),
             step_one_description=getattr(cls, "step_one_description", ""),

src/plugin_system/base/component_types.py

@@ -209,6 +209,7 @@ class ActionInfo(ComponentInfo):
     mode_enable: ChatMode = ChatMode.ALL
     parallel_action: bool = False
     chat_type_allow: ChatType = ChatType.ALL  # 允许的聊天类型
+    chatter_allow: list[str] = field(default_factory=list)  # 允许的 Chatter 列表，空则允许所有
     # 二步Action相关属性
     is_two_step_action: bool = False  # 是否为二步Action
     step_one_description: str = ""  # 第一步的描述
@@ -226,6 +227,8 @@ class ActionInfo(ComponentInfo):
             self.associated_types = []
         if self.sub_actions is None:
             self.sub_actions = []
+        if self.chatter_allow is None:
+            self.chatter_allow = []
         self.component_type = ComponentType.ACTION
 
 

src/plugins/built_in/affinity_flow_chatter/actions/__init__.py

@@ -0,0 +1,7 @@
+"""
+AFC 专属动作模块
+"""
+
+from .reply import ReplyAction, RespondAction
+
+__all__ = ["ReplyAction", "RespondAction"]

src/plugins/built_in/affinity_flow_chatter/actions/reply.py

@@ -0,0 +1,268 @@
+"""
+AFC 回复动作模块
+
+定义了两种回复相关动作：
+- reply: 针对单条消息的深度回复（使用 s4u 模板）
+- respond: 对未读消息的统一回应（使用 normal 模板）
+
+这些动作是 AffinityFlowChatter 的专属动作。
+"""
+
+import asyncio
+from typing import ClassVar
+
+from src.common.data_models.database_data_model import DatabaseMessages
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.plugin_system import ActionActivationType, BaseAction, ChatMode
+from src.plugin_system.apis import generator_api, send_api
+
+logger = get_logger("afc_reply_actions")
+
+
+class ReplyAction(BaseAction):
+    """Reply动作 - 针对单条消息的深度回复
+    
+    特点：
+    - 使用 s4u (Speak for You) 模板
+    - 专注于理解和回应单条消息的具体内容
+    - 适合 Focus 模式下的精准回复
+    - 仅限 AffinityFlowChatter 使用
+    """
+
+    # 动作基本信息
+    action_name = "reply"
+    action_description = "针对特定消息进行精准回复。深度理解并回应单条消息的具体内容。需要指定目标消息ID。"
+
+    # 激活设置
+    activation_type = ActionActivationType.ALWAYS  # 回复动作总是可用
+    mode_enable = ChatMode.ALL  # 在所有模式下都可用
+    parallel_action = False  # 回复动作不能与其他动作并行
+    
+    # Chatter 限制：仅允许 AffinityFlowChatter 使用
+    chatter_allow: ClassVar[list[str]] = ["AffinityFlowChatter"]
+
+    # 动作参数定义
+    action_parameters: ClassVar = {
+        "target_message_id": "要回复的目标消息ID（必需，来自未读消息的 <m...> 标签）",
+        "content": "回复的具体内容（可选，由LLM生成）",
+        "should_quote_reply": "是否引用原消息（可选，true/false，默认false。群聊中回复较早消息或需要明确指向时使用true）",
+    }
+
+    # 动作使用场景
+    action_require: ClassVar = [
+        "需要针对特定消息进行精准回复时使用",
+        "适合单条消息的深度理解和回应",
+        "必须提供准确的 target_message_id（来自未读历史的 <m...> 标签）",
+        "私聊场景必须使用此动作（不支持 respond）",
+        "群聊中需要明确回应某个特定用户或问题时使用",
+        "关注单条消息的具体内容和上下文细节",
+    ]
+
+    # 关联类型
+    associated_types: ClassVar[list[str]] = ["text"]
+
+    async def execute(self) -> tuple[bool, str]:
+        """执行reply动作 - 完整的回复流程"""
+        try:
+            # 确保 action_message 是 DatabaseMessages 类型，否则使用 None
+            reply_message = self.action_message if isinstance(self.action_message, DatabaseMessages) else None
+            
+            # 检查目标消息是否为表情包
+            if reply_message and getattr(reply_message, "is_emoji", False):
+                if not getattr(global_config.chat, "allow_reply_to_emoji", True):
+                    logger.info(f"{self.log_prefix} 目标消息为表情包且配置不允许回复，跳过")
+                    return True, ""
+            
+            # 准备 action_data
+            action_data = self.action_data.copy()
+            action_data["prompt_mode"] = "s4u"
+            
+            # 生成回复
+            success, response_set, _ = await generator_api.generate_reply(
+                chat_stream=self.chat_stream,
+                reply_message=reply_message,
+                action_data=action_data,
+                available_actions={self.action_name: self.get_action_info()},
+                enable_tool=global_config.tool.enable_tool,
+                request_type="chat.replyer",
+                from_plugin=False,
+            )
+            
+            if not success or not response_set:
+                logger.warning(f"{self.log_prefix} 回复生成失败")
+                return False, ""
+            
+            # 发送回复
+            reply_text = await self._send_response(response_set)
+            
+            logger.info(f"{self.log_prefix} reply 动作执行成功")
+            return True, reply_text
+            
+        except asyncio.CancelledError:
+            logger.debug(f"{self.log_prefix} 回复任务被取消")
+            return False, ""
+        except Exception as e:
+            logger.error(f"{self.log_prefix} reply 动作执行失败: {e}")
+            import traceback
+            traceback.print_exc()
+            return False, ""
+    
+    async def _send_response(self, response_set) -> str:
+        """发送回复内容"""
+        reply_text = ""
+        should_quote = self.action_data.get("should_quote_reply", False)
+        first_sent = False
+        
+        # 确保 action_message 是 DatabaseMessages 类型
+        reply_message = self.action_message if isinstance(self.action_message, DatabaseMessages) else None
+        
+        for reply_seg in response_set:
+            # 处理元组格式
+            if isinstance(reply_seg, tuple) and len(reply_seg) >= 2:
+                _, data = reply_seg
+            else:
+                data = str(reply_seg)
+            
+            if isinstance(data, list):
+                data = "".join(map(str, data))
+            
+            reply_text += data
+            
+            # 发送消息
+            if not first_sent:
+                await send_api.text_to_stream(
+                    text=data,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=reply_message,
+                    set_reply=should_quote and bool(reply_message),
+                    typing=False,
+                )
+                first_sent = True
+            else:
+                await send_api.text_to_stream(
+                    text=data,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=None,
+                    set_reply=False,
+                    typing=True,
+                )
+        
+        return reply_text
+
+
+class RespondAction(BaseAction):
+    """Respond动作 - 对未读消息的统一回应
+    
+    特点：
+    - 关注整体对话动态和未读消息的统一回应
+    - 适合对于群聊消息下的宏观回应
+    - 避免与单一用户深度对话而忽略其他用户的消息
+    - 仅限 AffinityFlowChatter 使用
+    """
+
+    # 动作基本信息
+    action_name = "respond"
+    action_description = "统一回应所有未读消息。理解整体对话动态和话题走向，生成连贯的回复。无需指定目标消息。"
+
+    # 激活设置
+    activation_type = ActionActivationType.ALWAYS  # 回应动作总是可用
+    mode_enable = ChatMode.ALL  # 在所有模式下都可用
+    parallel_action = False  # 回应动作不能与其他动作并行
+    
+    # Chatter 限制：仅允许 AffinityFlowChatter 使用
+    chatter_allow: ClassVar[list[str]] = ["AffinityFlowChatter"]
+
+    # 动作参数定义
+    action_parameters: ClassVar = {
+        "content": "回复的具体内容（可选，由LLM生成）",
+    }
+
+    # 动作使用场景
+    action_require: ClassVar = [
+        "需要统一回应多条未读消息时使用（Normal 模式专用）",
+        "适合理解整体对话动态而非单条消息",
+        "不需要指定 target_message_id，会自动处理所有未读消息",
+        "关注对话流程、话题走向和整体氛围",
+        "适合群聊中的自然对话流，无需精确指向特定消息",
+        "可以同时回应多个话题或参与者",
+    ]
+
+    # 关联类型
+    associated_types: ClassVar[list[str]] = ["text"]
+
+    async def execute(self) -> tuple[bool, str]:
+        """执行respond动作 - 完整的回复流程"""
+        try:
+            # 准备 action_data
+            action_data = self.action_data.copy()
+            action_data["prompt_mode"] = "normal"
+            
+            # 确保 action_message 是 DatabaseMessages 类型，否则使用 None
+            reply_message = self.action_message if isinstance(self.action_message, DatabaseMessages) else None
+            
+            # 生成回复
+            success, response_set, _ = await generator_api.generate_reply(
+                chat_stream=self.chat_stream,
+                reply_message=reply_message,
+                action_data=action_data,
+                available_actions={self.action_name: self.get_action_info()},
+                enable_tool=global_config.tool.enable_tool,
+                request_type="chat.replyer",
+                from_plugin=False,
+            )
+            
+            if not success or not response_set:
+                logger.warning(f"{self.log_prefix} 回复生成失败")
+                return False, ""
+            
+            # 发送回复（respond 默认不引用）
+            reply_text = await self._send_response(response_set)
+            
+            logger.info(f"{self.log_prefix} respond 动作执行成功")
+            return True, reply_text
+            
+        except asyncio.CancelledError:
+            logger.debug(f"{self.log_prefix} 回复任务被取消")
+            return False, ""
+        except Exception as e:
+            logger.error(f"{self.log_prefix} respond 动作执行失败: {e}")
+            import traceback
+            traceback.print_exc()
+            return False, ""
+    
+    async def _send_response(self, response_set) -> str:
+        """发送回复内容（不引用原消息）"""
+        reply_text = ""
+        first_sent = False
+        
+        for reply_seg in response_set:
+            if isinstance(reply_seg, tuple) and len(reply_seg) >= 2:
+                _, data = reply_seg
+            else:
+                data = str(reply_seg)
+            
+            if isinstance(data, list):
+                data = "".join(map(str, data))
+            
+            reply_text += data
+            
+            if not first_sent:
+                await send_api.text_to_stream(
+                    text=data,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=None,
+                    set_reply=False,
+                    typing=False,
+                )
+                first_sent = True
+            else:
+                await send_api.text_to_stream(
+                    text=data,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=None,
+                    set_reply=False,
+                    typing=True,
+                )
+        
+        return reply_text

src/plugins/built_in/affinity_flow_chatter/planner/plan_executor.py

@@ -66,13 +66,6 @@ class ChatterPlanExecutor:
         action_types = [action.action_type for action in plan.decided_actions]
         logger.info(f"选择动作: {', '.join(action_types) if action_types else '无'}")
 
-        # 根据配置决定是否启用批量存储模式
-        if global_config.database.batch_action_storage_enabled:
-            self.action_manager.enable_batch_storage(plan.chat_id)
-            logger.debug("已启用批量存储模式")
-        else:
-            logger.debug("批量存储功能已禁用，使用立即存储模式")
-
         execution_results = []
         reply_actions = []
         other_actions = []
@@ -109,9 +102,6 @@ class ChatterPlanExecutor:
             f"规划执行完成: 总数={len(plan.decided_actions)}, 成功={successful_count}, 失败={len(execution_results) - successful_count}"
         )
 
-        # 批量存储所有待处理的动作
-        await self._flush_action_manager_batch_storage(plan)
-
         return {
             "executed_count": len(plan.decided_actions),
             "successful_count": successful_count,
@@ -530,25 +520,3 @@ class ChatterPlanExecutor:
             }
             for i, time_val in enumerate(recent_times)
         ]
-
-    async def _flush_action_manager_batch_storage(self, plan: Plan):
-        """使用 action_manager 的批量存储功能存储所有待处理的动作"""
-        try:
-            # 通过 chat_id 获取真实的 chat_stream 对象
-            from src.plugin_system.apis.chat_api import get_chat_manager
-
-            chat_manager = get_chat_manager()
-            chat_stream = await chat_manager.get_stream(plan.chat_id)
-
-            if chat_stream:
-                # 调用 action_manager 的批量存储
-                await self.action_manager.flush_batch_storage(chat_stream)
-                logger.info("批量存储完成：通过 action_manager 存储所有动作记录")
-
-            # 禁用批量存储模式
-            self.action_manager.disable_batch_storage()
-
-        except Exception as e:
-            logger.error(f"批量存储动作记录时发生错误: {e}")
-            # 确保在出错时也禁用批量存储模式
-            self.action_manager.disable_batch_storage()

src/plugins/built_in/affinity_flow_chatter/planner/plan_filter.py

@@ -663,6 +663,18 @@ class ChatterPlanFilter:
                             f"[{action}] 找不到目标消息，target_message_id: {action_data.get('target_message_id')}"
                         )
 
+                # reply 动作必须有目标消息，如果仍然为 None，则使用最新消息
+                if action in ["reply", "proactive_reply"] and action_message_obj is None:
+                    logger.warning(f"[{action}] 目标消息为空，强制使用最新消息作为兜底")
+                    latest_message_dict = self._get_latest_message(message_id_list)
+                    if latest_message_dict:
+                        from src.common.data_models.database_data_model import DatabaseMessages
+                        try:
+                            action_message_obj = DatabaseMessages(**latest_message_dict)
+                            logger.info(f"[{action}] 成功使用最新消息: {action_message_obj.message_id}")
+                        except Exception as e:
+                            logger.error(f"[{action}] 无法转换最新消息: {e}")
+                
                 return ActionPlannerInfo(
                     action_type=action,
                     reasoning=reasoning,

src/plugins/built_in/affinity_flow_chatter/planner/planner.py

@@ -264,7 +264,7 @@ class ChatterActionPlanner:
                 # 3. 在规划前，先进行动作修改
                 from src.chat.planner_actions.action_modifier import ActionModifier
                 action_modifier = ActionModifier(self.action_manager, self.chat_id)
-                await action_modifier.modify_actions()
+                await action_modifier.modify_actions(chatter_name="AffinityFlowChatter")
 
                 # 4. 生成初始计划
                 initial_plan = await self.generator.generate(ChatMode.FOCUS)

src/plugins/built_in/affinity_flow_chatter/plugin.py

@@ -86,4 +86,20 @@ class AffinityChatterPlugin(BasePlugin):
         except Exception as e:
             logger.error(f"加载 ProactiveThinkingMessageHandler 时出错: {e}")
 
+        try:
+            # 延迟导入 ReplyAction（AFC 专属动作）
+            from .actions.reply import ReplyAction
+
+            components.append((ReplyAction.get_action_info(), ReplyAction))
+        except Exception as e:
+            logger.error(f"加载 ReplyAction 时出错: {e}")
+
+        try:
+            # 延迟导入 RespondAction（AFC 专属动作）
+            from .actions.reply import RespondAction
+
+            components.append((RespondAction.get_action_info(), RespondAction))
+        except Exception as e:
+            logger.error(f"加载 RespondAction 时出错: {e}")
+
         return components

src/plugins/built_in/affinity_flow_chatter/proactive/proactive_thinking_executor.py

@@ -699,6 +699,42 @@ async def execute_proactive_thinking(stream_id: str):
 
         try:
             # 0. 前置检查
+            
+            # 0.-1 检查是否是私聊且 KFC 主动思考已启用（让 KFC 接管私聊主动思考）
+            try:
+                from src.chat.message_receive.chat_stream import get_chat_manager
+                chat_manager = get_chat_manager()
+                chat_stream = await chat_manager.get_stream(stream_id)
+                
+                # 判断是否是私聊（使用 chat_type 枚举或从 stream_id 判断）
+                is_private = False
+                if chat_stream:
+                    try:
+                        is_private = chat_stream.chat_type.name == "private"
+                    except Exception:
+                        # 回退：从 stream_id 判断（私聊通常不包含 "group"）
+                        is_private = "group" not in stream_id.lower()
+                
+                if is_private:
+                    # 这是一个私聊，检查 KFC 是否启用且其主动思考是否启用
+                    try:
+                        from src.config.config import global_config
+                        kfc_config = getattr(global_config, 'kokoro_flow_chatter', None)
+                        if kfc_config:
+                            kfc_enabled = getattr(kfc_config, 'enable', False)
+                            proactive_config = getattr(kfc_config, 'proactive_thinking', None)
+                            proactive_enabled = getattr(proactive_config, 'enabled', False) if proactive_config else False
+                            
+                            if kfc_enabled and proactive_enabled:
+                                logger.debug(
+                                    f"[主动思考] 私聊 {stream_id} 由 KFC 主动思考接管，跳过通用主动思考"
+                                )
+                                return
+                    except Exception as e:
+                        logger.debug(f"检查 KFC 配置时出错，继续执行通用主动思考: {e}")
+            except Exception as e:
+                logger.warning(f"检查私聊/KFC 状态时出错: {e}，继续执行")
+            
             # 0.0 检查聊天流是否正在处理消息（双重保护）
             try:
                 from src.chat.message_receive.chat_stream import get_chat_manager

src/plugins/built_in/core_actions/emoji.py

@@ -219,8 +219,7 @@ class EmojiAction(BaseAction):
                             )
                             emoji_base64, emoji_description = random.choice(all_emojis_data)
 
-            assert global_config is not None
+            elif global_config.emoji.emoji_selection_mode == "description":
-            if global_config.emoji.emoji_selection_mode == "description":
                 # --- 详细描述选择模式 ---
                 # 获取最近的5条消息内容用于判断
                 recent_messages = await message_api.get_recent_messages(chat_id=self.chat_id, limit=20)

src/plugins/built_in/core_actions/plugin.py

@@ -1,8 +1,10 @@
 """
 核心动作插件
 
-将系统核心动作（reply、no_reply、emoji）转换为新插件系统格式
+将系统核心动作（emoji）转换为新插件系统格式
 这是系统的内置插件，提供基础的聊天交互功能
+
+注意：reply 和 respond 动作已移至 AffinityFlowChatter 插件
 """
 
 # 导入依赖的系统组件
@@ -16,7 +18,6 @@ from src.plugin_system.base.config_types import ConfigField
 
 # 导入API模块 - 标准Python包方式
 from src.plugins.built_in.core_actions.emoji import EmojiAction
-from src.plugins.built_in.core_actions.reply import ReplyAction, RespondAction
 
 logger = get_logger("core_actions")
 
@@ -26,11 +27,11 @@ class CoreActionsPlugin(BasePlugin):
     """核心动作插件
 
     系统内置插件，提供基础的聊天交互功能：
-    - Reply: 回复动作
-    - NoReply: 不回复动作
     - Emoji: 表情动作
 
-    注意：插件基本信息优先从_manifest.json文件中读取
+    注意：
+    - reply 和 respond 动作已移至 AffinityFlowChatter 插件
+    - 插件基本信息优先从_manifest.json文件中读取
     """
 
     # 插件基本信息
@@ -53,8 +54,6 @@ class CoreActionsPlugin(BasePlugin):
             "config_version": ConfigField(type=str, default="0.6.0", description="配置文件版本"),
         },
         "components": {
-            "enable_reply": ConfigField(type=bool, default=True, description="是否启用 reply 动作（s4u模板）"),
-            "enable_respond": ConfigField(type=bool, default=True, description="是否启用 respond 动作（normal模板）"),
             "enable_emoji": ConfigField(type=bool, default=True, description="是否启用发送表情/图片动作"),
         },
     }
@@ -65,14 +64,6 @@ class CoreActionsPlugin(BasePlugin):
         # --- 根据配置注册组件 ---
         components: ClassVar = []
 
-        # 注册 reply 动作
-        if self.get_config("components.enable_reply", True):
-            components.append((ReplyAction.get_action_info(), ReplyAction))
-
-        # 注册 respond 动作
-        if self.get_config("components.enable_respond", True):
-            components.append((RespondAction.get_action_info(), RespondAction))
-
         # 注册 emoji 动作
         if self.get_config("components.enable_emoji", True):
             components.append((EmojiAction.get_action_info(), EmojiAction))

src/plugins/built_in/core_actions/reply.py

@@ -1,108 +0,0 @@
-"""
-回复动作模块
-
-定义了两种回复动作：
-- reply: 针对单条消息的深度回复（使用 s4u 模板）
-- respond: 对未读消息的统一回应（使用 normal 模板）
-"""
-
-from typing import ClassVar
-
-from src.common.logger import get_logger
-from src.plugin_system import ActionActivationType, BaseAction, ChatMode
-
-logger = get_logger("reply_actions")
-
-
-class ReplyAction(BaseAction):
-    """Reply动作 - 针对单条消息的深度回复
-    
-    特点：
-    - 使用 s4u (Speak for You) 模板
-    - 专注于理解和回应单条消息的具体内容
-    - 适合 Focus 模式下的精准回复
-    """
-
-    # 动作基本信息
-    action_name = "reply"
-    action_description = "针对特定消息进行精准回复。深度理解并回应单条消息的具体内容。需要指定目标消息ID。"
-
-    # 激活设置
-    activation_type = ActionActivationType.ALWAYS  # 回复动作总是可用
-    mode_enable = ChatMode.ALL  # 在所有模式下都可用
-    parallel_action = False  # 回复动作不能与其他动作并行
-
-    # 动作参数定义
-    action_parameters: ClassVar = {
-        "target_message_id": "要回复的目标消息ID（必需，来自未读消息的 <m...> 标签）",
-        "content": "回复的具体内容（可选，由LLM生成）",
-        "should_quote_reply": "是否引用原消息（可选，true/false，默认false。群聊中回复较早消息或需要明确指向时使用true）",
-    }
-
-    # 动作使用场景
-    action_require: ClassVar = [
-        "需要针对特定消息进行精准回复时使用",
-        "适合单条消息的深度理解和回应",
-        "必须提供准确的 target_message_id（来自未读历史的 <m...> 标签）",
-        "私聊场景必须使用此动作（不支持 respond）",
-        "群聊中需要明确回应某个特定用户或问题时使用",
-        "关注单条消息的具体内容和上下文细节",
-    ]
-
-    # 关联类型
-    associated_types: ClassVar[list[str]] = ["text"]
-
-    async def execute(self) -> tuple[bool, str]:
-        """执行reply动作
-        
-        注意：实际的回复生成由 action_manager 统一处理
-        这里只是标记使用 reply 动作（s4u 模板）
-        """
-        logger.info(f"{self.log_prefix} 使用 reply 动作（s4u 模板）")
-        return True, ""
-
-
-class RespondAction(BaseAction):
-    """Respond动作 - 对未读消息的统一回应
-    
-    特点：
-    - 关注整体对话动态和未读消息的统一回应
-    - 适合对于群聊消息下的宏观回应
-    - 避免与单一用户深度对话而忽略其他用户的消息
-    """
-
-    # 动作基本信息
-    action_name = "respond"
-    action_description = "统一回应所有未读消息。理解整体对话动态和话题走向，生成连贯的回复。无需指定目标消息。"
-
-    # 激活设置
-    activation_type = ActionActivationType.ALWAYS  # 回应动作总是可用
-    mode_enable = ChatMode.ALL  # 在所有模式下都可用
-    parallel_action = False  # 回应动作不能与其他动作并行
-
-    # 动作参数定义
-    action_parameters: ClassVar = {
-        "content": "回复的具体内容（可选，由LLM生成）",
-    }
-
-    # 动作使用场景
-    action_require: ClassVar = [
-        "需要统一回应多条未读消息时使用（Normal 模式专用）",
-        "适合理解整体对话动态而非单条消息",
-        "不需要指定 target_message_id，会自动处理所有未读消息",
-        "关注对话流程、话题走向和整体氛围",
-        "适合群聊中的自然对话流，无需精确指向特定消息",
-        "可以同时回应多个话题或参与者",
-    ]
-
-    # 关联类型
-    associated_types: ClassVar[list[str]] = ["text"]
-
-    async def execute(self) -> tuple[bool, str]:
-        """执行respond动作
-        
-        注意：实际的回复生成由 action_manager 统一处理
-        这里只是标记使用 respond 动作（normal 模板）
-        """
-        logger.info(f"{self.log_prefix} 使用 respond 动作（normal 模板）")
-        return True, ""

src/plugins/built_in/kokoro_flow_chatter/__init__.py

@@ -0,0 +1,89 @@
+"""
+Kokoro Flow Chatter (KFC) - 私聊特化的心流聊天器
+
+重构版本，支持双模式架构：
+
+工作模式：
+- unified（统一模式）: 单次 LLM 调用完成思考和回复生成（默认）
+- split（分离模式）: Planner + Replyer 两次 LLM 调用，更精细的控制
+
+核心设计理念：
+1. Chatter 职责极简化：只负责"收到消息 → 规划执行"
+2. Session 状态简化：只有 IDLE 和 WAITING 两种状态
+3. 独立的 Replyer：专属的提示词构建和 LLM 交互
+4. 独立的主动思考器：负责等待管理和主动发起
+5. 大模板 + 小模板：线性叙事风格的提示词架构
+"""
+
+from .models import (
+    EventType,
+    SessionStatus,
+    MentalLogEntry,
+    WaitingConfig,
+    ActionModel,
+    LLMResponse,
+)
+from .session import KokoroSession, SessionManager, get_session_manager
+from .chatter import KokoroFlowChatter
+from .planner import generate_plan
+from .replyer import generate_reply_text
+from .unified import generate_unified_response
+from .proactive_thinker import (
+    ProactiveThinker,
+    get_proactive_thinker,
+    start_proactive_thinker,
+    stop_proactive_thinker,
+)
+from .config import (
+    KFCMode,
+    KokoroFlowChatterConfig,
+    get_config,
+    load_config,
+    reload_config,
+)
+from .plugin import KokoroFlowChatterPlugin
+from src.plugin_system.base.plugin_metadata import PluginMetadata
+
+__plugin_meta__ = PluginMetadata(
+    name="Kokoro Flow Chatter",
+    description="专为私聊设计的深度情感交互处理器，支持统一/分离双模式",
+    usage="在私聊场景中自动启用，可通过 [kokoro_flow_chatter].enable 和 .mode 配置",
+    version="3.1.0",
+    author="MoFox",
+    keywords=["chatter", "kokoro", "private", "emotional", "narrative", "dual-mode"],
+    categories=["Chat", "AI", "Emotional"],
+    extra={"is_built_in": True, "chat_type": "private"},
+)
+
+__all__ = [
+    # Models
+    "EventType",
+    "SessionStatus",
+    "MentalLogEntry",
+    "WaitingConfig",
+    "ActionModel",
+    "LLMResponse",
+    # Session
+    "KokoroSession",
+    "SessionManager",
+    "get_session_manager",
+    # Core Components
+    "KokoroFlowChatter",
+    "generate_plan",
+    "generate_reply_text",
+    "generate_unified_response",
+    # Proactive Thinker
+    "ProactiveThinker",
+    "get_proactive_thinker",
+    "start_proactive_thinker",
+    "stop_proactive_thinker",
+    # Config
+    "KFCMode",
+    "KokoroFlowChatterConfig",
+    "get_config",
+    "load_config",
+    "reload_config",
+    # Plugin
+    "KokoroFlowChatterPlugin",
+    "__plugin_meta__",
+]

src/plugins/built_in/kokoro_flow_chatter/actions/__init__.py

@@ -0,0 +1,7 @@
+"""
+KFC V2 专属动作模块
+"""
+
+from .reply import KFCReplyAction
+
+__all__ = ["KFCReplyAction"]

src/plugins/built_in/kokoro_flow_chatter/actions/reply.py

@@ -0,0 +1,288 @@
+"""
+KFC 回复动作模块
+
+KFC 的 reply 动作：
+- 完整的回复流程在 execute() 中实现
+- 调用 Replyer 生成回复文本
+- 回复后处理（系统格式词过滤、分段发送、错字生成等）
+- 发送回复消息
+
+与 AFC 类似，但使用 KFC 专属的 Replyer 和 Session 系统。
+"""
+
+import asyncio
+from typing import TYPE_CHECKING, ClassVar, Optional
+
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.plugin_system import ActionActivationType, BaseAction, ChatMode
+from src.plugin_system.apis import send_api
+
+if TYPE_CHECKING:
+    from ..session import KokoroSession
+
+logger = get_logger("kfc_reply_action")
+
+
+class KFCReplyAction(BaseAction):
+    """KFC Reply 动作 - 完整的私聊回复流程
+
+    特点：
+    - 完整的回复流程：生成回复 → 后处理 → 分段发送
+    - 使用 KFC 专属的 Replyer 生成回复
+    - 支持系统格式词过滤、分段发送、错字生成等后处理
+    - 仅限 KokoroFlowChatter 使用
+
+    action_data 参数：
+    - user_id: 用户ID（必需，用于获取 Session）
+    - user_name: 用户名称（必需）
+    - thought: Planner 生成的想法/内心独白（必需）
+    - situation_type: 情况类型（可选，默认 "new_message"）
+    - extra_context: 额外上下文（可选）
+    - content: 预生成的回复内容（可选，如果提供则直接发送）
+    - should_quote_reply: 是否引用原消息（可选，默认 false）
+    - enable_splitter: 是否启用分段发送（可选，默认 true）
+    - enable_chinese_typo: 是否启用错字生成（可选，默认 true）
+    """
+
+    # 动作基本信息
+    action_name = "kfc_reply"
+    action_description = "发送回复消息。会根据当前对话情境生成并发送回复。"
+
+    # 激活设置
+    activation_type = ActionActivationType.ALWAYS
+    mode_enable = ChatMode.ALL
+    parallel_action = False
+    
+    # Chatter 限制：仅允许 KokoroFlowChatter 使用
+    chatter_allow: ClassVar[list[str]] = ["KokoroFlowChatter"]
+
+    # 动作参数定义
+    action_parameters: ClassVar = {
+        "content": "要发送的回复内容（可选，如果不提供则自动生成）",
+        "should_quote_reply": "是否引用原消息（可选，true/false，默认 false）",
+    }
+
+    # 动作使用场景
+    action_require: ClassVar = [
+        "需要发送回复消息时使用",
+        "私聊场景的标准回复动作",
+    ]
+
+    # 关联类型
+    associated_types: ClassVar[list[str]] = ["text"]
+
+    async def execute(self) -> tuple[bool, str]:
+        """执行 reply 动作 - 完整的回复流程"""
+        try:
+            # 1. 检查是否有预生成的内容
+            content = self.action_data.get("content", "")
+            
+            if not content:
+                # 2. 需要生成回复，获取必要信息
+                user_id = self.action_data.get("user_id")
+                user_name = self.action_data.get("user_name", "用户")
+                thought = self.action_data.get("thought", "")
+                situation_type = self.action_data.get("situation_type", "new_message")
+                extra_context = self.action_data.get("extra_context")
+                
+                if not user_id:
+                    logger.warning(f"{self.log_prefix} 缺少 user_id，无法生成回复")
+                    return False, ""
+                
+                # 3. 获取 Session
+                session = await self._get_session(user_id)
+                if not session:
+                    logger.warning(f"{self.log_prefix} 无法获取 Session: {user_id}")
+                    return False, ""
+                
+                # 4. 调用 Replyer 生成回复
+                success, content = await self._generate_reply(
+                    session=session,
+                    user_name=user_name,
+                    thought=thought,
+                    situation_type=situation_type,
+                    extra_context=extra_context,
+                )
+                
+                if not success or not content:
+                    logger.warning(f"{self.log_prefix} 回复生成失败")
+                    return False, ""
+            
+            # 5. 回复后处理（系统格式词过滤 + 分段处理）
+            enable_splitter = self.action_data.get("enable_splitter", True)
+            enable_chinese_typo = self.action_data.get("enable_chinese_typo", True)
+            
+            processed_segments = self._post_process_reply(
+                content=content,
+                enable_splitter=enable_splitter,
+                enable_chinese_typo=enable_chinese_typo,
+            )
+            
+            if not processed_segments:
+                logger.warning(f"{self.log_prefix} 回复后处理后内容为空")
+                return False, ""
+            
+            # 6. 分段发送回复
+            should_quote = self.action_data.get("should_quote_reply", False)
+            reply_text = await self._send_segments(
+                segments=processed_segments,
+                should_quote=should_quote,
+            )
+            
+            logger.info(f"{self.log_prefix} KFC reply 动作执行成功: {reply_text[:50]}...")
+            return True, reply_text
+            
+        except asyncio.CancelledError:
+            logger.debug(f"{self.log_prefix} 回复任务被取消")
+            return False, ""
+        except Exception as e:
+            logger.error(f"{self.log_prefix} KFC reply 动作执行失败: {e}")
+            import traceback
+            traceback.print_exc()
+            return False, ""
+    
+    def _post_process_reply(
+        self,
+        content: str,
+        enable_splitter: bool = True,
+        enable_chinese_typo: bool = True,
+    ) -> list[str]:
+        """
+        回复后处理
+        
+        包括：
+        1. 系统格式词过滤（移除 [回复...]、[表情包：...]、@<...> 等）
+        2. 分段处理（根据标点分句、智能合并）
+        3. 错字生成（拟人化）
+        
+        Args:
+            content: 原始回复内容
+            enable_splitter: 是否启用分段
+            enable_chinese_typo: 是否启用错字生成
+            
+        Returns:
+            处理后的文本段落列表
+        """
+        try:
+            from src.chat.utils.utils import filter_system_format_content, process_llm_response
+            
+            # 1. 过滤系统格式词
+            filtered_content = filter_system_format_content(content)
+            
+            if not filtered_content or not filtered_content.strip():
+                logger.warning(f"{self.log_prefix} 过滤系统格式词后内容为空")
+                return []
+            
+            # 2. 分段处理 + 错字生成
+            processed_segments = process_llm_response(
+                filtered_content,
+                enable_splitter=enable_splitter,
+                enable_chinese_typo=enable_chinese_typo,
+            )
+            
+            # 过滤空段落
+            processed_segments = [seg for seg in processed_segments if seg and seg.strip()]
+            
+            logger.debug(
+                f"{self.log_prefix} 回复后处理完成: "
+                f"原始长度={len(content)}, 过滤后长度={len(filtered_content)}, "
+                f"分段数={len(processed_segments)}"
+            )
+            
+            return processed_segments
+            
+        except Exception as e:
+            logger.error(f"{self.log_prefix} 回复后处理失败: {e}")
+            # 失败时返回原始内容
+            return [content] if content else []
+    
+    async def _send_segments(
+        self,
+        segments: list[str],
+        should_quote: bool = False,
+    ) -> str:
+        """
+        分段发送回复
+        
+        Args:
+            segments: 要发送的文本段落列表
+            should_quote: 是否引用原消息（仅第一条消息引用）
+            
+        Returns:
+            完整的回复文本（所有段落拼接）
+        """
+        reply_text = ""
+        first_sent = False
+        
+        # 获取分段发送的间隔时间
+        typing_delay = 0.5
+        if global_config and hasattr(global_config, 'response_splitter'):
+            typing_delay = getattr(global_config.response_splitter, "typing_delay", 0.5)
+        
+        for segment in segments:
+            if not segment or not segment.strip():
+                continue
+            
+            reply_text += segment
+            
+            # 发送消息
+            if not first_sent:
+                # 第一条消息：可能需要引用
+                await send_api.text_to_stream(
+                    text=segment,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=self.action_message,
+                    set_reply=should_quote and bool(self.action_message),
+                    typing=False,
+                )
+                first_sent = True
+            else:
+                # 后续消息：模拟打字延迟
+                if typing_delay > 0:
+                    await asyncio.sleep(typing_delay)
+                
+                await send_api.text_to_stream(
+                    text=segment,
+                    stream_id=self.chat_stream.stream_id,
+                    reply_to_message=None,
+                    set_reply=False,
+                    typing=True,
+                )
+        
+        return reply_text
+    
+    async def _get_session(self, user_id: str) -> Optional["KokoroSession"]:
+        """获取用户 Session"""
+        try:
+            from ..session import get_session_manager
+            
+            session_manager = get_session_manager()
+            return await session_manager.get_session(user_id, self.chat_stream.stream_id)
+        except Exception as e:
+            logger.error(f"{self.log_prefix} 获取 Session 失败: {e}")
+            return None
+    
+    async def _generate_reply(
+        self,
+        session: "KokoroSession",
+        user_name: str,
+        thought: str,
+        situation_type: str,
+        extra_context: Optional[dict] = None,
+    ) -> tuple[bool, str]:
+        """调用 Replyer 生成回复"""
+        try:
+            from ..replyer import generate_reply_text
+            
+            return await generate_reply_text(
+                session=session,
+                user_name=user_name,
+                thought=thought,
+                situation_type=situation_type,
+                chat_stream=self.chat_stream,
+                extra_context=extra_context,
+            )
+        except Exception as e:
+            logger.error(f"{self.log_prefix} 生成回复失败: {e}")
+            return False, ""

src/plugins/built_in/kokoro_flow_chatter/chatter.py

@@ -0,0 +1,376 @@
+"""
+Kokoro Flow Chatter - Chatter 主类
+
+支持两种工作模式：
+1. unified（统一模式）: 单次 LLM 调用完成思考 + 回复生成
+2. split（分离模式）: Planner + Replyer 两次 LLM 调用
+
+核心设计：
+- Chatter 只负责 "收到消息 → 规划执行" 的流程
+- 无论 Session 之前是什么状态，流程都一样
+- 区别只体现在提示词中
+
+不负责：
+- 等待超时处理（由 ProactiveThinker 负责）
+- 连续思考（由 ProactiveThinker 负责）
+- 主动发起对话（由 ProactiveThinker 负责）
+"""
+
+import asyncio
+import time
+from typing import TYPE_CHECKING, Any, ClassVar
+
+from src.chat.planner_actions.action_manager import ChatterActionManager
+from src.common.data_models.message_manager_data_model import StreamContext
+from src.common.logger import get_logger
+from src.plugin_system.base.base_chatter import BaseChatter
+from src.plugin_system.base.component_types import ChatType
+
+from .config import KFCMode, get_config
+from .models import SessionStatus
+from .session import get_session_manager
+
+if TYPE_CHECKING:
+    pass
+
+logger = get_logger("kfc_chatter")
+
+
+class KokoroFlowChatter(BaseChatter):
+    """
+    Kokoro Flow Chatter - 私聊特化的心流聊天器
+
+    支持两种工作模式（通过配置切换）：
+    - unified: 单次 LLM 调用完成思考和回复
+    - split: Planner + Replyer 两次 LLM 调用
+
+    核心设计：
+    - Chatter 只负责 "收到消息 → 规划执行" 的流程
+    - 无论 Session 之前是什么状态，流程都一样
+    - 区别只体现在提示词中
+
+    不负责：
+    - 等待超时处理（由 ProactiveThinker 负责）
+    - 连续思考（由 ProactiveThinker 负责）
+    - 主动发起对话（由 ProactiveThinker 负责）
+    """
+
+    chatter_name: str = "KokoroFlowChatter"
+    chatter_description: str = "心流聊天器 - 私聊特化的深度情感交互处理器"
+    chat_types: ClassVar[list[ChatType]] = [ChatType.PRIVATE]
+    
+    def __init__(
+        self,
+        stream_id: str,
+        action_manager: "ChatterActionManager",
+        plugin_config: dict | None = None,
+    ):
+        super().__init__(stream_id, action_manager, plugin_config)
+        
+        # 核心组件
+        self.session_manager = get_session_manager()
+        
+        # 加载配置
+        self._config = get_config()
+        self._mode = self._config.mode
+        
+        # 并发控制
+        self._lock = asyncio.Lock()
+        self._processing = False
+        
+        # 统计
+        self._stats: dict[str, Any] = {
+            "messages_processed": 0,
+            "successful_responses": 0,
+            "failed_responses": 0,
+        }
+        
+        # 输出初始化信息
+        mode_str = "统一模式" if self._mode == KFCMode.UNIFIED else "分离模式"
+        logger.info(f"初始化完成 (模式: {mode_str}): stream_id={stream_id}")
+    
+    async def execute(self, context: StreamContext) -> dict:
+        """
+        执行聊天处理
+        
+        流程：
+        1. 获取 Session
+        2. 获取未读消息
+        3. 记录用户消息到 mental_log
+        4. 确定 situation_type（根据之前的等待状态）
+        5. 根据模式调用对应的生成器
+        6. 执行动作
+        7. 更新 Session（记录 Bot 规划，设置等待状态）
+        8. 保存 Session
+        """
+        async with self._lock:
+            self._processing = True
+            
+            try:
+                # 1. 获取未读消息
+                unread_messages = context.get_unread_messages()
+                if not unread_messages:
+                    return self._build_result(success=True, message="no_unread_messages")
+                
+                # 2. 取最后一条消息作为主消息
+                target_message = unread_messages[-1]
+                user_info = target_message.user_info
+                
+                if not user_info:
+                    return self._build_result(success=False, message="no_user_info")
+                
+                user_id = str(user_info.user_id)
+                user_name = user_info.user_nickname or user_id
+                
+                # 3. 获取或创建 Session
+                session = await self.session_manager.get_session(user_id, self.stream_id)
+                
+                # 4. 确定 situation_type（根据之前的等待状态）
+                situation_type = self._determine_situation_type(session)
+                
+                # 5. **立即**结束等待状态，防止 ProactiveThinker 并发处理
+                if session.status == SessionStatus.WAITING:
+                    session.end_waiting()
+                    await self.session_manager.save_session(user_id)
+                
+                # 6. 记录用户消息到 mental_log
+                for msg in unread_messages:
+                    msg_content = msg.processed_plain_text or msg.display_message or ""
+                    msg_user_name = msg.user_info.user_nickname if msg.user_info else user_name
+                    msg_user_id = str(msg.user_info.user_id) if msg.user_info else user_id
+                    
+                    session.add_user_message(
+                        content=msg_content,
+                        user_name=msg_user_name,
+                        user_id=msg_user_id,
+                        timestamp=msg.time,
+                    )
+                
+                # 7. 加载可用动作（通过 ActionModifier 过滤）
+                from src.chat.planner_actions.action_modifier import ActionModifier
+                
+                action_modifier = ActionModifier(self.action_manager, self.stream_id)
+                await action_modifier.modify_actions(chatter_name="KokoroFlowChatter")
+                available_actions = self.action_manager.get_using_actions()
+                
+                # 8. 获取聊天流
+                chat_stream = await self._get_chat_stream()
+                
+                # 9. 根据模式调用对应的生成器
+                if self._mode == KFCMode.UNIFIED:
+                    plan_response = await self._execute_unified_mode(
+                        session=session,
+                        user_name=user_name,
+                        situation_type=situation_type,
+                        chat_stream=chat_stream,
+                        available_actions=available_actions,
+                    )
+                else:
+                    plan_response = await self._execute_split_mode(
+                        session=session,
+                        user_name=user_name,
+                        user_id=user_id,
+                        situation_type=situation_type,
+                        chat_stream=chat_stream,
+                        available_actions=available_actions,
+                    )
+                
+                # 10. 执行动作
+                exec_results = []
+                has_reply = False
+                for action in plan_response.actions:
+                    result = await self.action_manager.execute_action(
+                        action_name=action.type,
+                        chat_id=self.stream_id,
+                        target_message=target_message,
+                        reasoning=plan_response.thought,
+                        action_data=action.params,
+                        thinking_id=None,
+                        log_prefix="[KFC]",
+                    )
+                    exec_results.append(result)
+                    if result.get("success") and action.type in ("kfc_reply", "respond"):
+                        has_reply = True
+                
+                # 11. 记录 Bot 规划到 mental_log
+                session.add_bot_planning(
+                    thought=plan_response.thought,
+                    actions=[a.to_dict() for a in plan_response.actions],
+                    expected_reaction=plan_response.expected_reaction,
+                    max_wait_seconds=plan_response.max_wait_seconds,
+                )
+                
+                # 12. 更新 Session 状态
+                if plan_response.max_wait_seconds > 0:
+                    session.start_waiting(
+                        expected_reaction=plan_response.expected_reaction,
+                        max_wait_seconds=plan_response.max_wait_seconds,
+                    )
+                else:
+                    session.end_waiting()
+                
+                # 13. 标记消息为已读
+                for msg in unread_messages:
+                    context.mark_message_as_read(str(msg.message_id))
+                
+                # 14. 保存 Session
+                await self.session_manager.save_session(user_id)
+                
+                # 15. 更新统计
+                self._stats["messages_processed"] += len(unread_messages)
+                if has_reply:
+                    self._stats["successful_responses"] += 1
+                
+                # 输出完成信息
+                mode_str = "unified" if self._mode == KFCMode.UNIFIED else "split"
+                logger.info(
+                    f"处理完成 ({mode_str}): "
+                    f"user={user_name}, situation={situation_type}, "
+                    f"actions={[a.type for a in plan_response.actions]}, "
+                    f"wait={plan_response.max_wait_seconds}s"
+                )
+                
+                return self._build_result(
+                    success=True,
+                    message="processed",
+                    has_reply=has_reply,
+                    thought=plan_response.thought,
+                    situation_type=situation_type,
+                    mode=mode_str,
+                )
+                
+            except Exception as e:
+                self._stats["failed_responses"] += 1
+                logger.error(f"[KFC] 处理失败: {e}")
+                import traceback
+                traceback.print_exc()
+                return self._build_result(success=False, message=str(e), error=True)
+            
+            finally:
+                self._processing = False
+    
+    async def _execute_unified_mode(
+        self,
+        session,
+        user_name: str,
+        situation_type: str,
+        chat_stream,
+        available_actions,
+    ):
+        """
+        统一模式：单次 LLM 调用完成思考 + 回复生成
+        
+        LLM 输出的 JSON 中 kfc_reply 动作已包含 content 字段，
+        无需再调用 Replyer 生成回复。
+        """
+        from .unified import generate_unified_response
+        
+        plan_response = await generate_unified_response(
+            session=session,
+            user_name=user_name,
+            situation_type=situation_type,
+            chat_stream=chat_stream,
+            available_actions=available_actions,
+        )
+        
+        # 统一模式下 content 已经在 actions 中，无需注入
+        return plan_response
+    
+    async def _execute_split_mode(
+        self,
+        session,
+        user_name: str,
+        user_id: str,
+        situation_type: str,
+        chat_stream,
+        available_actions,
+    ):
+        """
+        分离模式：Planner + Replyer 两次 LLM 调用
+        
+        1. Planner 生成行动计划（JSON，kfc_reply 不含 content）
+        2. 为 kfc_reply 动作注入上下文，由 Action.execute() 调用 Replyer 生成回复
+        """
+        from .planner import generate_plan
+        
+        plan_response = await generate_plan(
+            session=session,
+            user_name=user_name,
+            situation_type=situation_type,
+            chat_stream=chat_stream,
+            available_actions=available_actions,
+        )
+        
+        # 为 kfc_reply 动作注入回复生成所需的上下文
+        for action in plan_response.actions:
+            if action.type == "kfc_reply":
+                action.params["user_id"] = user_id
+                action.params["user_name"] = user_name
+                action.params["thought"] = plan_response.thought
+                action.params["situation_type"] = situation_type
+        
+        return plan_response
+    
+    def _determine_situation_type(self, session) -> str:
+        """
+        确定当前情况类型
+        
+        根据 Session 之前的状态决定提示词的 situation_type
+        """
+        if session.status == SessionStatus.WAITING:
+            # 之前在等待
+            if session.waiting_config.is_timeout():
+                # 超时了才收到回复
+                return "reply_late"
+            else:
+                # 在预期内收到回复
+                return "reply_in_time"
+        else:
+            # 之前是 IDLE
+            return "new_message"
+    
+    async def _get_chat_stream(self):
+        """获取聊天流对象"""
+        try:
+            from src.chat.message_receive.chat_stream import get_chat_manager
+            
+            chat_manager = get_chat_manager()
+            if chat_manager:
+                return await chat_manager.get_stream(self.stream_id)
+        except Exception as e:
+            logger.warning(f"[KFC] 获取 chat_stream 失败: {e}")
+        return None
+    
+    def _build_result(
+        self,
+        success: bool,
+        message: str = "",
+        error: bool = False,
+        **kwargs,
+    ) -> dict:
+        """构建返回结果"""
+        result = {
+            "success": success,
+            "stream_id": self.stream_id,
+            "message": message,
+            "error": error,
+            "timestamp": time.time(),
+        }
+        result.update(kwargs)
+        return result
+    
+    def get_stats(self) -> dict[str, Any]:
+        """获取统计信息"""
+        stats = self._stats.copy()
+        stats["mode"] = self._mode.value
+        return stats
+    
+    @property
+    def is_processing(self) -> bool:
+        """是否正在处理"""
+        return self._processing
+    
+    @property
+    def mode(self) -> KFCMode:
+        """当前工作模式"""
+        return self._mode

src/plugins/built_in/kokoro_flow_chatter/config.py

@@ -0,0 +1,264 @@
+"""
+Kokoro Flow Chatter - 配置
+
+可以通过 TOML 配置文件覆盖默认值
+
+支持两种工作模式：
+- unified: 统一模式，单次 LLM 调用完成思考和回复生成（类似旧版架构）
+- split: 分离模式，Planner + Replyer 两次 LLM 调用（推荐，更精细的控制）
+"""
+
+from dataclasses import dataclass, field
+from enum import Enum
+from typing import List, Optional
+
+
+class KFCMode(str, Enum):
+    """KFC 工作模式"""
+    
+    # 统一模式：单次 LLM 调用，生成思考 + 回复（类似旧版架构）
+    UNIFIED = "unified"
+    
+    # 分离模式：Planner 生成规划，Replyer 生成回复（推荐）
+    SPLIT = "split"
+    
+    @classmethod
+    def from_str(cls, value: str) -> "KFCMode":
+        """从字符串创建模式"""
+        value = value.lower().strip()
+        if value == "unified":
+            return cls.UNIFIED
+        elif value == "split":
+            return cls.SPLIT
+        else:
+            # 默认使用统一模式
+            return cls.UNIFIED
+
+
+@dataclass
+class WaitingDefaults:
+    """等待配置默认值"""
+    
+    # 默认最大等待时间（秒）
+    default_max_wait_seconds: int = 300
+    
+    # 最小等待时间
+    min_wait_seconds: int = 30
+    
+    # 最大等待时间
+    max_wait_seconds: int = 1800
+
+
+@dataclass
+class ProactiveConfig:
+    """主动思考配置"""
+    
+    # 是否启用主动思考
+    enabled: bool = True
+    
+    # 沉默阈值（秒），超过此时间考虑主动发起
+    silence_threshold_seconds: int = 7200
+    
+    # 两次主动发起最小间隔（秒）
+    min_interval_between_proactive: int = 1800
+    
+    # 勿扰时段开始（HH:MM 格式）
+    quiet_hours_start: str = "23:00"
+    
+    # 勿扰时段结束
+    quiet_hours_end: str = "07:00"
+    
+    # 主动发起概率（0.0 ~ 1.0）
+    trigger_probability: float = 0.3
+    
+    # 关系门槛：最低好感度，达到此值才会主动关心
+    min_affinity_for_proactive: float = 0.3
+
+
+@dataclass
+class PromptConfig:
+    """提示词配置"""
+    
+    # 活动记录保留条数
+    max_activity_entries: int = 30
+    
+    # 每条记录最大字符数
+    max_entry_length: int = 500
+    
+    # 是否包含人物关系信息
+    include_relation: bool = True
+    
+    # 是否包含记忆信息
+    include_memory: bool = True
+
+
+@dataclass
+class SessionConfig:
+    """会话配置"""
+    
+    # Session 持久化目录（相对于 data/）
+    session_dir: str = "kokoro_flow_chatter/sessions"
+    
+    # Session 自动过期时间（秒），超过此时间未活动自动清理
+    session_expire_seconds: int = 86400 * 7  # 7 天
+    
+    # 活动记录保留上限
+    max_mental_log_entries: int = 100
+
+
+@dataclass  
+class LLMConfig:
+    """LLM 配置"""
+    
+    # 模型名称（空则使用默认）
+    model_name: str = ""
+    
+    # Temperature
+    temperature: float = 0.8
+    
+    # 最大 Token
+    max_tokens: int = 1024
+    
+    # 请求超时（秒）
+    timeout: float = 60.0
+
+
+@dataclass
+class KokoroFlowChatterConfig:
+    """Kokoro Flow Chatter 总配置"""
+    
+    # 是否启用
+    enabled: bool = True
+    
+    # 工作模式：unified（统一模式）或 split（分离模式）
+    # - unified: 单次 LLM 调用完成思考和回复生成（类似旧版架构，更简洁）
+    # - split: Planner + Replyer 两次 LLM 调用（更精细的控制，推荐）
+    mode: KFCMode = KFCMode.UNIFIED
+    
+    # 启用的消息源类型（空列表表示全部）
+    enabled_stream_types: List[str] = field(default_factory=lambda: ["private"])
+    
+    # 等待配置
+    waiting: WaitingDefaults = field(default_factory=WaitingDefaults)
+    
+    # 主动思考配置
+    proactive: ProactiveConfig = field(default_factory=ProactiveConfig)
+    
+    # 提示词配置
+    prompt: PromptConfig = field(default_factory=PromptConfig)
+    
+    # 会话配置
+    session: SessionConfig = field(default_factory=SessionConfig)
+    
+    # LLM 配置
+    llm: LLMConfig = field(default_factory=LLMConfig)
+    
+    # 调试模式
+    debug: bool = False
+
+
+# 全局配置单例
+_config: Optional[KokoroFlowChatterConfig] = None
+
+
+def get_config() -> KokoroFlowChatterConfig:
+    """获取全局配置"""
+    global _config
+    if _config is None:
+        _config = load_config()
+    return _config
+
+
+def load_config() -> KokoroFlowChatterConfig:
+    """从全局配置加载 KFC 配置"""
+    from src.config.config import global_config
+
+    config = KokoroFlowChatterConfig()
+    
+    # 尝试从全局配置读取
+    if not global_config:
+        return config
+    
+    try:
+        if hasattr(global_config, 'kokoro_flow_chatter'):
+            kfc_cfg = getattr(global_config, 'kokoro_flow_chatter')
+            
+            # 基础配置 - 支持 enabled 和 enable 两种写法
+            if hasattr(kfc_cfg, 'enable'):
+                config.enabled = kfc_cfg.enable
+            if hasattr(kfc_cfg, 'enabled_stream_types'):
+                config.enabled_stream_types = list(kfc_cfg.enabled_stream_types)
+            if hasattr(kfc_cfg, 'debug'):
+                config.debug = kfc_cfg.debug
+            
+            # 工作模式配置
+            if hasattr(kfc_cfg, 'mode'):
+                config.mode = KFCMode.from_str(str(kfc_cfg.mode))
+            
+            # 等待配置
+            if hasattr(kfc_cfg, 'waiting'):
+                wait_cfg = kfc_cfg.waiting
+                config.waiting = WaitingDefaults(
+                    default_max_wait_seconds=getattr(wait_cfg, 'default_max_wait_seconds', 300),
+                    min_wait_seconds=getattr(wait_cfg, 'min_wait_seconds', 30),
+                    max_wait_seconds=getattr(wait_cfg, 'max_wait_seconds', 1800),
+                )
+            
+            # 主动思考配置 - 支持 proactive 和 proactive_thinking 两种写法
+            pro_cfg = None
+            if hasattr(kfc_cfg, 'proactive_thinking'):
+                pro_cfg = kfc_cfg.proactive_thinking
+            
+            if pro_cfg:
+                config.proactive = ProactiveConfig(
+                    enabled=getattr(pro_cfg, 'enabled', True),
+                    silence_threshold_seconds=getattr(pro_cfg, 'silence_threshold_seconds', 7200),
+                    min_interval_between_proactive=getattr(pro_cfg, 'min_interval_between_proactive', 1800),
+                    quiet_hours_start=getattr(pro_cfg, 'quiet_hours_start', "23:00"),
+                    quiet_hours_end=getattr(pro_cfg, 'quiet_hours_end', "07:00"),
+                    trigger_probability=getattr(pro_cfg, 'trigger_probability', 0.3),
+                    min_affinity_for_proactive=getattr(pro_cfg, 'min_affinity_for_proactive', 0.3),
+                )
+            
+            # 提示词配置
+            if hasattr(kfc_cfg, 'prompt'):
+                pmt_cfg = kfc_cfg.prompt
+                config.prompt = PromptConfig(
+                    max_activity_entries=getattr(pmt_cfg, 'max_activity_entries', 30),
+                    max_entry_length=getattr(pmt_cfg, 'max_entry_length', 500),
+                    include_relation=getattr(pmt_cfg, 'include_relation', True),
+                    include_memory=getattr(pmt_cfg, 'include_memory', True),
+                )
+            
+            # 会话配置
+            if hasattr(kfc_cfg, 'session'):
+                sess_cfg = kfc_cfg.session
+                config.session = SessionConfig(
+                    session_dir=getattr(sess_cfg, 'session_dir', "kokoro_flow_chatter/sessions"),
+                    session_expire_seconds=getattr(sess_cfg, 'session_expire_seconds', 86400 * 7),
+                    max_mental_log_entries=getattr(sess_cfg, 'max_mental_log_entries', 100),
+                )
+            
+            # LLM 配置
+            if hasattr(kfc_cfg, 'llm'):
+                llm_cfg = kfc_cfg.llm
+                config.llm = LLMConfig(
+                    model_name=getattr(llm_cfg, 'model_name', ""),
+                    temperature=getattr(llm_cfg, 'temperature', 0.8),
+                    max_tokens=getattr(llm_cfg, 'max_tokens', 1024),
+                    timeout=getattr(llm_cfg, 'timeout', 60.0),
+                )
+    
+    except Exception as e:
+        from src.common.logger import get_logger
+        logger = get_logger("kfc_config")
+        logger.warning(f"加载 KFC 配置失败，使用默认值: {e}")
+    
+    return config
+
+
+def reload_config() -> KokoroFlowChatterConfig:
+    """重新加载配置"""
+    global _config
+    _config = load_config()
+    return _config

src/plugins/built_in/kokoro_flow_chatter/context_builder.py

@@ -0,0 +1,350 @@
+"""
+Kokoro Flow Chatter 上下文构建器
+
+为 KFC 提供完整的情境感知能力。
+包含：
+- 关系信息 (relation_info)
+- 记忆块 (memory_block)
+- 表达习惯 (expression_habits)
+- 日程信息 (schedule)
+- 时间信息 (time)
+"""
+
+import asyncio
+import time
+from datetime import datetime, timedelta
+from typing import TYPE_CHECKING, Any, Optional
+
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.person_info.person_info import get_person_info_manager, PersonInfoManager
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+    from src.common.data_models.message_manager_data_model import StreamContext
+
+logger = get_logger("kfc_context_builder")
+
+
+def _get_config():
+    """获取全局配置（带类型断言）"""
+    assert global_config is not None, "global_config 未初始化"
+    return global_config
+
+
+class KFCContextBuilder:
+    """
+    KFC V2 上下文构建器
+    
+    为提示词提供完整的情境感知数据。
+    """
+    
+    def __init__(self, chat_stream: "ChatStream"):
+        self.chat_stream = chat_stream
+        self.chat_id = chat_stream.stream_id
+        self.platform = chat_stream.platform
+        self.is_group_chat = bool(chat_stream.group_info)
+    
+    async def build_all_context(
+        self,
+        sender_name: str,
+        target_message: str,
+        context: Optional["StreamContext"] = None,
+        user_id: Optional[str] = None,
+    ) -> dict[str, str]:
+        """
+        并行构建所有上下文模块
+        
+        Args:
+            sender_name: 发送者名称
+            target_message: 目标消息内容
+            context: 聊天流上下文（可选）
+            user_id: 用户ID（可选，用于精确查找关系信息）
+            
+        Returns:
+            dict: 包含所有上下文块的字典
+        """
+        chat_history = await self._get_chat_history_text(context)
+        
+        tasks = {
+            "relation_info": self._build_relation_info(sender_name, target_message, user_id),
+            "memory_block": self._build_memory_block(chat_history, target_message),
+            "expression_habits": self._build_expression_habits(chat_history, target_message),
+            "schedule": self._build_schedule_block(),
+            "time": self._build_time_block(),
+        }
+        
+        results = {}
+        try:
+            task_results = await asyncio.gather(
+                *[self._wrap_task(name, coro) for name, coro in tasks.items()],
+                return_exceptions=True
+            )
+            
+            for result in task_results:
+                if isinstance(result, tuple):
+                    name, value = result
+                    results[name] = value
+                else:
+                    logger.warning(f"上下文构建任务异常: {result}")
+        except Exception as e:
+            logger.error(f"并行构建上下文失败: {e}")
+        
+        return results
+    
+    async def _wrap_task(self, name: str, coro) -> tuple[str, str]:
+        """包装任务以返回名称和结果"""
+        try:
+            result = await coro
+            return (name, result or "")
+        except Exception as e:
+            logger.error(f"构建 {name} 失败: {e}")
+            return (name, "")
+    
+    async def _get_chat_history_text(
+        self,
+        context: Optional["StreamContext"] = None,
+        limit: int = 20,
+    ) -> str:
+        """获取聊天历史文本"""
+        if context is None:
+            return ""
+        
+        try:
+            from src.chat.utils.chat_message_builder import build_readable_messages
+            
+            messages = context.get_messages(limit=limit, include_unread=True)
+            if not messages:
+                return ""
+            
+            msg_dicts = [msg.flatten() for msg in messages]
+            
+            return await build_readable_messages(
+                msg_dicts,
+                replace_bot_name=True,
+                timestamp_mode="relative",
+                truncate=True,
+            )
+        except Exception as e:
+            logger.error(f"获取聊天历史失败: {e}")
+            return ""
+    
+    async def _build_relation_info(self, sender_name: str, target_message: str, user_id: Optional[str] = None) -> str:
+        """构建关系信息块"""
+        config = _get_config()
+        
+        if sender_name == f"{config.bot.nickname}(你)":
+            return "你将要回复的是你自己发送的消息。"
+        
+        person_info_manager = get_person_info_manager()
+        
+        # 优先使用 user_id + platform 获取 person_id
+        person_id = None
+        if user_id and self.platform:
+            person_id = person_info_manager.get_person_id(self.platform, user_id)
+            logger.debug(f"通过 platform={self.platform}, user_id={user_id} 获取 person_id={person_id}")
+        
+        # 如果没有找到，尝试通过 person_name 查找
+        if not person_id:
+            person_id = await person_info_manager.get_person_id_by_person_name(sender_name)
+        
+        if not person_id:
+            logger.debug(f"未找到用户 {sender_name} 的 person_id")
+            return f"你与{sender_name}还没有建立深厚的关系，这是早期的互动阶段。"
+        
+        try:
+            from src.person_info.relationship_fetcher import relationship_fetcher_manager
+            
+            relationship_fetcher = relationship_fetcher_manager.get_fetcher(self.chat_id)
+            
+            user_relation_info = await relationship_fetcher.build_relation_info(person_id, points_num=5)
+            stream_impression = await relationship_fetcher.build_chat_stream_impression(self.chat_id)
+            
+            parts = []
+            if user_relation_info:
+                parts.append(f"### 你与 {sender_name} 的关系\n{user_relation_info}")
+            if stream_impression:
+                scene_type = "这个群" if self.is_group_chat else "你们的私聊"
+                parts.append(f"### 你对{scene_type}的印象\n{stream_impression}")
+            
+            if parts:
+                return "\n\n".join(parts)
+            else:
+                return f"你与{sender_name}还没有建立深厚的关系，这是早期的互动阶段。"
+                
+        except Exception as e:
+            logger.error(f"获取关系信息失败: {e}")
+            return f"你与{sender_name}是普通朋友关系。"
+    
+    async def _build_memory_block(self, chat_history: str, target_message: str) -> str:
+        """构建记忆块（使用三层记忆系统）"""
+        config = _get_config()
+        
+        if not (config.memory and config.memory.enable):
+            return ""
+        
+        try:
+            from src.memory_graph.manager_singleton import get_unified_memory_manager
+            from src.memory_graph.utils.three_tier_formatter import memory_formatter
+            
+            unified_manager = get_unified_memory_manager()
+            if not unified_manager:
+                logger.debug("[三层记忆] 管理器未初始化")
+                return ""
+            
+            search_result = await unified_manager.search_memories(
+                query_text=target_message,
+                use_judge=True,
+                recent_chat_history=chat_history,
+            )
+            
+            if not search_result:
+                return ""
+            
+            perceptual_blocks = search_result.get("perceptual_blocks", [])
+            short_term_memories = search_result.get("short_term_memories", [])
+            long_term_memories = search_result.get("long_term_memories", [])
+            
+            formatted_memories = await memory_formatter.format_all_tiers(
+                perceptual_blocks=perceptual_blocks,
+                short_term_memories=short_term_memories,
+                long_term_memories=long_term_memories
+            )
+            
+            total_count = len(perceptual_blocks) + len(short_term_memories) + len(long_term_memories)
+            if total_count > 0 and formatted_memories.strip():
+                logger.info(
+                    f"[三层记忆] 检索到 {total_count} 条记忆 "
+                    f"(感知:{len(perceptual_blocks)}, 短期:{len(short_term_memories)}, 长期:{len(long_term_memories)})"
+                )
+                return f"### 🧠 相关记忆\n\n{formatted_memories}"
+            
+            return ""
+            
+        except Exception as e:
+            logger.error(f"[三层记忆] 检索失败: {e}")
+            return ""
+    
+    async def _build_expression_habits(self, chat_history: str, target_message: str) -> str:
+        """构建表达习惯块"""
+        config = _get_config()
+        
+        use_expression, _, _ = config.expression.get_expression_config_for_chat(self.chat_id)
+        if not use_expression:
+            return ""
+        
+        try:
+            from src.chat.express.expression_selector import expression_selector
+            
+            style_habits = []
+            grammar_habits = []
+            
+            selected_expressions = await expression_selector.select_suitable_expressions(
+                chat_id=self.chat_id,
+                chat_history=chat_history,
+                target_message=target_message,
+                max_num=8,
+                min_num=2
+            )
+            
+            if selected_expressions:
+                for expr in selected_expressions:
+                    if isinstance(expr, dict) and "situation" in expr and "style" in expr:
+                        expr_type = expr.get("type", "style")
+                        habit_str = f"当{expr['situation']}时，使用 {expr['style']}"
+                        if expr_type == "grammar":
+                            grammar_habits.append(habit_str)
+                        else:
+                            style_habits.append(habit_str)
+            
+            parts = []
+            if style_habits:
+                parts.append("**语言风格习惯**：\n" + "\n".join(f"- {h}" for h in style_habits))
+            if grammar_habits:
+                parts.append("**句法习惯**：\n" + "\n".join(f"- {h}" for h in grammar_habits))
+            
+            if parts:
+                return "### 💬 你的表达习惯\n\n" + "\n\n".join(parts)
+            
+            return ""
+            
+        except Exception as e:
+            logger.error(f"构建表达习惯失败: {e}")
+            return ""
+    
+    async def _build_schedule_block(self) -> str:
+        """构建日程信息块"""
+        config = _get_config()
+        
+        if not config.planning_system.schedule_enable:
+            return ""
+        
+        try:
+            from src.schedule.schedule_manager import schedule_manager
+            
+            activity_info = schedule_manager.get_current_activity()
+            if not activity_info:
+                return ""
+            
+            activity = activity_info.get("activity")
+            time_range = activity_info.get("time_range")
+            now = datetime.now()
+            
+            if time_range:
+                try:
+                    start_str, end_str = time_range.split("-")
+                    start_time = datetime.strptime(start_str.strip(), "%H:%M").replace(
+                        year=now.year, month=now.month, day=now.day
+                    )
+                    end_time = datetime.strptime(end_str.strip(), "%H:%M").replace(
+                        year=now.year, month=now.month, day=now.day
+                    )
+                    
+                    if end_time < start_time:
+                        end_time += timedelta(days=1)
+                    if now < start_time:
+                        now += timedelta(days=1)
+                    
+                    duration_minutes = (now - start_time).total_seconds() / 60
+                    remaining_minutes = (end_time - now).total_seconds() / 60
+                    
+                    return (
+                        f"你当前正在「{activity}」，"
+                        f"从{start_time.strftime('%H:%M')}开始，预计{end_time.strftime('%H:%M')}结束，"
+                        f"已进行{duration_minutes:.0f}分钟，还剩约{remaining_minutes:.0f}分钟。"
+                    )
+                except (ValueError, AttributeError):
+                    pass
+            
+            return f"你当前正在「{activity}」"
+            
+        except Exception as e:
+            logger.error(f"构建日程块失败: {e}")
+            return ""
+    
+    async def _build_time_block(self) -> str:
+        """构建时间信息块"""
+        now = datetime.now()
+        weekdays = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
+        weekday = weekdays[now.weekday()]
+        return f"{now.strftime('%Y年%m月%d日')} {weekday} {now.strftime('%H:%M:%S')}"
+
+
+async def build_kfc_context(
+    chat_stream: "ChatStream",
+    sender_name: str,
+    target_message: str,
+    context: Optional["StreamContext"] = None,
+    user_id: Optional[str] = None,
+) -> dict[str, str]:
+    """
+    便捷函数：构建KFC所需的所有上下文
+    """
+    builder = KFCContextBuilder(chat_stream)
+    return await builder.build_all_context(sender_name, target_message, context, user_id)
+
+
+__all__ = [
+    "KFCContextBuilder",
+    "build_kfc_context",
+]

src/plugins/built_in/kokoro_flow_chatter/models.py

@@ -0,0 +1,320 @@
+"""
+Kokoro Flow Chatter - 数据模型
+
+定义核心数据结构：
+- EventType: 活动流事件类型
+- SessionStatus: 会话状态（仅 IDLE 和 WAITING）
+- MentalLogEntry: 心理活动日志条目
+- WaitingConfig: 等待配置
+- ActionModel: 动作模型
+- LLMResponse: LLM 响应结构
+"""
+
+from dataclasses import dataclass, field
+from enum import Enum
+from typing import Any
+import time
+
+
+class EventType(Enum):
+    """
+    活动流事件类型
+    
+    用于标记 mental_log 中不同类型的事件，
+    每种类型对应一个提示词小模板
+    """
+    # 用户相关
+    USER_MESSAGE = "user_message"              # 用户发送消息
+    
+    # Bot 行动相关
+    BOT_PLANNING = "bot_planning"              # Bot 规划（thought + actions）
+    
+    # 等待相关
+    WAITING_START = "waiting_start"            # 开始等待
+    WAITING_UPDATE = "waiting_update"          # 等待期间心理变化
+    REPLY_RECEIVED_IN_TIME = "reply_in_time"   # 在预期内收到回复
+    REPLY_RECEIVED_LATE = "reply_late"         # 超出预期收到回复
+    WAIT_TIMEOUT = "wait_timeout"              # 等待超时
+    
+    # 主动思考相关
+    PROACTIVE_TRIGGER = "proactive_trigger"    # 主动思考触发（长期沉默）
+    
+    def __str__(self) -> str:
+        return self.value
+
+
+class SessionStatus(Enum):
+    """
+    会话状态
+    
+    极简设计，只有两种稳定状态：
+    - IDLE: 空闲，没有期待回复
+    - WAITING: 等待对方回复中
+    """
+    IDLE = "idle"
+    WAITING = "waiting"
+    
+    def __str__(self) -> str:
+        return self.value
+
+
+@dataclass
+class WaitingConfig:
+    """
+    等待配置
+    
+    当 Bot 发送消息后设置的等待参数
+    """
+    expected_reaction: str = ""      # 期望对方如何回应
+    max_wait_seconds: int = 0        # 最长等待时间（秒），0 表示不等待
+    started_at: float = 0.0          # 开始等待的时间戳
+    last_thinking_at: float = 0.0    # 上次连续思考的时间戳
+    thinking_count: int = 0          # 连续思考次数
+    
+    def is_active(self) -> bool:
+        """是否正在等待"""
+        return self.max_wait_seconds > 0 and self.started_at > 0
+    
+    def get_elapsed_seconds(self) -> float:
+        """获取已等待时间（秒）"""
+        if not self.is_active():
+            return 0.0
+        return time.time() - self.started_at
+    
+    def get_elapsed_minutes(self) -> float:
+        """获取已等待时间（分钟）"""
+        return self.get_elapsed_seconds() / 60
+    
+    def is_timeout(self) -> bool:
+        """是否已超时"""
+        if not self.is_active():
+            return False
+        return self.get_elapsed_seconds() >= self.max_wait_seconds
+    
+    def get_progress(self) -> float:
+        """获取等待进度 (0.0 - 1.0)"""
+        if not self.is_active() or self.max_wait_seconds <= 0:
+            return 0.0
+        return min(self.get_elapsed_seconds() / self.max_wait_seconds, 1.0)
+    
+    def to_dict(self) -> dict[str, Any]:
+        return {
+            "expected_reaction": self.expected_reaction,
+            "max_wait_seconds": self.max_wait_seconds,
+            "started_at": self.started_at,
+            "last_thinking_at": self.last_thinking_at,
+            "thinking_count": self.thinking_count,
+        }
+    
+    @classmethod
+    def from_dict(cls, data: dict[str, Any]) -> "WaitingConfig":
+        return cls(
+            expected_reaction=data.get("expected_reaction", ""),
+            max_wait_seconds=data.get("max_wait_seconds", 0),
+            started_at=data.get("started_at", 0.0),
+            last_thinking_at=data.get("last_thinking_at", 0.0),
+            thinking_count=data.get("thinking_count", 0),
+        )
+    
+    def reset(self) -> None:
+        """重置等待配置"""
+        self.expected_reaction = ""
+        self.max_wait_seconds = 0
+        self.started_at = 0.0
+        self.last_thinking_at = 0.0
+        self.thinking_count = 0
+
+
+@dataclass
+class MentalLogEntry:
+    """
+    心理活动日志条目
+    
+    记录活动流中的每一个事件节点，
+    用于构建线性叙事风格的提示词
+    """
+    event_type: EventType
+    timestamp: float
+    
+    # 通用字段
+    content: str = ""              # 事件内容（消息文本、动作描述等）
+    
+    # 用户消息相关
+    user_name: str = ""            # 发送者名称
+    user_id: str = ""              # 发送者 ID
+    
+    # Bot 规划相关
+    thought: str = ""              # 内心想法
+    actions: list[dict] = field(default_factory=list)  # 执行的动作列表
+    expected_reaction: str = ""    # 期望的回应
+    max_wait_seconds: int = 0      # 设定的等待时间
+    
+    # 等待相关
+    elapsed_seconds: float = 0.0   # 已等待时间
+    waiting_thought: str = ""      # 等待期间的想法
+    mood: str = ""                 # 当前心情
+    
+    # 元数据
+    metadata: dict[str, Any] = field(default_factory=dict)
+    
+    def to_dict(self) -> dict[str, Any]:
+        return {
+            "event_type": str(self.event_type),
+            "timestamp": self.timestamp,
+            "content": self.content,
+            "user_name": self.user_name,
+            "user_id": self.user_id,
+            "thought": self.thought,
+            "actions": self.actions,
+            "expected_reaction": self.expected_reaction,
+            "max_wait_seconds": self.max_wait_seconds,
+            "elapsed_seconds": self.elapsed_seconds,
+            "waiting_thought": self.waiting_thought,
+            "mood": self.mood,
+            "metadata": self.metadata,
+        }
+    
+    @classmethod
+    def from_dict(cls, data: dict[str, Any]) -> "MentalLogEntry":
+        event_type_str = data.get("event_type", "user_message")
+        try:
+            event_type = EventType(event_type_str)
+        except ValueError:
+            event_type = EventType.USER_MESSAGE
+        
+        return cls(
+            event_type=event_type,
+            timestamp=data.get("timestamp", time.time()),
+            content=data.get("content", ""),
+            user_name=data.get("user_name", ""),
+            user_id=data.get("user_id", ""),
+            thought=data.get("thought", ""),
+            actions=data.get("actions", []),
+            expected_reaction=data.get("expected_reaction", ""),
+            max_wait_seconds=data.get("max_wait_seconds", 0),
+            elapsed_seconds=data.get("elapsed_seconds", 0.0),
+            waiting_thought=data.get("waiting_thought", ""),
+            mood=data.get("mood", ""),
+            metadata=data.get("metadata", {}),
+        )
+    
+    def get_time_str(self, format: str = "%H:%M") -> str:
+        """获取格式化的时间字符串"""
+        return time.strftime(format, time.localtime(self.timestamp))
+
+
+@dataclass
+class ActionModel:
+    """
+    动作模型
+    
+    表示 LLM 决策的单个动作
+    """
+    type: str                                  # 动作类型
+    params: dict[str, Any] = field(default_factory=dict)  # 动作参数
+    reason: str = ""                           # 选择该动作的理由
+    
+    def to_dict(self) -> dict[str, Any]:
+        result = {"type": self.type}
+        if self.reason:
+            result["reason"] = self.reason
+        result.update(self.params)
+        return result
+    
+    @classmethod
+    def from_dict(cls, data: dict[str, Any]) -> "ActionModel":
+        action_type = data.get("type", "do_nothing")
+        reason = data.get("reason", "")
+        params = {k: v for k, v in data.items() if k not in ("type", "reason")}
+        return cls(type=action_type, params=params, reason=reason)
+    
+    def get_description(self) -> str:
+        """获取动作的文字描述"""
+        if self.type == "kfc_reply":
+            content = self.params.get("content", "")
+            return f'发送消息："{content[:50]}{"..." if len(content) > 50 else ""}"'
+        elif self.type == "poke_user":
+            return "戳了戳对方"
+        elif self.type == "do_nothing":
+            return "什么都没做"
+        elif self.type == "send_emoji":
+            emoji = self.params.get("emoji", "")
+            return f"发送表情：{emoji}"
+        else:
+            return f"执行动作：{self.type}"
+
+
+@dataclass
+class LLMResponse:
+    """
+    LLM 响应结构
+    
+    定义 LLM 输出的 JSON 格式
+    """
+    thought: str                              # 内心想法
+    actions: list[ActionModel]                # 动作列表
+    expected_reaction: str = ""               # 期望对方的回应
+    max_wait_seconds: int = 0                 # 最长等待时间（0 = 不等待）
+    
+    # 可选字段
+    mood: str = ""                            # 当前心情
+    
+    def to_dict(self) -> dict[str, Any]:
+        return {
+            "thought": self.thought,
+            "actions": [a.to_dict() for a in self.actions],
+            "expected_reaction": self.expected_reaction,
+            "max_wait_seconds": self.max_wait_seconds,
+            "mood": self.mood,
+        }
+    
+    @classmethod
+    def from_dict(cls, data: dict[str, Any]) -> "LLMResponse":
+        actions_data = data.get("actions", [])
+        actions = [ActionModel.from_dict(a) for a in actions_data] if actions_data else []
+        
+        # 如果没有动作，添加默认的 do_nothing
+        if not actions:
+            actions = [ActionModel(type="do_nothing")]
+        
+        # 处理 max_wait_seconds，确保在合理范围内
+        max_wait = data.get("max_wait_seconds", 0)
+        try:
+            max_wait = int(max_wait)
+            max_wait = max(0, min(max_wait, 1800))  # 0-30分钟
+        except (ValueError, TypeError):
+            max_wait = 0
+        
+        return cls(
+            thought=data.get("thought", ""),
+            actions=actions,
+            expected_reaction=data.get("expected_reaction", ""),
+            max_wait_seconds=max_wait,
+            mood=data.get("mood", ""),
+        )
+    
+    @classmethod
+    def create_error_response(cls, error_message: str) -> "LLMResponse":
+        """创建错误响应"""
+        return cls(
+            thought=f"出现了问题：{error_message}",
+            actions=[ActionModel(type="do_nothing")],
+            expected_reaction="",
+            max_wait_seconds=0,
+        )
+    
+    def has_reply(self) -> bool:
+        """是否包含回复动作"""
+        return any(a.type in ("kfc_reply", "respond") for a in self.actions)
+    
+    def get_reply_content(self) -> str:
+        """获取回复内容"""
+        for action in self.actions:
+            if action.type in ("kfc_reply", "respond"):
+                return action.params.get("content", "")
+        return ""
+    
+    def get_actions_description(self) -> str:
+        """获取所有动作的文字描述"""
+        descriptions = [a.get_description() for a in self.actions]
+        return " + ".join(descriptions)

src/plugins/built_in/kokoro_flow_chatter/planner.py

@@ -0,0 +1,113 @@
+"""
+Kokoro Flow Chatter - Planner
+
+规划器：负责分析情境并生成行动计划
+- 输入：会话状态、用户消息、情境类型
+- 输出：LLMResponse（包含 thought、actions、expected_reaction、max_wait_seconds）
+- 不负责生成具体回复文本，只决定"要做什么"
+"""
+
+from typing import TYPE_CHECKING, Optional
+
+from src.common.logger import get_logger
+from src.plugin_system.apis import llm_api
+from src.utils.json_parser import extract_and_parse_json
+
+from .models import LLMResponse
+from .prompt.builder import get_prompt_builder
+from .session import KokoroSession
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+
+logger = get_logger("kfc_planner")
+
+
+async def generate_plan(
+    session: KokoroSession,
+    user_name: str,
+    situation_type: str = "new_message",
+    chat_stream: Optional["ChatStream"] = None,
+    available_actions: Optional[dict] = None,
+    extra_context: Optional[dict] = None,
+) -> LLMResponse:
+    """
+    生成行动计划
+    
+    Args:
+        session: 会话对象
+        user_name: 用户名称
+        situation_type: 情况类型
+        chat_stream: 聊天流对象
+        available_actions: 可用动作字典
+        extra_context: 额外上下文
+        
+    Returns:
+        LLMResponse 对象，包含计划信息
+    """
+    try:
+        # 1. 构建规划器提示词
+        prompt_builder = get_prompt_builder()
+        prompt = await prompt_builder.build_planner_prompt(
+            session=session,
+            user_name=user_name,
+            situation_type=situation_type,
+            chat_stream=chat_stream,
+            available_actions=available_actions,
+            extra_context=extra_context,
+        )
+        
+        from src.config.config import global_config
+        if global_config and global_config.debug.show_prompt:
+            logger.info(f"[KFC Planner] 生成的规划提示词:\n{prompt}")
+        
+        # 2. 获取 planner 模型配置并调用 LLM
+        models = llm_api.get_available_models()
+        planner_config = models.get("planner")
+        
+        if not planner_config:
+            logger.error("[KFC Planner] 未找到 planner 模型配置")
+            return LLMResponse.create_error_response("未找到 planner 模型配置")
+        
+        success, raw_response, reasoning, model_name = await llm_api.generate_with_model(
+            prompt=prompt,
+            model_config=planner_config,
+            request_type="kokoro_flow_chatter.plan",
+        )
+        
+        if not success:
+            logger.error(f"[KFC Planner] LLM 调用失败: {raw_response}")
+            return LLMResponse.create_error_response(raw_response)
+        
+        logger.debug(f"[KFC Planner] LLM 响应 (model={model_name}):\n{raw_response}")
+        
+        # 3. 解析响应
+        return _parse_response(raw_response)
+        
+    except Exception as e:
+        logger.error(f"[KFC Planner] 生成失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return LLMResponse.create_error_response(str(e))
+
+
+def _parse_response(raw_response: str) -> LLMResponse:
+    """解析 LLM 响应"""
+    data = extract_and_parse_json(raw_response, strict=False)
+    
+    if not data or not isinstance(data, dict):
+        logger.warning(f"[KFC Planner] 无法解析 JSON: {raw_response[:200]}...")
+        return LLMResponse.create_error_response("无法解析响应格式")
+    
+    response = LLMResponse.from_dict(data)
+    
+    if response.thought:
+        # 使用 logger 输出美化日志（颜色通过 logger 系统配置）
+        logger.info(f"💭 {response.thought}")
+        
+        actions_str = ", ".join(a.type for a in response.actions)
+        logger.debug(f"actions={actions_str}")
+    else:
+        logger.warning("响应缺少 thought")
+    
+    return response

src/plugins/built_in/kokoro_flow_chatter/plugin.py

@@ -0,0 +1,117 @@
+"""
+Kokoro Flow Chatter - 插件注册
+
+注册 Chatter
+"""
+
+from typing import Any, ClassVar
+
+from src.common.logger import get_logger
+from src.plugin_system.base.base_plugin import BasePlugin
+from src.plugin_system.base.component_types import ChatterInfo
+from src.plugin_system import register_plugin
+
+from .chatter import KokoroFlowChatter
+from .config import get_config
+from .proactive_thinker import start_proactive_thinker, stop_proactive_thinker
+
+logger = get_logger("kfc_plugin")
+
+
+@register_plugin
+class KokoroFlowChatterPlugin(BasePlugin):
+    """
+    Kokoro Flow Chatter 插件
+
+    专为私聊设计的增强 Chatter：
+    - 线性叙事提示词架构
+    - 等待机制与心理状态演变
+    - 主动思考能力
+    """
+
+    plugin_name: str = "kokoro_flow_chatter"
+    enable_plugin: bool = True
+    plugin_priority: int = 50  # 高于默认 Chatter
+    dependencies: ClassVar[list[str]] = []
+    python_dependencies: ClassVar[list[str]] = []
+    config_file_name: str = "config.toml"
+    
+    # 状态
+    _is_started: bool = False
+    
+    async def on_plugin_loaded(self):
+        """插件加载时"""
+        config = get_config()
+        
+        if not config.enabled:
+            logger.info("[KFC] 插件已禁用")
+            return
+
+        logger.info("[KFC] 插件已加载")
+        
+        # 启动主动思考器
+        if config.proactive.enabled:
+            try:
+                await start_proactive_thinker()
+                logger.info("[KFC] 主动思考器已启动")
+                self._is_started = True
+            except Exception as e:
+                logger.error(f"[KFC] 启动主动思考器失败: {e}")
+    
+    async def on_plugin_unloaded(self):
+        """插件卸载时"""
+        try:
+            await stop_proactive_thinker()
+            logger.info("[KFC] 主动思考器已停止")
+            self._is_started = False
+        except Exception as e:
+            logger.warning(f"[KFC] 停止主动思考器失败: {e}")
+    
+    def get_plugin_components(self):
+        """返回组件列表"""
+        config = get_config()
+        
+        if not config.enabled:
+            return []
+        
+        components = []
+        
+        try:
+            # 注册 Chatter
+            components.append((
+                KokoroFlowChatter.get_chatter_info(),
+                KokoroFlowChatter,
+            ))
+            logger.debug("[KFC] 成功加载 KokoroFlowChatter 组件")
+        except Exception as e:
+            logger.error(f"[KFC] 加载 Chatter 组件失败: {e}")
+
+        try:
+            # 注册 KFC 专属 Reply 动作
+            from .actions.reply import KFCReplyAction
+
+            components.append((
+                KFCReplyAction.get_action_info(),
+                KFCReplyAction,
+            ))
+            logger.debug("[KFC] 成功加载 KFCReplyAction 组件")
+        except Exception as e:
+            logger.error(f"[KFC] 加载 Reply 动作失败: {e}")
+        
+        return components
+    
+    def get_plugin_info(self) -> dict[str, Any]:
+        """获取插件信息"""
+        return {
+            "name": self.plugin_name,
+            "display_name": "Kokoro Flow Chatter",
+            "version": "2.0.0",
+            "author": "MoFox",
+            "description": "专为私聊设计的增强 Chatter",
+            "features": [
+                "线性叙事提示词架构",
+                "心理活动流记录",
+                "等待机制与超时处理",
+                "主动思考能力",
+            ],
+        }

src/plugins/built_in/kokoro_flow_chatter/proactive_thinker.py

@@ -0,0 +1,788 @@
+"""
+Kokoro Flow Chatter - 主动思考器
+
+独立组件，负责：
+1. 等待期间的连续思考（更新心理状态）
+2. 等待超时决策（继续等 or 做点什么）
+3. 长期沉默后主动发起对话
+
+通过 UnifiedScheduler 定期触发，与 Chatter 解耦
+
+支持两种工作模式（与 Chatter 保持一致）：
+- unified: 单次 LLM 调用完成思考和回复
+- split: Planner + Replyer 两次 LLM 调用
+"""
+
+import asyncio
+import random
+import time
+from datetime import datetime
+from typing import TYPE_CHECKING, Any, Callable, Coroutine, Optional
+
+from src.chat.planner_actions.action_manager import ChatterActionManager
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.plugin_system.apis.unified_scheduler import TriggerType, unified_scheduler
+
+from .config import KFCMode, get_config
+from .models import EventType, SessionStatus
+from .session import KokoroSession, get_session_manager
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+
+logger = get_logger("kfc_proactive_thinker")
+
+
+class ProactiveThinker:
+    """
+    主动思考器
+    
+    独立于 Chatter，负责处理：
+    1. 等待期间的连续思考
+    2. 等待超时
+    3. 长期沉默后主动发起
+    
+    核心逻辑：
+    - 定期检查所有 WAITING 状态的 Session
+    - 触发连续思考或超时决策
+    - 定期检查长期沉默的 Session，考虑主动发起
+    
+    支持两种工作模式（与 Chatter 保持一致）：
+    - unified: 单次 LLM 调用
+    - split: Planner + Replyer 两次调用
+    """
+    
+    # 连续思考触发点（等待进度百分比）
+    THINKING_TRIGGERS = [0.3, 0.6, 0.85]
+    
+    # 任务名称
+    TASK_WAITING_CHECK = "kfc_waiting_check"
+    TASK_PROACTIVE_CHECK = "kfc_proactive_check"
+    
+    def __init__(self):
+        self.session_manager = get_session_manager()
+        
+        # 配置
+        self._load_config()
+        
+        # 调度任务 ID
+        self._waiting_schedule_id: Optional[str] = None
+        self._proactive_schedule_id: Optional[str] = None
+        self._running = False
+        
+        # 统计
+        self._stats = {
+            "waiting_checks": 0,
+            "continuous_thinking_triggered": 0,
+            "timeout_decisions": 0,
+            "proactive_triggered": 0,
+        }
+    
+    def _load_config(self) -> None:
+        """加载配置 - 使用统一的配置系统"""
+        config = get_config()
+        proactive_cfg = config.proactive
+        
+        # 工作模式
+        self._mode = config.mode
+        
+        # 等待检查间隔（秒）
+        self.waiting_check_interval = 15.0
+        # 主动思考检查间隔（秒）
+        self.proactive_check_interval = 300.0
+        
+        # 从配置读取主动思考相关设置
+        self.proactive_enabled = proactive_cfg.enabled
+        self.silence_threshold = proactive_cfg.silence_threshold_seconds
+        self.min_proactive_interval = proactive_cfg.min_interval_between_proactive
+        self.quiet_hours_start = proactive_cfg.quiet_hours_start
+        self.quiet_hours_end = proactive_cfg.quiet_hours_end
+        self.trigger_probability = proactive_cfg.trigger_probability
+        self.min_affinity_for_proactive = proactive_cfg.min_affinity_for_proactive
+    
+    async def start(self) -> None:
+        """启动主动思考器"""
+        if self._running:
+            logger.info("已在运行中")
+            return
+        
+        self._running = True
+        
+        # 注册等待检查任务（始终启用，用于处理等待中的 Session）
+        self._waiting_schedule_id = await unified_scheduler.create_schedule(
+            callback=self._check_waiting_sessions,
+            trigger_type=TriggerType.TIME,
+            trigger_config={"delay_seconds": self.waiting_check_interval},
+            is_recurring=True,
+            task_name=self.TASK_WAITING_CHECK,
+            force_overwrite=True,
+            timeout=60.0,
+        )
+        
+        # 注册主动思考检查任务（仅在启用时注册）
+        if self.proactive_enabled:
+            self._proactive_schedule_id = await unified_scheduler.create_schedule(
+                callback=self._check_proactive_sessions,
+                trigger_type=TriggerType.TIME,
+                trigger_config={"delay_seconds": self.proactive_check_interval},
+                is_recurring=True,
+                task_name=self.TASK_PROACTIVE_CHECK,
+                force_overwrite=True,
+                timeout=120.0,
+            )
+            logger.info("[ProactiveThinker] 已启动（主动思考已启用）")
+        else:
+            logger.info("[ProactiveThinker] 已启动（主动思考已禁用）")
+    
+    async def stop(self) -> None:
+        """停止主动思考器"""
+        if not self._running:
+            return
+        
+        self._running = False
+        
+        if self._waiting_schedule_id:
+            await unified_scheduler.remove_schedule(self._waiting_schedule_id)
+        if self._proactive_schedule_id:
+            await unified_scheduler.remove_schedule(self._proactive_schedule_id)
+        
+        logger.info("[ProactiveThinker] 已停止")
+    
+    # ========================
+    # 等待检查
+    # ========================
+    
+    async def _check_waiting_sessions(self) -> None:
+        """检查所有等待中的 Session"""
+        self._stats["waiting_checks"] += 1
+        
+        sessions = await self.session_manager.get_waiting_sessions()
+        if not sessions:
+            return
+        
+        # 并行处理
+        tasks = [
+            asyncio.create_task(self._process_waiting_session(s))
+            for s in sessions
+        ]
+        await asyncio.gather(*tasks, return_exceptions=True)
+    
+    async def _process_waiting_session(self, session: KokoroSession) -> None:
+        """处理单个等待中的 Session"""
+        try:
+            if session.status != SessionStatus.WAITING:
+                return
+            
+            if not session.waiting_config.is_active():
+                return
+            
+            # 防止与 Chatter 并发处理：如果 Session 刚刚被更新（5秒内），跳过
+            # 这样可以避免 Chatter 正在处理时，ProactiveThinker 也开始处理
+            time_since_last_activity = time.time() - session.last_activity_at
+            if time_since_last_activity < 5:
+                logger.debug(
+                    f"[ProactiveThinker] Session {session.user_id} 刚有活动 "
+                    f"({time_since_last_activity:.1f}s ago)，跳过处理"
+                )
+                return
+            
+            # 检查是否超时
+            if session.waiting_config.is_timeout():
+                await self._handle_timeout(session)
+                return
+            
+            # 检查是否需要触发连续思考
+            progress = session.waiting_config.get_progress()
+            if self._should_trigger_thinking(session, progress):
+                await self._handle_continuous_thinking(session, progress)
+                
+        except Exception as e:
+            logger.error(f"[ProactiveThinker] 处理等待 Session 失败 {session.user_id}: {e}")
+    
+    def _should_trigger_thinking(self, session: KokoroSession, progress: float) -> bool:
+        """判断是否应触发连续思考"""
+        # 计算应该触发的次数
+        expected_count = sum(1 for t in self.THINKING_TRIGGERS if progress >= t)
+        
+        if session.waiting_config.thinking_count >= expected_count:
+            return False
+        
+        # 确保两次思考之间有间隔
+        if session.waiting_config.last_thinking_at > 0:
+            elapsed = time.time() - session.waiting_config.last_thinking_at
+            if elapsed < 30:  # 至少 30 秒间隔
+                return False
+        
+        return True
+    
+    async def _handle_continuous_thinking(
+        self,
+        session: KokoroSession,
+        progress: float,
+    ) -> None:
+        """处理连续思考"""
+        self._stats["continuous_thinking_triggered"] += 1
+        
+        # 获取用户名
+        user_name = await self._get_user_name(session.user_id, session.stream_id)
+        
+        # 调用 LLM 生成等待中的想法
+        thought = await self._generate_waiting_thought(session, user_name, progress)
+        
+        # 记录到 mental_log
+        session.add_waiting_update(
+            waiting_thought=thought,
+            mood="",  # 心情已融入 thought 中
+        )
+        
+        # 更新思考计数
+        session.waiting_config.thinking_count += 1
+        session.waiting_config.last_thinking_at = time.time()
+        
+        # 保存
+        await self.session_manager.save_session(session.user_id)
+        
+        logger.debug(
+            f"[ProactiveThinker] 连续思考: user={session.user_id}, "
+            f"progress={progress:.1%}, thought={thought[:30]}..."
+        )
+    
+    async def _generate_waiting_thought(
+        self,
+        session: KokoroSession,
+        user_name: str,
+        progress: float,
+    ) -> str:
+        """调用 LLM 生成等待中的想法"""
+        try:
+            from src.chat.utils.prompt import global_prompt_manager
+            from src.plugin_system.apis import llm_api
+            
+            from .prompt.builder import get_prompt_builder
+            from .prompt.prompts import PROMPT_NAMES
+            
+            # 使用 PromptBuilder 构建人设块
+            prompt_builder = get_prompt_builder()
+            persona_block = prompt_builder._build_persona_block()
+            
+            # 获取关系信息
+            relation_block = f"你与 {user_name} 还不太熟悉。"
+            try:
+                from src.person_info.relationship_manager import relationship_manager
+                
+                person_info_manager = await self._get_person_info_manager()
+                if person_info_manager:
+                    platform = global_config.bot.platform if global_config else "qq"
+                    person_id = person_info_manager.get_person_id(platform, session.user_id)
+                    relationship = await relationship_manager.get_relationship(person_id)
+                    if relationship:
+                        relation_block = f"你与 {user_name} 的亲密度是 {relationship.intimacy}。{relationship.description or ''}"
+            except Exception as e:
+                logger.debug(f"获取关系信息失败: {e}")
+            
+            # 获取上次发送的消息
+            last_bot_message = "（未知）"
+            for entry in reversed(session.mental_log):
+                if entry.event_type == EventType.BOT_PLANNING and entry.actions:
+                    for action in entry.actions:
+                        if action.get("type") == "kfc_reply":
+                            content = action.get("content", "")
+                            if content:
+                                last_bot_message = content[:100] + ("..." if len(content) > 100 else "")
+                                break
+                    if last_bot_message != "（未知）":
+                        break
+            
+            # 构建提示词
+            elapsed_minutes = session.waiting_config.get_elapsed_minutes()
+            max_wait_minutes = session.waiting_config.max_wait_seconds / 60
+            expected_reaction = session.waiting_config.expected_reaction or "对方能回复点什么"
+            
+            prompt = await global_prompt_manager.format_prompt(
+                PROMPT_NAMES["waiting_thought"],
+                persona_block=persona_block,
+                user_name=user_name,
+                relation_block=relation_block,
+                last_bot_message=last_bot_message,
+                expected_reaction=expected_reaction,
+                elapsed_minutes=elapsed_minutes,
+                max_wait_minutes=max_wait_minutes,
+                progress_percent=int(progress * 100),
+            )
+            
+            # 调用情绪模型
+            models = llm_api.get_available_models()
+            emotion_config = models.get("emotion") or models.get("replyer")
+            
+            if not emotion_config:
+                logger.warning("[ProactiveThinker] 未找到 emotion/replyer 模型配置，使用默认想法")
+                return self._get_fallback_thought(elapsed_minutes, progress)
+            
+            success, raw_response, _, model_name = await llm_api.generate_with_model(
+                prompt=prompt,
+                model_config=emotion_config,
+                request_type="kokoro_flow_chatter.waiting_thought",
+            )
+            
+            if not success or not raw_response:
+                logger.warning(f"[ProactiveThinker] LLM 调用失败: {raw_response}")
+                return self._get_fallback_thought(elapsed_minutes, progress)
+            
+            # 使用统一的文本清理函数
+            from .replyer import _clean_reply_text
+            thought = _clean_reply_text(raw_response)
+            
+            logger.debug(f"[ProactiveThinker] LLM 生成等待想法 (model={model_name}): {thought[:50]}...")
+            return thought
+            
+        except Exception as e:
+            logger.error(f"[ProactiveThinker] 生成等待想法失败: {e}")
+            import traceback
+            traceback.print_exc()
+            return self._get_fallback_thought(
+                session.waiting_config.get_elapsed_minutes(),
+                progress
+            )
+    
+    def _get_fallback_thought(self, elapsed_minutes: float, progress: float) -> str:
+        """获取备用的等待想法（当 LLM 调用失败时使用）"""
+        if progress < 0.4:
+            thoughts = [
+                f"已经等了 {elapsed_minutes:.0f} 分钟了，对方可能在忙吧...",
+                "不知道对方在做什么呢",
+                "再等等看吧",
+            ]
+        elif progress < 0.7:
+            thoughts = [
+                f"等了 {elapsed_minutes:.0f} 分钟了，有点担心...",
+                "对方是不是忘记回复了？",
+                "嗯...还是没有消息",
+            ]
+        else:
+            thoughts = [
+                f"已经等了 {elapsed_minutes:.0f} 分钟了，感觉有点焦虑",
+                "要不要主动说点什么呢...",
+                "快到时间了，对方还是没回",
+            ]
+        return random.choice(thoughts)
+    
+    async def _get_person_info_manager(self):
+        """获取 person_info_manager"""
+        try:
+            from src.person_info.person_info import get_person_info_manager
+            return get_person_info_manager()
+        except Exception:
+            return None
+    
+    async def _handle_timeout(self, session: KokoroSession) -> None:
+        """处理等待超时 - 支持双模式"""
+        self._stats["timeout_decisions"] += 1
+        
+        # 再次检查 Session 状态，防止在等待过程中被 Chatter 处理
+        if session.status != SessionStatus.WAITING:
+            logger.debug(f"[ProactiveThinker] Session {session.user_id} 已不在等待状态，跳过超时处理")
+            return
+        
+        # 再次检查最近活动时间
+        time_since_last_activity = time.time() - session.last_activity_at
+        if time_since_last_activity < 5:
+            logger.debug(
+                f"[ProactiveThinker] Session {session.user_id} 刚有活动，跳过超时处理"
+            )
+            return
+        
+        # 增加连续超时计数
+        session.consecutive_timeout_count += 1
+        
+        logger.info(
+            f"[ProactiveThinker] 等待超时: user={session.user_id}, "
+            f"consecutive_timeout={session.consecutive_timeout_count}"
+        )
+        
+        try:
+            # 获取用户名
+            user_name = await self._get_user_name(session.user_id, session.stream_id)
+            
+            # 获取聊天流
+            chat_stream = await self._get_chat_stream(session.stream_id)
+            
+            # 加载动作
+            action_manager = ChatterActionManager()
+            await action_manager.load_actions(session.stream_id)
+            
+            # 通过 ActionModifier 过滤动作
+            from src.chat.planner_actions.action_modifier import ActionModifier
+            action_modifier = ActionModifier(action_manager, session.stream_id)
+            await action_modifier.modify_actions(chatter_name="KokoroFlowChatter")
+            
+            # 计算用户最后回复距今的时间
+            time_since_user_reply = None
+            if session.last_user_message_at:
+                time_since_user_reply = time.time() - session.last_user_message_at
+            
+            # 构建超时上下文信息
+            extra_context = {
+                "consecutive_timeout_count": session.consecutive_timeout_count,
+                "time_since_user_reply": time_since_user_reply,
+                "time_since_user_reply_str": self._format_duration(time_since_user_reply) if time_since_user_reply else "未知",
+            }
+            
+            # 根据模式选择生成方式
+            if self._mode == KFCMode.UNIFIED:
+                # 统一模式：单次 LLM 调用
+                from .unified import generate_unified_response
+                plan_response = await generate_unified_response(
+                    session=session,
+                    user_name=user_name,
+                    situation_type="timeout",
+                    chat_stream=chat_stream,
+                    available_actions=action_manager.get_using_actions(),
+                )
+            else:
+                # 分离模式：Planner + Replyer
+                from .planner import generate_plan
+                plan_response = await generate_plan(
+                    session=session,
+                    user_name=user_name,
+                    situation_type="timeout",
+                    chat_stream=chat_stream,
+                    available_actions=action_manager.get_using_actions(),
+                    extra_context=extra_context,
+            )
+                
+                # 分离模式下需要注入上下文信息
+                for action in plan_response.actions:
+                    if action.type == "kfc_reply":
+                        action.params["user_id"] = session.user_id
+                        action.params["user_name"] = user_name
+                        action.params["thought"] = plan_response.thought
+                        action.params["situation_type"] = "timeout"
+                    action.params["extra_context"] = extra_context
+            
+            # 执行动作（回复生成在 Action.execute() 中完成）
+            for action in plan_response.actions:
+                await action_manager.execute_action(
+                    action_name=action.type,
+                    chat_id=session.stream_id,
+                    target_message=None,
+                    reasoning=plan_response.thought,
+                    action_data=action.params,
+                    thinking_id=None,
+                    log_prefix="[KFC ProactiveThinker]",
+                )
+            
+            # 记录到 mental_log
+            session.add_bot_planning(
+                thought=plan_response.thought,
+                actions=[a.to_dict() for a in plan_response.actions],
+                expected_reaction=plan_response.expected_reaction,
+                max_wait_seconds=plan_response.max_wait_seconds,
+            )
+            
+            # 更新状态
+            if plan_response.max_wait_seconds > 0:
+                # 继续等待
+                session.start_waiting(
+                    expected_reaction=plan_response.expected_reaction,
+                    max_wait_seconds=plan_response.max_wait_seconds,
+                )
+            else:
+                # 不再等待
+                session.end_waiting()
+            
+            # 保存
+            await self.session_manager.save_session(session.user_id)
+            
+            logger.info(
+                f"[ProactiveThinker] 超时决策完成: user={session.user_id}, "
+                f"actions={[a.type for a in plan_response.actions]}, "
+                f"continue_wait={plan_response.max_wait_seconds > 0}, "
+                f"consecutive_timeout={session.consecutive_timeout_count}"
+            )
+            
+        except Exception as e:
+            logger.error(f"[ProactiveThinker] 处理超时失败: {e}")
+            # 出错时结束等待
+            session.end_waiting()
+            await self.session_manager.save_session(session.user_id)
+    
+    # ========================
+    # 主动思考（长期沉默）
+    # ========================
+    
+    async def _check_proactive_sessions(self) -> None:
+        """检查是否有需要主动发起对话的 Session"""
+        # 检查是否在勿扰时段
+        if self._is_quiet_hours():
+            return
+        
+        sessions = await self.session_manager.get_all_sessions()
+        current_time = time.time()
+        
+        for session in sessions:
+            try:
+                trigger_reason = self._should_trigger_proactive(session, current_time)
+                if trigger_reason:
+                    await self._handle_proactive(session, trigger_reason)
+            except Exception as e:
+                logger.error(f"[ProactiveThinker] 检查主动思考失败 {session.user_id}: {e}")
+    
+    def _is_quiet_hours(self) -> bool:
+        """检查是否在勿扰时段"""
+        try:
+            now = datetime.now()
+            current_minutes = now.hour * 60 + now.minute
+            
+            start_parts = self.quiet_hours_start.split(":")
+            start_minutes = int(start_parts[0]) * 60 + int(start_parts[1])
+            
+            end_parts = self.quiet_hours_end.split(":")
+            end_minutes = int(end_parts[0]) * 60 + int(end_parts[1])
+            
+            if start_minutes <= end_minutes:
+                return start_minutes <= current_minutes < end_minutes
+            else:
+                return current_minutes >= start_minutes or current_minutes < end_minutes
+        except:
+            return False
+    
+    def _should_trigger_proactive(
+        self,
+        session: KokoroSession,
+        current_time: float,
+    ) -> Optional[str]:
+        """判断是否应触发主动思考"""
+        # 只检查 IDLE 状态的 Session
+        if session.status != SessionStatus.IDLE:
+            return None
+        
+        # 检查沉默时长
+        silence_duration = current_time - session.last_activity_at
+        if silence_duration < self.silence_threshold:
+            return None
+        
+        # 检查距离上次主动思考的间隔
+        if session.last_proactive_at:
+            time_since_last = current_time - session.last_proactive_at
+            if time_since_last < self.min_proactive_interval:
+                return None
+        
+        # 概率触发（避免每次检查都触发）
+        if random.random() > self.trigger_probability:
+            return None
+        
+        silence_hours = silence_duration / 3600
+        return f"沉默了 {silence_hours:.1f} 小时"
+    
+    async def _handle_proactive(
+        self,
+        session: KokoroSession,
+        trigger_reason: str,
+    ) -> None:
+        """处理主动思考 - 支持双模式"""
+        self._stats["proactive_triggered"] += 1
+        
+        # 再次检查最近活动时间，防止与 Chatter 并发
+        time_since_last_activity = time.time() - session.last_activity_at
+        if time_since_last_activity < 5:
+            logger.debug(
+                f"[ProactiveThinker] Session {session.user_id} 刚有活动，跳过主动思考"
+            )
+            return
+        
+        logger.info(f"主动思考触发: user={session.user_id}, reason={trigger_reason}")
+        
+        try:
+            # 获取用户名
+            user_name = await self._get_user_name(session.user_id, session.stream_id)
+            
+            # 获取聊天流
+            chat_stream = await self._get_chat_stream(session.stream_id)
+            
+            # 加载动作
+            action_manager = ChatterActionManager()
+            await action_manager.load_actions(session.stream_id)
+            
+            # 通过 ActionModifier 过滤动作
+            from src.chat.planner_actions.action_modifier import ActionModifier
+            action_modifier = ActionModifier(action_manager, session.stream_id)
+            await action_modifier.modify_actions(chatter_name="KokoroFlowChatter")
+            
+            # 计算沉默时长
+            silence_seconds = time.time() - session.last_activity_at
+            if silence_seconds < 3600:
+                silence_duration = f"{silence_seconds / 60:.0f} 分钟"
+            else:
+                silence_duration = f"{silence_seconds / 3600:.1f} 小时"
+            
+            extra_context = {
+                "trigger_reason": trigger_reason,
+                "silence_duration": silence_duration,
+            }
+            
+            # 根据模式选择生成方式
+            if self._mode == KFCMode.UNIFIED:
+                # 统一模式：单次 LLM 调用
+                from .unified import generate_unified_response
+                plan_response = await generate_unified_response(
+                    session=session,
+                    user_name=user_name,
+                    situation_type="proactive",
+                    chat_stream=chat_stream,
+                    available_actions=action_manager.get_using_actions(),
+                    extra_context=extra_context,
+                )
+            else:
+                # 分离模式：Planner + Replyer
+                from .planner import generate_plan
+                plan_response = await generate_plan(
+                    session=session,
+                    user_name=user_name,
+                    situation_type="proactive",
+                    chat_stream=chat_stream,
+                    available_actions=action_manager.get_using_actions(),
+                    extra_context=extra_context,
+                )
+            
+            # 检查是否决定不打扰
+            is_do_nothing = (
+                len(plan_response.actions) == 0 or
+                (len(plan_response.actions) == 1 and plan_response.actions[0].type == "do_nothing")
+            )
+            
+            if is_do_nothing:
+                logger.info(f"决定不打扰: user={session.user_id}")
+                session.last_proactive_at = time.time()
+                await self.session_manager.save_session(session.user_id)
+                return
+            
+            # 分离模式下需要注入上下文信息
+            if self._mode == KFCMode.SPLIT:
+                for action in plan_response.actions:
+                    if action.type == "kfc_reply":
+                        action.params["user_id"] = session.user_id
+                        action.params["user_name"] = user_name
+                        action.params["thought"] = plan_response.thought
+                        action.params["situation_type"] = "proactive"
+                        action.params["extra_context"] = extra_context
+            
+            # 执行动作（回复生成在 Action.execute() 中完成）
+            for action in plan_response.actions:
+                await action_manager.execute_action(
+                    action_name=action.type,
+                    chat_id=session.stream_id,
+                    target_message=None,
+                    reasoning=plan_response.thought,
+                    action_data=action.params,
+                    thinking_id=None,
+                    log_prefix="[KFC ProactiveThinker]",
+                )
+            
+            # 记录到 mental_log
+            session.add_bot_planning(
+                thought=plan_response.thought,
+                actions=[a.to_dict() for a in plan_response.actions],
+                expected_reaction=plan_response.expected_reaction,
+                max_wait_seconds=plan_response.max_wait_seconds,
+            )
+            
+            # 更新状态
+            session.last_proactive_at = time.time()
+            if plan_response.max_wait_seconds > 0:
+                session.start_waiting(
+                    expected_reaction=plan_response.expected_reaction,
+                    max_wait_seconds=plan_response.max_wait_seconds,
+                )
+            
+            # 保存
+            await self.session_manager.save_session(session.user_id)
+            
+            logger.info(
+                f"[ProactiveThinker] 主动发起完成: user={session.user_id}, "
+                f"actions={[a.type for a in plan_response.actions]}"
+            )
+            
+        except Exception as e:
+            logger.error(f"[ProactiveThinker] 主动思考失败: {e}")
+    
+    async def _get_chat_stream(self, stream_id: str):
+        """获取聊天流"""
+        try:
+            from src.chat.message_receive.chat_stream import get_chat_manager
+            
+            chat_manager = get_chat_manager()
+            if chat_manager:
+                return await chat_manager.get_stream(stream_id)
+        except Exception as e:
+            logger.warning(f"[ProactiveThinker] 获取 chat_stream 失败: {e}")
+        return None
+    
+    async def _get_user_name(self, user_id: str, stream_id: str) -> str:
+        """获取用户名称（优先从 person_info 获取）"""
+        try:
+            from src.person_info.person_info import get_person_info_manager
+            
+            person_info_manager = get_person_info_manager()
+            platform = global_config.bot.platform if global_config else "qq"
+            
+            person_id = person_info_manager.get_person_id(platform, user_id)
+            person_name = await person_info_manager.get_value(person_id, "person_name")
+            
+            if person_name:
+                return person_name
+        except Exception as e:
+            logger.debug(f"[ProactiveThinker] 获取用户名失败: {e}")
+        
+        # 回退到 user_id
+        return user_id
+    
+    def _format_duration(self, seconds: float | None) -> str:
+        """格式化时间间隔为人类可读的字符串"""
+        if seconds is None or seconds < 0:
+            return "未知"
+        
+        if seconds < 60:
+            return f"{int(seconds)} 秒"
+        elif seconds < 3600:
+            minutes = seconds / 60
+            return f"{minutes:.0f} 分钟"
+        elif seconds < 86400:
+            hours = seconds / 3600
+            return f"{hours:.1f} 小时"
+        else:
+            days = seconds / 86400
+            return f"{days:.1f} 天"
+    
+    def get_stats(self) -> dict:
+        """获取统计信息"""
+        return {
+            **self._stats,
+            "is_running": self._running,
+        }
+
+
+# 全局单例
+_proactive_thinker: Optional[ProactiveThinker] = None
+
+
+def get_proactive_thinker() -> ProactiveThinker:
+    """获取全局主动思考器"""
+    global _proactive_thinker
+    if _proactive_thinker is None:
+        _proactive_thinker = ProactiveThinker()
+    return _proactive_thinker
+
+
+async def start_proactive_thinker() -> ProactiveThinker:
+    """启动主动思考器"""
+    thinker = get_proactive_thinker()
+    await thinker.start()
+    return thinker
+
+
+async def stop_proactive_thinker() -> None:
+    """停止主动思考器"""
+    global _proactive_thinker
+    if _proactive_thinker:
+        await _proactive_thinker.stop()

src/plugins/built_in/kokoro_flow_chatter/prompt/__init__.py

@@ -0,0 +1,16 @@
+"""
+Kokoro Flow Chatter V2 - 提示词模块
+
+使用项目统一的 Prompt 管理系统管理所有提示词模板
+"""
+
+# 导入 prompts 模块以注册提示词
+from . import prompts  # noqa: F401
+from .builder import PromptBuilder, get_prompt_builder
+from .prompts import PROMPT_NAMES
+
+__all__ = [
+    "PromptBuilder",
+    "get_prompt_builder",
+    "PROMPT_NAMES",
+]

src/plugins/built_in/kokoro_flow_chatter/prompt/prompts.py

@@ -0,0 +1,421 @@
+"""
+Kokoro Flow Chatter - 提示词模板注册
+
+使用项目统一的 Prompt 管理系统注册所有 KFC V2 使用的提示词模板
+"""
+
+from src.chat.utils.prompt import Prompt
+
+# =================================================================================================
+# KFC V2 主提示词模板
+# =================================================================================================
+
+kfc_MAIN_PROMPT = Prompt(
+    name="kfc_main",
+    template="""# 你与 {user_name} 的私聊
+
+## 人设
+{persona_block}
+
+## 你与 {user_name} 的关系
+{relation_block}
+
+## 相关记忆
+{memory_block}
+
+## 你们之间最近的活动记录
+以下是你和 {user_name} 最近的互动历史，按时间顺序记录了你们的对话和你的心理活动：
+
+{activity_stream}
+
+## 当前情况
+{current_situation}
+
+## 聊天历史总览
+以下是你和 {user_name} 的聊天记录，帮助你更好地理解对话上下文：
+
+{chat_history_block}
+
+## 你可以做的事情
+{available_actions}
+
+## 你的表达习惯
+{expression_habits}
+
+## 你的回复格式
+{output_format}
+""",
+)
+
+# =================================================================================================
+# 输出格式模板
+# =================================================================================================
+
+kfc_OUTPUT_FORMAT = Prompt(
+    name="kfc_output_format",
+    template="""请用以下 JSON 格式回复：
+```json
+{{
+    "thought": "你脑子里在想什么，越自然越好",
+    "actions": [
+        {{"type": "动作名称", ...动作参数}}
+    ],
+    "expected_reaction": "你期待对方的反应是什么",
+    "max_wait_seconds": 等待时间（秒），0 表示不等待
+}}
+```
+
+### 字段说明
+- `thought`：你的内心独白，记录你此刻的想法和感受。要自然，不要技术性语言。
+- `actions`：你要执行的动作列表。每个动作是一个对象，必须包含 `type` 字段指定动作类型，其他字段根据动作类型不同而不同（参考上面每个动作的示例）。
+- `expected_reaction`：你期待对方如何回应（用于判断是否需要等待）
+- `max_wait_seconds`：设定等待时间（秒），0 表示不等待，超时后你会考虑是否要主动说点什么。如果你认为聊天没有继续的必要，或不想打扰对方，可以设为 0。
+
+### 注意事项
+- 动作参数直接写在动作对象里，不需要 `action_data` 包装
+- 即使什么都不想做，也放一个 `{{"type": "do_nothing"}}`
+- 可以组合多个动作，比如先发消息再发表情""",
+)
+
+# =================================================================================================
+# 情景模板 - 根据不同情境使用不同的当前情况描述
+# =================================================================================================
+
+kfc_SITUATION_NEW_MESSAGE = Prompt(
+    name="kfc_situation_new_message",
+    template="""现在是 {current_time}。
+
+{user_name} 刚刚给你发了消息。这是一次新的对话发起（不是对你之前消息的回复）。
+
+请决定你要怎么回应。你可以：
+- 发送文字消息回复
+- 执行其他动作
+- 什么都不做（如果觉得没必要回复）
+- 或者组合多个动作""",
+)
+
+kfc_SITUATION_REPLY_IN_TIME = Prompt(
+    name="kfc_situation_reply_in_time",
+    template="""现在是 {current_time}。
+
+你之前发了消息后一直在等 {user_name} 的回复。
+等了大约 {elapsed_minutes:.1f} 分钟（你原本打算最多等 {max_wait_minutes:.1f} 分钟）。
+现在 {user_name} 回复了！
+
+请决定你接下来要怎么回应。""",
+)
+
+kfc_SITUATION_REPLY_LATE = Prompt(
+    name="kfc_situation_reply_late",
+    template="""现在是 {current_time}。
+
+你之前发了消息后在等 {user_name} 的回复。
+你原本打算最多等 {max_wait_minutes:.1f} 分钟，但实际等了 {elapsed_minutes:.1f} 分钟才收到回复。
+虽然有点迟，但 {user_name} 终于回复了。
+
+请决定你接下来要怎么回应。（可以选择轻轻抱怨一下迟到，也可以装作没在意）""",
+)
+
+kfc_SITUATION_TIMEOUT = Prompt(
+    name="kfc_situation_timeout",
+    template="""现在是 {current_time}。
+
+你之前发了消息后一直在等 {user_name} 的回复。
+你原本打算最多等 {max_wait_minutes:.1f} 分钟，现在已经等了 {elapsed_minutes:.1f} 分钟了，对方还是没回。
+你当时期待的反应是："{expected_reaction}"
+{timeout_context}
+你需要决定：
+1. 继续等待（设置新的 max_wait_seconds）
+2. 主动说点什么打破沉默
+3. 做点别的事情（执行其他动作）
+4. 算了不等了（max_wait_seconds = 0）
+
+【注意】如果已经连续多次超时，对方可能暂时不方便回复。频繁主动发消息可能会打扰到对方。
+考虑是否应该暂时放下期待，让对方有空间。""",
+)
+
+kfc_SITUATION_PROACTIVE = Prompt(
+    name="kfc_situation_proactive",
+    template="""现在是 {current_time}。
+
+你和 {user_name} 已经有一段时间没聊天了（沉默了 {silence_duration}）。
+{trigger_reason}
+
+你在想要不要主动找 {user_name} 聊点什么。
+
+请决定：
+1. 主动发起对话（想个话题开场）
+2. 做点动作试探一下
+3. 算了，现在不是好时机（do_nothing）
+
+如果决定发起对话，想想用什么自然的方式开场，不要太突兀。""",
+)
+
+# =================================================================================================
+# 活动流条目模板 - 用于构建 activity_stream
+# =================================================================================================
+
+# 用户消息条目
+kfc_ENTRY_USER_MESSAGE = Prompt(
+    name="kfc_entry_user_message",
+    template="""【{time}】{user_name} 说：
+"{content}"
+""",
+)
+
+# Bot 规划条目（有等待）
+kfc_ENTRY_BOT_PLANNING = Prompt(
+    name="kfc_entry_bot_planning",
+    template="""【你的想法】
+内心：{thought}
+行动：{actions_description}
+期待：{expected_reaction}
+决定等待：最多 {max_wait_minutes:.1f} 分钟
+""",
+)
+
+# Bot 规划条目（无等待）
+kfc_ENTRY_BOT_PLANNING_NO_WAIT = Prompt(
+    name="kfc_entry_bot_planning_no_wait",
+    template="""【你的想法】
+内心：{thought}
+行动：{actions_description}
+（不打算等对方回复）
+""",
+)
+
+# 等待期间心理变化
+kfc_ENTRY_WAITING_UPDATE = Prompt(
+    name="kfc_entry_waiting_update",
+    template="""【等待中... {elapsed_minutes:.1f} 分钟过去了】
+你想：{waiting_thought}
+""",
+)
+
+# 收到及时回复时的标注
+kfc_ENTRY_REPLY_IN_TIME = Prompt(
+    name="kfc_entry_reply_in_time",
+    template="""→ （对方在你预期时间内回复了，等了 {elapsed_minutes:.1f} 分钟）
+""",
+)
+
+# 收到迟到回复时的标注
+kfc_ENTRY_REPLY_LATE = Prompt(
+    name="kfc_entry_reply_late",
+    template="""→ （对方回复迟了，你原本只打算等 {max_wait_minutes:.1f} 分钟，实际等了 {elapsed_minutes:.1f} 分钟）
+""",
+)
+
+# 主动思考触发
+kfc_ENTRY_PROACTIVE_TRIGGER = Prompt(
+    name="kfc_entry_proactive_trigger",
+    template="""【沉默了 {silence_duration}】
+你开始考虑要不要主动找对方聊点什么...
+""",
+)
+
+# =================================================================================================
+# Planner 专用输出格式
+# =================================================================================================
+
+kfc_PLANNER_OUTPUT_FORMAT = Prompt(
+    name="kfc_planner_output_format",
+    template="""请用以下 JSON 格式回复：
+```json
+{{
+    "thought": "你脑子里在想什么，越自然越好",
+    "actions": [
+        {{"type": "动作名称", ...动作参数}}
+    ],
+    "expected_reaction": "你期待对方的反应是什么",
+    "max_wait_seconds": 等待时间（秒），0 表示不等待
+}}
+```
+
+### 字段说明
+- `thought`：你的内心独白，记录你此刻的想法和感受。要自然，不要技术性语言。
+- `actions`：你要执行的动作列表。每个动作是一个对象，必须包含 `type` 字段指定动作类型，其他字段根据动作类型不同而不同（参考上面每个动作的示例）。
+  - 对于 `kfc_reply` 动作，只需要指定 `{{"type": "kfc_reply"}}`，不需要填写 `content` 字段（回复内容会单独生成）
+- `expected_reaction`：你期待对方如何回应（用于判断是否需要等待）
+- `max_wait_seconds`：设定等待时间（秒），0 表示不等待，超时后你会考虑是否要主动说点什么
+
+### 注意事项
+- 动作参数直接写在动作对象里，不需要 `action_data` 包装
+- 即使什么都不想做，也放一个 `{{"type": "do_nothing"}}`
+- 可以组合多个动作，比如先发消息再发表情""",
+)
+
+# =================================================================================================
+# Replyer 专用提示词模板
+# =================================================================================================
+
+kfc_REPLYER_PROMPT = Prompt(
+    name="kfc_replyer",
+    template="""# 你与 {user_name} 的私聊
+
+## 人设
+{persona_block}
+
+## 你与 {user_name} 的关系
+{relation_block}
+
+## 相关记忆
+{memory_block}
+
+## 你们之间发生的事（活动流）
+以下是你和 {user_name} 最近的互动历史，按时间顺序记录了你们的对话和你的心理活动：
+
+{activity_stream}
+
+## 当前情况
+{current_situation}
+
+## 聊天历史总览
+以下是你和 {user_name} 的聊天记录，帮助你更好地理解对话上下文：
+
+{chat_history_block}
+
+## 你的表达习惯
+{expression_habits}
+
+## 你的决策
+你已经决定要回复 {user_name}。
+你需要生成一段紧密相关且与历史消息相关的回复。
+
+**你的想法**：{thought}
+
+{reply_context}
+
+## 要求
+
+- 请注意不要输出多余内容(包括前后缀，冒号和引号，at，[xx：xxx]系统格式化文字或 @等 )。只输出回复内容。
+- 在称呼用户时，请使用更自然的昵称或简称。对于长英文名，可使用首字母缩写；对于中文名，可提炼合适的简称。禁止直接复述复杂的用户名或输出用户名中的任何符号，让称呼更像人类习惯，注意，简称不是必须的，合理的使用。
+
+你的回复应该是一条简短、完整且口语化的回复。
+
+现在，你说：""",
+)
+
+kfc_REPLYER_CONTEXT_NORMAL = Prompt(
+    name="kfc_replyer_context_normal",
+    template="""你要回复的是 {user_name} 刚发来的消息：
+「{target_message}」""",
+)
+
+kfc_REPLYER_CONTEXT_IN_TIME = Prompt(
+    name="kfc_replyer_context_in_time",
+    template="""你等了 {elapsed_minutes:.1f} 分钟（原本打算最多等 {max_wait_minutes:.1f} 分钟），{user_name} 终于回复了：
+「{target_message}」
+
+你可以表现出一点"等到了回复"的欣喜或轻松。""",
+)
+
+kfc_REPLYER_CONTEXT_LATE = Prompt(
+    name="kfc_replyer_context_late",
+    template="""你等了 {elapsed_minutes:.1f} 分钟（原本只打算等 {max_wait_minutes:.1f} 分钟），{user_name} 才回复：
+「{target_message}」
+
+虽然有点晚，但对方终于回复了。你可以选择轻轻抱怨一下，也可以装作没在意。""",
+)
+
+kfc_REPLYER_CONTEXT_PROACTIVE = Prompt(
+    name="kfc_replyer_context_proactive",
+    template="""你们已经有一段时间（{silence_duration}）没聊天了。{trigger_reason}
+
+你决定主动打破沉默，找 {user_name} 聊点什么。想一个自然的开场白，不要太突兀。""",
+)
+
+# =================================================================================================
+# 等待思考提示词模板（用于生成等待中的心理活动）
+# =================================================================================================
+
+kfc_WAITING_THOUGHT = Prompt(
+    name="kfc_waiting_thought",
+    template="""# 等待中的心理活动
+
+## 你是谁
+{persona_block}
+
+## 你与 {user_name} 的关系
+{relation_block}
+
+## 当前情况
+你刚才给 {user_name} 发了消息，现在正在等待对方回复。
+
+**你发的消息**：{last_bot_message}
+**你期待的反应**：{expected_reaction}
+**已等待时间**：{elapsed_minutes:.1f} 分钟
+**计划最多等待**：{max_wait_minutes:.1f} 分钟
+**等待进度**：{progress_percent}%
+
+## 任务
+请描述你此刻等待时的内心想法。这是你私下的心理活动，不是要发送的消息。
+
+**要求**：
+- 用第一人称描述你的感受和想法
+- 要符合你的性格和你们的关系
+- 根据等待进度自然表达情绪变化：
+  - 初期（0-40%）：可能比较平静，稍微期待
+  - 中期（40-70%）：可能开始有点在意，但还好
+  - 后期（70-100%）：可能有点焦虑、担心，或者想主动做点什么
+- 不要太长，1-2句话即可
+- 不要输出 JSON，直接输出你的想法
+
+现在，请直接输出你等待时的内心想法：""",
+)
+
+# =================================================================================================
+# 统一模式输出格式（单次 LLM 调用，要求填写 content）
+# =================================================================================================
+
+kfc_UNIFIED_OUTPUT_FORMAT = Prompt(
+    name="kfc_unified_output_format",
+    template="""请用以下 JSON 格式回复：
+```json
+{{
+    "thought": "你脑子里在想什么，越自然越好",
+    "actions": [
+        {{"type": "kfc_reply", "content": "你的回复内容"}}
+    ],
+    "expected_reaction": "你期待对方的反应是什么",
+    "max_wait_seconds": 等待时间（秒），0 表示不等待
+}}
+```
+
+### 字段说明
+- `thought`：你的内心独白，记录你此刻的想法和感受。要自然，不要技术性语言。
+- `actions`：你要执行的动作列表。对于 `kfc_reply` 动作，**必须**填写 `content` 字段，写上你要说的话。
+- `expected_reaction`：你期待对方如何回应（用于判断是否需要等待）
+- `max_wait_seconds`：设定等待时间（秒），0 表示不等待，超时后你会考虑是否要主动说点什么。如果你认为聊天没有继续的必要，或不想打扰对方，可以设为 0。
+
+### 注意事项
+- kfc_reply 的 content 字段是**必填**的，直接写你要发送的消息内容
+- 即使什么都不想做，也放一个 `{{"type": "do_nothing"}}`
+- 可以组合多个动作，比如先发消息再发表情""",
+)
+
+# 导出所有模板名称，方便外部引用
+PROMPT_NAMES = {
+    "main": "kfc_main",
+    "output_format": "kfc_output_format",
+    "planner_output_format": "kfc_planner_output_format",
+    "unified_output_format": "kfc_unified_output_format",
+    "replyer": "kfc_replyer",
+    "replyer_context_normal": "kfc_replyer_context_normal",
+    "replyer_context_in_time": "kfc_replyer_context_in_time",
+    "replyer_context_late": "kfc_replyer_context_late",
+    "replyer_context_proactive": "kfc_replyer_context_proactive",
+    "waiting_thought": "kfc_waiting_thought",
+    "situation_new_message": "kfc_situation_new_message",
+    "situation_reply_in_time": "kfc_situation_reply_in_time",
+    "situation_reply_late": "kfc_situation_reply_late",
+    "situation_timeout": "kfc_situation_timeout",
+    "situation_proactive": "kfc_situation_proactive",
+    "entry_user_message": "kfc_entry_user_message",
+    "entry_bot_planning": "kfc_entry_bot_planning",
+    "entry_bot_planning_no_wait": "kfc_entry_bot_planning_no_wait",
+    "entry_waiting_update": "kfc_entry_waiting_update",
+    "entry_reply_in_time": "kfc_entry_reply_in_time",
+    "entry_reply_late": "kfc_entry_reply_late",
+    "entry_proactive_trigger": "kfc_entry_proactive_trigger",
+}

src/plugins/built_in/kokoro_flow_chatter/prompt_modules_unified.py

@@ -0,0 +1,588 @@
+"""
+Kokoro Flow Chatter - 统一模式提示词模块
+
+为统一模式（Unified Mode）提供模块化的提示词构建：
+1. 核心身份模块 - 人设/人格/背景
+2. 行为准则模块 - 规则/边界
+3. 情境上下文模块 - 时间/场景/内在状态/关系/记忆
+4. 动作能力模块 - 可用动作的描述
+5. 输出格式模块 - 表达风格 + JSON格式
+
+设计理念：
+- 每个模块只负责自己的部分，互不干扰
+- 回复相关内容（人设、上下文）与动作定义分离
+- 方便独立调试和优化每个部分
+
+注意：此模块仅用于统一模式，分离模式使用 prompt/builder.py
+"""
+
+import time
+from datetime import datetime
+from typing import TYPE_CHECKING, Optional
+
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.plugin_system.base.component_types import ActionInfo
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+    from src.common.data_models.message_manager_data_model import StreamContext
+
+from .models import MentalLogEntry, EventType
+from .session import KokoroSession
+
+logger = get_logger("kfc_prompt_unified")
+
+
+# ============================================================
+# 模块1: 核心身份 - 人设/人格/背景
+# ============================================================
+
+def build_identity_module() -> str:
+    """
+    构建核心身份模块
+    
+    包含：人格核心、人格细节、外貌身份、世界观背景
+    这些是回复内容的基础，决定了"你是谁"
+    """
+    if global_config is None:
+        raise RuntimeError("global_config 未初始化")
+    
+    personality_cfg = global_config.personality
+    
+    personality_core = personality_cfg.personality_core or "你是一个温暖、真诚的对话伙伴。"
+    personality_side = personality_cfg.personality_side or ""
+    identity = personality_cfg.identity or ""
+    background_story = personality_cfg.background_story or ""
+    
+    parts = [personality_core]
+    
+    if personality_side:
+        parts.append(f"\n{personality_side}")
+    
+    if identity:
+        parts.append(f"\n{identity}")
+    
+    if background_story:
+        parts.append(f"\n### 背景故事\n{background_story}")
+    
+    return "\n".join(parts)
+
+
+# ============================================================
+# 模块2: 行为准则 - 规则/边界/KFC特有准则
+# ============================================================
+
+def build_rules_module() -> str:
+    """
+    构建行为准则模块
+    
+    包含：安全规则 + KFC 通用准则
+    这些是行为的边界，决定了"什么能做什么不能做"
+    """
+    if global_config is None:
+        raise RuntimeError("global_config 未初始化")
+    
+    safety_guidelines = global_config.personality.safety_guidelines or []
+    if isinstance(safety_guidelines, list):
+        safety_guidelines_str = "\n".join(f"- {rule}" for rule in safety_guidelines)
+    else:
+        safety_guidelines_str = str(safety_guidelines)
+    
+    # KFC 通用准则
+    kfc_rules = """- 说话要自然，像平时发微信一样
+- 有自己的边界感，不用无条件迎合
+- 称呼对方用自然的昵称，别念复杂的用户名
+- 不要模仿聊天记录里的系统格式（比如"[表情包：xxx]"这种是系统标记，要发送表情包请使用emoji动作）"""
+    
+    return f"""{safety_guidelines_str}
+
+{kfc_rules}"""
+
+
+# ============================================================
+# 模块3: 情境上下文 - 时间/场景/内在状态/关系/记忆
+# ============================================================
+
+def build_context_module(
+    session: KokoroSession,
+    chat_stream: Optional["ChatStream"] = None,
+    context_data: Optional[dict[str, str]] = None,
+) -> str:
+    """
+    构建情境上下文模块
+    
+    包含：当前时间、聊天场景、内在状态、关系信息、记忆
+    这些是回复的上下文，决定了"当前在什么情况下"
+    
+    Args:
+        session: 当前会话
+        chat_stream: 聊天流（判断群聊/私聊）
+        context_data: S4U 上下文数据
+    """
+    context_data = context_data or {}
+    
+    # 时间和场景
+    current_time = datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")
+    is_group_chat = bool(chat_stream and chat_stream.group_info)
+    chat_scene = "你在群里聊天" if is_group_chat else "你在和对方私聊"
+    
+    # 日程（如果有）
+    schedule_block = context_data.get("schedule", "")
+    
+    # 内在状态（从 context_data 获取，如果没有使用默认值）
+    mood = context_data.get("mood", "平静")
+    
+    # 关系信息
+    relation_info = context_data.get("relation_info", "")
+    
+    # 记忆
+    memory_block = context_data.get("memory_block", "")
+    
+    parts = []
+    
+    # 时间和场景
+    parts.append(f"**时间**: {current_time}")
+    parts.append(f"**场景**: {chat_scene}")
+    
+    # 日程块
+    if schedule_block:
+        parts.append(f"{schedule_block}")
+    
+    # 内在状态
+    parts.append(f"\n你现在的心情：{mood}")
+    
+    # 关系信息
+    if relation_info:
+        parts.append(f"\n## 4. 你和对方的关系\n{relation_info}")
+    
+    # 记忆
+    if memory_block:
+        parts.append(f"\n{memory_block}")
+    
+    return "\n".join(parts)
+
+
+# ============================================================
+# 模块4: 动作能力 - 可用动作的描述
+# ============================================================
+
+def build_actions_module(available_actions: Optional[dict[str, ActionInfo]] = None) -> str:
+    """
+    构建动作能力模块
+    
+    包含：所有可用动作的描述、参数、示例
+    这部分与回复内容分离，只描述"能做什么"
+    
+    Args:
+        available_actions: 可用动作字典
+    """
+    if not available_actions:
+        return _get_default_actions_block()
+    
+    action_blocks = []
+    
+    for action_name, action_info in available_actions.items():
+        description = action_info.description or f"执行 {action_name}"
+        
+        # 构建动作块
+        action_block = f"### `{action_name}` - {description}"
+        
+        # 参数说明（如果有）
+        if action_info.action_parameters:
+            params_lines = [f"  - `{name}`: {desc}" for name, desc in action_info.action_parameters.items()]
+            action_block += f"\n参数:\n{chr(10).join(params_lines)}"
+        
+        # 使用场景（如果有）
+        if action_info.action_require:
+            require_lines = [f"  - {req}" for req in action_info.action_require]
+            action_block += f"\n使用场景:\n{chr(10).join(require_lines)}"
+        
+        # 示例
+        example_params = ""
+        if action_info.action_parameters:
+            param_examples = [f'"{name}": "..."' for name in action_info.action_parameters.keys()]
+            example_params = ", " + ", ".join(param_examples)
+        
+        action_block += f'\n```json\n{{"type": "{action_name}"{example_params}}}\n```'
+        
+        action_blocks.append(action_block)
+    
+    return "\n\n".join(action_blocks)
+
+
+def _get_default_actions_block() -> str:
+    """获取默认的内置动作描述块"""
+    return """### `kfc_reply` - 发消息
+发送文字回复。
+```json
+{"type": "kfc_reply", "content": "你要说的话"}
+```
+
+### `poke_user` - 戳一戳
+戳对方一下
+```json
+{"type": "poke_user"}
+```
+
+### `update_internal_state` - 更新你的心情
+更新你现在的心情状态
+```json
+{"type": "update_internal_state", "mood": "开心"}
+```
+
+### `do_nothing` - 不做任何事
+想了想，决定现在不作回应
+```json
+{"type": "do_nothing"}
+```"""
+
+
+# ============================================================
+# 模块5: 表达与输出格式 - 回复风格 + JSON格式
+# ============================================================
+
+def build_output_module(context_data: Optional[dict[str, str]] = None) -> str:
+    """
+    构建输出格式模块
+    
+    包含：表达风格、表达习惯、JSON 输出格式要求
+    这部分定义了"怎么说"和"输出什么格式"
+    
+    Args:
+        context_data: S4U 上下文数据（包含 expression_habits）
+    """
+    if global_config is None:
+        raise RuntimeError("global_config 未初始化")
+    
+    context_data = context_data or {}
+    
+    reply_style = global_config.personality.reply_style or ""
+    expression_habits = context_data.get("expression_habits", "")
+    
+    # JSON 输出格式说明（更自然的思考引导）
+    json_format = """### 输出格式（JSON）
+```json
+{
+  "thought": "你心里的真实想法，像日记一样自然",
+  "expected_user_reaction": "猜猜对方看到会怎么想",
+  "max_wait_seconds": 等多久（60-900），不等就填0,
+  "actions": [
+    {"type": "kfc_reply", "content": "你要说的话"}
+  ]
+}
+```
+
+关于 thought（内心想法）：
+- 写你真正在想的，不是在分析任务
+- 像心里嘀咕一样，比如"这家伙又来撒娇了~" "有点困了但还想再聊会儿"
+- 不要写"根据设定""我需要""我应该"这种规划性的话
+- 就是你作为这个人，此刻心里在想什么
+
+关于 expected_user_reaction（预期反应）：
+- 随便猜一下对方可能的反应就行
+- 比如"可能会撒娇""估计要睡了""应该会觉得好笑"
+- 不用分析得很正式
+
+不想做任何事就用 `{"type": "do_nothing"}`"""
+    
+    parts = []
+    
+    if reply_style:
+        parts.append(reply_style)
+    
+    if expression_habits:
+        parts.append(expression_habits)
+    
+    parts.append(json_format)
+    
+    return "\n\n".join(parts)
+
+
+# ============================================================
+# 组装完整的 System Prompt（复刻旧版）
+# ============================================================
+
+def build_system_prompt(
+    session: KokoroSession,
+    available_actions: Optional[dict[str, ActionInfo]] = None,
+    context_data: Optional[dict[str, str]] = None,
+    chat_stream: Optional["ChatStream"] = None,
+) -> str:
+    """
+    组装完整的系统提示词
+    
+    按模块顺序组装：
+    1. 角色框架
+    2. 核心身份（人设）
+    3. 行为准则（规则）
+    4. 情境上下文（时间/状态/关系）
+    5. 动作能力（可用动作）
+    6. 输出格式（表达风格 + JSON）
+    
+    Args:
+        session: 当前会话
+        available_actions: 可用动作字典
+        context_data: S4U 上下文数据
+        chat_stream: 聊天流
+        
+    Returns:
+        完整的系统提示词
+    """
+    # 角色框架（不提AI，直接进入角色）
+    role_frame = "你是一个真实的人，有自己的生活、想法和情绪。像平时和朋友聊天一样自然地交流。"
+    
+    # 组装各模块
+    modules = [
+        role_frame,
+        "",
+        "## 1. 你是谁",
+        build_identity_module(),
+        "",
+        "## 2. 规则",
+        build_rules_module(),
+        "",
+        "## 3. 现在的情况",
+        build_context_module(session, chat_stream, context_data),
+        "",
+        "## 5. 你能做的事",
+        build_actions_module(available_actions),
+        "",
+        "## 6. 怎么回复",
+        build_output_module(context_data),
+    ]
+    
+    return "\n".join(modules)
+
+
+# ============================================================
+# User Prompt 模板（复刻旧版）
+# ============================================================
+
+RESPONDING_USER_PROMPT_TEMPLATE = """## 聊天记录
+{narrative_history}
+
+## 新消息
+{incoming_messages}
+
+---
+看完这些消息，你想怎么回应？用 JSON 输出你的想法和决策。"""
+
+
+TIMEOUT_DECISION_USER_PROMPT_TEMPLATE = """## 聊天记录
+{narrative_history}
+
+## 现在的情况
+你发了消息，等了 {wait_duration_seconds:.0f} 秒（{wait_duration_minutes:.1f} 分钟），对方还没回。
+你之前觉得对方可能会：{expected_user_reaction}
+
+{followup_warning}
+
+你发的最后一条：{last_bot_message}
+
+---
+你拿起手机看了一眼，发现对方还没回复。你想怎么办？
+
+选项：
+1. **继续等** - 用 `do_nothing`，设个 `max_wait_seconds` 等一会儿再看
+2. **发消息** - 用 `reply`，不过别太频繁追问
+3. **算了不等了** - 用 `do_nothing`，`max_wait_seconds` 设为 0
+
+用 JSON 输出你的想法和决策。"""
+
+
+PROACTIVE_THINKING_USER_PROMPT_TEMPLATE = """## 聊天记录
+{narrative_history}
+
+## 现在的情况
+现在是 {current_time}，距离你们上次聊天已经过了 {silence_duration}。
+{relation_block}
+
+{trigger_context}
+
+---
+你突然想起了对方。要不要联系一下？
+
+说实话，不联系也完全没问题——不打扰也是一种温柔。
+如果决定联系，想好说什么，要自然一点。
+
+用 JSON 输出你的想法和决策。不想发消息就用 `do_nothing`。"""
+
+
+# ============================================================
+# 格式化历史记录
+# ============================================================
+
+def format_narrative_history(
+    mental_log: list[MentalLogEntry],
+    max_entries: int = 15,
+) -> str:
+    """
+    将心理活动日志格式化为叙事历史
+    
+    Args:
+        mental_log: 心理活动日志列表
+        max_entries: 最大条目数
+        
+    Returns:
+        str: 格式化的叙事历史文本
+    """
+    if not mental_log:
+        return "（这是对话的开始，还没有历史记录）"
+    
+    # 获取最近的日志条目
+    recent_entries = mental_log[-max_entries:]
+    
+    narrative_parts = []
+    for entry in recent_entries:
+        timestamp_str = time.strftime(
+            "%Y-%m-%d %H:%M:%S", 
+            time.localtime(entry.timestamp)
+        )
+        
+        if entry.event_type == EventType.USER_MESSAGE:
+            user_name = entry.user_name or "用户"
+            narrative_parts.append(
+                f"[{timestamp_str}] {user_name}说：{entry.content}"
+            )
+        elif entry.event_type == EventType.BOT_PLANNING:
+            if entry.thought:
+                narrative_parts.append(
+                    f"[{timestamp_str}] （你的内心：{entry.thought}）"
+                )
+            # 格式化动作
+            for action in entry.actions:
+                action_type = action.get("type", "")
+                if action_type == "kfc_reply" or action_type == "reply":
+                    content = action.get("content", "")
+                    if content:
+                        narrative_parts.append(
+                            f"[{timestamp_str}] 你回复：{content}"
+                        )
+        elif entry.event_type == EventType.WAITING_UPDATE:
+            if entry.waiting_thought:
+                narrative_parts.append(
+                    f"[{timestamp_str}] （等待中的想法：{entry.waiting_thought}）"
+                )
+    
+    return "\n".join(narrative_parts) if narrative_parts else "（这是对话的开始，还没有历史记录）"
+
+
+def format_history_from_context(
+    context: "StreamContext",
+    mental_log: Optional[list[MentalLogEntry]] = None,
+) -> str:
+    """
+    从 StreamContext 的历史消息构建叙事历史
+    
+    这是实现"无缝融入"的关键：
+    - 从同一个数据库读取历史消息（与AFC共享）
+    - 遵循全局配置 [chat].max_context_size
+    - 将消息串渲染成KFC的叙事体格式
+    
+    Args:
+        context: 聊天流上下文，包含共享的历史消息
+        mental_log: 可选的心理活动日志，用于补充内心独白
+        
+    Returns:
+        str: 格式化的叙事历史文本
+    """
+    # 从 StreamContext 获取历史消息，遵循全局上下文长度配置
+    max_context = 25  # 默认值
+    if global_config and hasattr(global_config, 'chat') and global_config.chat:
+        max_context = getattr(global_config.chat, "max_context_size", 25)
+    history_messages = context.get_messages(limit=max_context, include_unread=False)
+    
+    if not history_messages and not mental_log:
+        return "（这是对话的开始，还没有历史记录）"
+    
+    # 获取Bot的用户ID用于判断消息来源
+    bot_user_id = None
+    if global_config and hasattr(global_config, 'bot') and global_config.bot:
+        bot_user_id = str(getattr(global_config.bot, 'qq_account', ''))
+    
+    narrative_parts = []
+    
+    # 首先，将数据库历史消息转换为叙事格式
+    for msg in history_messages:
+        timestamp_str = time.strftime(
+            "%Y-%m-%d %H:%M:%S",
+            time.localtime(msg.time or time.time())
+        )
+        
+        # 判断是用户消息还是Bot消息
+        msg_user_id = str(msg.user_info.user_id) if msg.user_info else ""
+        is_bot_message = bot_user_id and msg_user_id == bot_user_id
+        content = msg.processed_plain_text or msg.display_message or ""
+        
+        if is_bot_message:
+            narrative_parts.append(f"[{timestamp_str}] 你回复：{content}")
+        else:
+            sender_name = msg.user_info.user_nickname if msg.user_info else "用户"
+            narrative_parts.append(f"[{timestamp_str}] {sender_name}说：{content}")
+    
+    # 然后，补充 mental_log 中的内心独白（如果有）
+    if mental_log:
+        for entry in mental_log[-5:]:  # 只取最近5条心理活动
+            timestamp_str = time.strftime(
+                "%Y-%m-%d %H:%M:%S",
+                time.localtime(entry.timestamp)
+            )
+            
+            if entry.event_type == EventType.BOT_PLANNING and entry.thought:
+                narrative_parts.append(f"[{timestamp_str}] （你的内心：{entry.thought}）")
+    
+    return "\n".join(narrative_parts) if narrative_parts else "（这是对话的开始，还没有历史记录）"
+
+
+def format_incoming_messages(
+    message_content: str,
+    sender_name: str,
+    sender_id: str,
+    message_time: Optional[float] = None,
+    all_unread_messages: Optional[list] = None,
+) -> str:
+    """
+    格式化收到的消息
+    
+    支持单条消息（兼容旧调用）和多条消息（打断合并场景）
+    
+    Args:
+        message_content: 主消息内容
+        sender_name: 发送者名称
+        sender_id: 发送者ID
+        message_time: 消息时间戳
+        all_unread_messages: 所有未读消息列表
+        
+    Returns:
+        str: 格式化的消息文本
+    """
+    if message_time is None:
+        message_time = time.time()
+    
+    # 如果有多条消息，格式化为消息组
+    if all_unread_messages and len(all_unread_messages) > 1:
+        lines = [f"**用户连续发送了 {len(all_unread_messages)} 条消息：**\n"]
+        
+        for i, msg in enumerate(all_unread_messages, 1):
+            msg_time = msg.time or time.time()
+            msg_time_str = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(msg_time))
+            msg_sender = msg.user_info.user_nickname if msg.user_info else sender_name
+            msg_content = msg.processed_plain_text or msg.display_message or ""
+            
+            lines.append(f"[{i}] 来自：{msg_sender}")
+            lines.append(f"    时间：{msg_time_str}")
+            lines.append(f"    内容：{msg_content}")
+            lines.append("")
+        
+        lines.append("**提示**：请综合理解这些消息的整体意图，不需要逐条回复。")
+        return "\n".join(lines)
+    
+    # 单条消息（兼容旧格式）
+    message_time_str = time.strftime(
+        "%Y-%m-%d %H:%M:%S",
+        time.localtime(message_time)
+    )
+    return f"""来自：{sender_name}（用户ID: {sender_id}）
+时间：{message_time_str}
+内容：{message_content}"""

src/plugins/built_in/kokoro_flow_chatter/replyer.py

@@ -0,0 +1,124 @@
+"""
+Kokoro Flow Chatter - Replyer
+
+纯粹的回复生成器：
+- 接收 planner 的决策（thought 等）
+- 专门负责将回复意图转化为自然的对话文本
+- 不输出 JSON，直接生成可发送的消息文本
+"""
+
+from typing import TYPE_CHECKING, Optional
+
+from src.common.logger import get_logger
+from src.plugin_system.apis import llm_api
+
+from .prompt.builder import get_prompt_builder
+from .session import KokoroSession
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+
+logger = get_logger("kfc_replyer")
+
+
+async def generate_reply_text(
+    session: KokoroSession,
+    user_name: str,
+    thought: str,
+    situation_type: str = "new_message",
+    chat_stream: Optional["ChatStream"] = None,
+    extra_context: Optional[dict] = None,
+) -> tuple[bool, str]:
+    """
+    生成回复文本
+    
+    Args:
+        session: 会话对象
+        user_name: 用户名称
+        thought: 规划器生成的想法（内心独白）
+        situation_type: 情况类型
+        chat_stream: 聊天流对象
+        extra_context: 额外上下文
+        
+    Returns:
+        (success, reply_text) 元组
+        - success: 是否成功生成
+        - reply_text: 生成的回复文本
+    """
+    try:
+        # 1. 构建回复器提示词
+        prompt_builder = get_prompt_builder()
+        prompt = await prompt_builder.build_replyer_prompt(
+            session=session,
+            user_name=user_name,
+            thought=thought,
+            situation_type=situation_type,
+            chat_stream=chat_stream,
+            extra_context=extra_context,
+        )
+        
+        from src.config.config import global_config
+        if global_config and global_config.debug.show_prompt:
+            logger.info(f"[KFC Replyer] 生成的回复提示词:\n{prompt}")
+        
+        # 2. 获取 replyer 模型配置并调用 LLM
+        models = llm_api.get_available_models()
+        replyer_config = models.get("replyer")
+        
+        if not replyer_config:
+            logger.error("[KFC Replyer] 未找到 replyer 模型配置")
+            return False, "（回复生成失败：未找到模型配置）"
+        
+        success, raw_response, reasoning, model_name = await llm_api.generate_with_model(
+            prompt=prompt,
+            model_config=replyer_config,
+            request_type="kokoro_flow_chatter.reply",
+        )
+        
+        if not success:
+            logger.error(f"[KFC Replyer] LLM 调用失败: {raw_response}")
+            return False, "（回复生成失败）"
+        
+        # 3. 清理并返回回复文本
+        reply_text = _clean_reply_text(raw_response)
+        
+        # 使用 logger 输出美化日志（颜色通过 logger 系统配置）
+        logger.info(f"💬 {reply_text}")
+        
+        return True, reply_text
+        
+    except Exception as e:
+        logger.error(f"[KFC Replyer] 生成失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return False, "（回复生成失败）"
+
+
+def _clean_reply_text(raw_text: str) -> str:
+    """
+    清理回复文本
+    
+    移除可能的前后缀、引号、markdown 标记等
+    """
+    text = raw_text.strip()
+    
+    # 移除可能的 markdown 代码块标记
+    if text.startswith("```") and text.endswith("```"):
+        lines = text.split("\n")
+        if len(lines) >= 3:
+            # 移除首尾的 ``` 行
+            text = "\n".join(lines[1:-1]).strip()
+    
+    # 移除首尾的引号（如果整个文本被引号包裹）
+    if (text.startswith('"') and text.endswith('"')) or \
+       (text.startswith("'") and text.endswith("'")):
+        text = text[1:-1].strip()
+    
+    # 移除可能的"你说："、"回复："等前缀
+    prefixes_to_remove = ["你说：", "你说:", "回复：", "回复:", "我说：", "我说:"]
+    for prefix in prefixes_to_remove:
+        if text.startswith(prefix):
+            text = text[len(prefix):].strip()
+            break
+    
+    return text

src/plugins/built_in/kokoro_flow_chatter/session.py

@@ -0,0 +1,404 @@
+"""
+Kokoro Flow Chatter - 会话管理
+
+极简的会话状态管理：
+- Session 只有 IDLE 和 WAITING 两种状态
+- 包含 mental_log（心理活动历史）
+- 包含 waiting_config（等待配置）
+"""
+
+import asyncio
+import json
+import os
+import time
+from pathlib import Path
+from typing import Optional
+
+from src.common.logger import get_logger
+
+from .models import (
+    EventType,
+    MentalLogEntry,
+    SessionStatus,
+    WaitingConfig,
+)
+
+logger = get_logger("kfc_session")
+
+
+class KokoroSession:
+    """
+    Kokoro Flow Chatter 会话
+    
+    为每个私聊用户维护一个独立的会话，包含：
+    - 基本信息（user_id, stream_id）
+    - 状态（只有 IDLE 和 WAITING）
+    - 心理活动历史（mental_log）
+    - 等待配置（waiting_config）
+    """
+    
+    # 心理活动日志最大保留条数
+    MAX_MENTAL_LOG_SIZE = 50
+    
+    def __init__(
+        self,
+        user_id: str,
+        stream_id: str,
+    ):
+        self.user_id = user_id
+        self.stream_id = stream_id
+        
+        # 状态（只有 IDLE 和 WAITING）
+        self._status: SessionStatus = SessionStatus.IDLE
+        
+        # 心理活动历史
+        self.mental_log: list[MentalLogEntry] = []
+        
+        # 等待配置
+        self.waiting_config: WaitingConfig = WaitingConfig()
+        
+        # 时间戳
+        self.created_at: float = time.time()
+        self.last_activity_at: float = time.time()
+        
+        # 统计
+        self.total_interactions: int = 0
+        
+        # 上次主动思考时间
+        self.last_proactive_at: Optional[float] = None
+        
+        # 连续超时计数（用于避免过度打扰用户）
+        self.consecutive_timeout_count: int = 0
+        
+        # 用户最后发消息的时间（用于计算距离用户上次回复的时间）
+        self.last_user_message_at: Optional[float] = None
+    
+    @property
+    def status(self) -> SessionStatus:
+        return self._status
+    
+    @status.setter
+    def status(self, value: SessionStatus) -> None:
+        old_status = self._status
+        self._status = value
+        if old_status != value:
+            logger.debug(f"Session {self.user_id} 状态变更: {old_status} → {value}")
+    
+    def add_entry(self, entry: MentalLogEntry) -> None:
+        """添加心理活动日志条目"""
+        self.mental_log.append(entry)
+        self.last_activity_at = time.time()
+        
+        # 保持日志在合理大小
+        if len(self.mental_log) > self.MAX_MENTAL_LOG_SIZE:
+            self.mental_log = self.mental_log[-self.MAX_MENTAL_LOG_SIZE:]
+    
+    def add_user_message(
+        self,
+        content: str,
+        user_name: str,
+        user_id: str,
+        timestamp: Optional[float] = None,
+    ) -> MentalLogEntry:
+        """添加用户消息事件"""
+        msg_time = timestamp or time.time()
+        
+        entry = MentalLogEntry(
+            event_type=EventType.USER_MESSAGE,
+            timestamp=msg_time,
+            content=content,
+            user_name=user_name,
+            user_id=user_id,
+        )
+        
+        # 收到用户消息，重置连续超时计数
+        self.consecutive_timeout_count = 0
+        self.last_user_message_at = msg_time
+        
+        # 如果之前在等待，记录收到回复的情况
+        if self.status == SessionStatus.WAITING and self.waiting_config.is_active():
+            elapsed = self.waiting_config.get_elapsed_seconds()
+            max_wait = self.waiting_config.max_wait_seconds
+            
+            if elapsed <= max_wait:
+                entry.metadata["reply_status"] = "in_time"
+                entry.metadata["elapsed_seconds"] = elapsed
+                entry.metadata["max_wait_seconds"] = max_wait
+            else:
+                entry.metadata["reply_status"] = "late"
+                entry.metadata["elapsed_seconds"] = elapsed
+                entry.metadata["max_wait_seconds"] = max_wait
+        
+        self.add_entry(entry)
+        return entry
+    
+    def add_bot_planning(
+        self,
+        thought: str,
+        actions: list[dict],
+        expected_reaction: str = "",
+        max_wait_seconds: int = 0,
+        timestamp: Optional[float] = None,
+    ) -> MentalLogEntry:
+        """添加 Bot 规划事件"""
+        entry = MentalLogEntry(
+            event_type=EventType.BOT_PLANNING,
+            timestamp=timestamp or time.time(),
+            thought=thought,
+            actions=actions,
+            expected_reaction=expected_reaction,
+            max_wait_seconds=max_wait_seconds,
+        )
+        self.add_entry(entry)
+        self.total_interactions += 1
+        return entry
+    
+    def add_waiting_update(
+        self,
+        waiting_thought: str,
+        mood: str = "",
+        timestamp: Optional[float] = None,
+    ) -> MentalLogEntry:
+        """添加等待期间的心理变化"""
+        entry = MentalLogEntry(
+            event_type=EventType.WAITING_UPDATE,
+            timestamp=timestamp or time.time(),
+            waiting_thought=waiting_thought,
+            mood=mood,
+            elapsed_seconds=self.waiting_config.get_elapsed_seconds(),
+        )
+        self.add_entry(entry)
+        return entry
+    
+    def start_waiting(
+        self,
+        expected_reaction: str,
+        max_wait_seconds: int,
+    ) -> None:
+        """开始等待"""
+        if max_wait_seconds <= 0:
+            # 不等待，直接进入 IDLE
+            self.status = SessionStatus.IDLE
+            self.waiting_config.reset()
+            return
+        
+        self.status = SessionStatus.WAITING
+        self.waiting_config = WaitingConfig(
+            expected_reaction=expected_reaction,
+            max_wait_seconds=max_wait_seconds,
+            started_at=time.time(),
+            last_thinking_at=0.0,
+            thinking_count=0,
+        )
+        logger.debug(
+            f"Session {self.user_id} 开始等待: "
+            f"max_wait={max_wait_seconds}s, expected={expected_reaction[:30]}..."
+        )
+    
+    def end_waiting(self) -> None:
+        """结束等待"""
+        self.status = SessionStatus.IDLE
+        self.waiting_config.reset()
+    
+    def get_recent_entries(self, limit: int = 20) -> list[MentalLogEntry]:
+        """获取最近的心理活动日志"""
+        return self.mental_log[-limit:] if self.mental_log else []
+    
+    def get_last_bot_message(self) -> Optional[str]:
+        """获取最后一条 Bot 发送的消息"""
+        for entry in reversed(self.mental_log):
+            if entry.event_type == EventType.BOT_PLANNING:
+                for action in entry.actions:
+                    if action.get("type") in ("kfc_reply", "respond"):
+                        return action.get("content", "")
+        return None
+    
+    def to_dict(self) -> dict:
+        """转换为字典（用于持久化）"""
+        return {
+            "user_id": self.user_id,
+            "stream_id": self.stream_id,
+            "status": str(self.status),
+            "mental_log": [e.to_dict() for e in self.mental_log],
+            "waiting_config": self.waiting_config.to_dict(),
+            "created_at": self.created_at,
+            "last_activity_at": self.last_activity_at,
+            "total_interactions": self.total_interactions,
+            "last_proactive_at": self.last_proactive_at,
+            "consecutive_timeout_count": self.consecutive_timeout_count,
+            "last_user_message_at": self.last_user_message_at,
+        }
+    
+    @classmethod
+    def from_dict(cls, data: dict) -> "KokoroSession":
+        """从字典创建会话"""
+        session = cls(
+            user_id=data.get("user_id", ""),
+            stream_id=data.get("stream_id", ""),
+        )
+        
+        # 状态
+        status_str = data.get("status", "idle")
+        try:
+            session._status = SessionStatus(status_str)
+        except ValueError:
+            session._status = SessionStatus.IDLE
+        
+        # 心理活动历史
+        mental_log_data = data.get("mental_log", [])
+        session.mental_log = [MentalLogEntry.from_dict(e) for e in mental_log_data]
+        
+        # 等待配置
+        waiting_data = data.get("waiting_config", {})
+        session.waiting_config = WaitingConfig.from_dict(waiting_data)
+        
+        # 时间戳
+        session.created_at = data.get("created_at", time.time())
+        session.last_activity_at = data.get("last_activity_at", time.time())
+        session.total_interactions = data.get("total_interactions", 0)
+        session.last_proactive_at = data.get("last_proactive_at")
+        
+        # 连续超时相关
+        session.consecutive_timeout_count = data.get("consecutive_timeout_count", 0)
+        session.last_user_message_at = data.get("last_user_message_at")
+        
+        return session
+
+
+class SessionManager:
+    """
+    会话管理器
+    
+    负责会话的创建、获取、保存和清理
+    """
+    
+    _instance: Optional["SessionManager"] = None
+    
+    def __new__(cls, *args, **kwargs):
+        if cls._instance is None:
+            cls._instance = super().__new__(cls)
+        return cls._instance
+    
+    def __init__(
+        self,
+        data_dir: str = "data/kokoro_flow_chatter/sessions",
+        max_session_age_days: int = 30,
+    ):
+        if hasattr(self, "_initialized") and self._initialized:
+            return
+        
+        self._initialized = True
+        self.data_dir = Path(data_dir)
+        self.max_session_age_days = max_session_age_days
+        
+        # 内存缓存
+        self._sessions: dict[str, KokoroSession] = {}
+        self._locks: dict[str, asyncio.Lock] = {}
+        
+        # 确保数据目录存在
+        self.data_dir.mkdir(parents=True, exist_ok=True)
+        
+        logger.info(f"SessionManager 初始化完成: {self.data_dir}")
+    
+    def _get_lock(self, user_id: str) -> asyncio.Lock:
+        """获取用户级别的锁"""
+        if user_id not in self._locks:
+            self._locks[user_id] = asyncio.Lock()
+        return self._locks[user_id]
+    
+    def _get_file_path(self, user_id: str) -> Path:
+        """获取会话文件路径"""
+        safe_id = "".join(c if c.isalnum() or c in "-_" else "_" for c in user_id)
+        return self.data_dir / f"{safe_id}.json"
+    
+    async def get_session(self, user_id: str, stream_id: str) -> KokoroSession:
+        """获取或创建会话"""
+        async with self._get_lock(user_id):
+            # 检查内存缓存
+            if user_id in self._sessions:
+                session = self._sessions[user_id]
+                session.stream_id = stream_id  # 更新 stream_id
+                return session
+            
+            # 尝试从文件加载
+            session = await self._load_from_file(user_id)
+            if session:
+                session.stream_id = stream_id
+                self._sessions[user_id] = session
+                return session
+            
+            # 创建新会话
+            session = KokoroSession(user_id=user_id, stream_id=stream_id)
+            self._sessions[user_id] = session
+            logger.info(f"创建新会话: {user_id}")
+            return session
+    
+    async def _load_from_file(self, user_id: str) -> Optional[KokoroSession]:
+        """从文件加载会话"""
+        file_path = self._get_file_path(user_id)
+        if not file_path.exists():
+            return None
+        
+        try:
+            with open(file_path, "r", encoding="utf-8") as f:
+                data = json.load(f)
+            session = KokoroSession.from_dict(data)
+            logger.debug(f"从文件加载会话: {user_id}")
+            return session
+        except Exception as e:
+            logger.error(f"加载会话失败 {user_id}: {e}")
+            return None
+    
+    async def save_session(self, user_id: str) -> bool:
+        """保存会话到文件"""
+        async with self._get_lock(user_id):
+            if user_id not in self._sessions:
+                return False
+            
+            session = self._sessions[user_id]
+            file_path = self._get_file_path(user_id)
+            
+            try:
+                data = session.to_dict()
+                temp_path = file_path.with_suffix(".json.tmp")
+                
+                with open(temp_path, "w", encoding="utf-8") as f:
+                    json.dump(data, f, ensure_ascii=False, indent=2)
+                
+                os.replace(temp_path, file_path)
+                return True
+            except Exception as e:
+                logger.error(f"保存会话失败 {user_id}: {e}")
+                return False
+    
+    async def save_all(self) -> int:
+        """保存所有会话"""
+        count = 0
+        for user_id in list(self._sessions.keys()):
+            if await self.save_session(user_id):
+                count += 1
+        return count
+    
+    async def get_waiting_sessions(self) -> list[KokoroSession]:
+        """获取所有处于等待状态的会话"""
+        return [s for s in self._sessions.values() if s.status == SessionStatus.WAITING]
+    
+    async def get_all_sessions(self) -> list[KokoroSession]:
+        """获取所有会话"""
+        return list(self._sessions.values())
+    
+    def get_session_sync(self, user_id: str) -> Optional[KokoroSession]:
+        """同步获取会话（仅从内存）"""
+        return self._sessions.get(user_id)
+
+
+# 全局单例
+_session_manager: Optional[SessionManager] = None
+
+
+def get_session_manager() -> SessionManager:
+    """获取全局会话管理器"""
+    global _session_manager
+    if _session_manager is None:
+        _session_manager = SessionManager()
+    return _session_manager

src/plugins/built_in/kokoro_flow_chatter/unified.py

@@ -0,0 +1,575 @@
+"""
+Kokoro Flow Chatter - 统一模式
+
+统一模式（Unified Mode）：
+- 使用模块化的提示词组件构建提示词
+- System Prompt + User Prompt 的标准结构
+- 一次 LLM 调用完成思考 + 回复生成
+- 输出 JSON 格式：thought + actions + max_wait_seconds
+
+与分离模式（Split Mode）的区别：
+- 统一模式：一次调用完成所有工作，actions 中直接包含回复内容
+- 分离模式：Planner + Replyer 两次调用，先规划再生成回复
+"""
+
+import time
+from datetime import datetime
+from typing import TYPE_CHECKING, Optional
+
+from src.common.logger import get_logger
+from src.config.config import global_config
+from src.plugin_system.apis import llm_api
+from src.utils.json_parser import extract_and_parse_json
+
+from .models import LLMResponse, EventType
+from .session import KokoroSession
+
+# 统一模式专用的提示词模块
+from . import prompt_modules_unified as prompt_modules
+
+if TYPE_CHECKING:
+    from src.chat.message_receive.chat_stream import ChatStream
+    from src.common.data_models.message_manager_data_model import StreamContext
+    from src.plugin_system.base.component_types import ActionInfo
+
+logger = get_logger("kfc_unified")
+
+
+class UnifiedPromptGenerator:
+    """
+    统一模式提示词生成器
+    
+    为统一模式构建提示词：
+    - generate_system_prompt: 构建系统提示词
+    - generate_responding_prompt: 回应消息场景
+    - generate_timeout_prompt: 超时决策场景
+    - generate_proactive_prompt: 主动思考场景
+    """
+    
+    def __init__(self):
+        pass
+    
+    async def generate_system_prompt(
+        self,
+        session: KokoroSession,
+        available_actions: Optional[dict] = None,
+        context_data: Optional[dict[str, str]] = None,
+        chat_stream: Optional["ChatStream"] = None,
+    ) -> str:
+        """
+        生成系统提示词
+        
+        使用 prompt_modules.build_system_prompt() 构建模块化的提示词
+        """
+        return prompt_modules.build_system_prompt(
+            session=session,
+            available_actions=available_actions,
+            context_data=context_data,
+            chat_stream=chat_stream,
+        )
+    
+    async def generate_responding_prompt(
+        self,
+        session: KokoroSession,
+        message_content: str,
+        sender_name: str,
+        sender_id: str,
+        message_time: Optional[float] = None,
+        available_actions: Optional[dict] = None,
+        context: Optional["StreamContext"] = None,
+        context_data: Optional[dict[str, str]] = None,
+        chat_stream: Optional["ChatStream"] = None,
+        all_unread_messages: Optional[list] = None,
+    ) -> tuple[str, str]:
+        """
+        生成回应消息场景的提示词
+        
+        Returns:
+            tuple[str, str]: (系统提示词, 用户提示词)
+        """
+        # 生成系统提示词
+        system_prompt = await self.generate_system_prompt(
+            session,
+            available_actions,
+            context_data=context_data,
+            chat_stream=chat_stream,
+        )
+        
+        # 构建叙事历史
+        if context:
+            narrative_history = prompt_modules.format_history_from_context(
+                context, session.mental_log
+            )
+        else:
+            narrative_history = prompt_modules.format_narrative_history(session.mental_log)
+        
+        # 格式化收到的消息
+        incoming_messages = prompt_modules.format_incoming_messages(
+            message_content=message_content,
+            sender_name=sender_name,
+            sender_id=sender_id,
+            message_time=message_time,
+            all_unread_messages=all_unread_messages,
+        )
+        
+        # 使用用户提示词模板
+        user_prompt = prompt_modules.RESPONDING_USER_PROMPT_TEMPLATE.format(
+            narrative_history=narrative_history,
+            incoming_messages=incoming_messages,
+        )
+        
+        return system_prompt, user_prompt
+    
+    async def generate_timeout_prompt(
+        self,
+        session: KokoroSession,
+        available_actions: Optional[dict] = None,
+        context_data: Optional[dict[str, str]] = None,
+        chat_stream: Optional["ChatStream"] = None,
+    ) -> tuple[str, str]:
+        """
+        生成超时决策场景的提示词
+        
+        Returns:
+            tuple[str, str]: (系统提示词, 用户提示词)
+        """
+        # 生成系统提示词
+        system_prompt = await self.generate_system_prompt(
+            session,
+            available_actions,
+            context_data=context_data,
+            chat_stream=chat_stream,
+        )
+        
+        # 构建叙事历史
+        narrative_history = prompt_modules.format_narrative_history(session.mental_log)
+        
+        # 计算等待时间
+        wait_duration = session.waiting_config.get_elapsed_seconds()
+        
+        # 生成连续追问警告（使用 waiting_config.thinking_count 作为追问计数）
+        followup_count = session.waiting_config.thinking_count
+        max_followups = 3  # 最多追问3次
+        
+        if followup_count >= max_followups:
+            followup_warning = f"""⚠️ **重要提醒**：
+你已经连续追问了 {followup_count} 次，对方都没有回复。
+**强烈建议不要再发消息了**——继续追问会显得很缠人、很不尊重对方的空间。
+对方可能真的在忙，或者暂时不想回复，这都是正常的。
+请选择 `do_nothing` 继续等待，或者直接结束对话（设置 `max_wait_seconds: 0`）。"""
+        elif followup_count > 0:
+            followup_warning = f"""📝 提示：这已经是你第 {followup_count + 1} 次等待对方回复了。
+如果对方持续没有回应，可能真的在忙或不方便，不需要急着追问。"""
+        else:
+            followup_warning = ""
+        
+        # 获取最后一条 Bot 消息
+        last_bot_message = "（没有记录）"
+        for entry in reversed(session.mental_log):
+            if entry.event_type == EventType.BOT_PLANNING:
+                for action in entry.actions:
+                    if action.get("type") in ("reply", "kfc_reply"):
+                        content = action.get("content", "")
+                        if content:
+                            last_bot_message = content
+                            break
+                if last_bot_message != "（没有记录）":
+                    break
+        
+        # 使用用户提示词模板
+        user_prompt = prompt_modules.TIMEOUT_DECISION_USER_PROMPT_TEMPLATE.format(
+            narrative_history=narrative_history,
+            wait_duration_seconds=wait_duration,
+            wait_duration_minutes=wait_duration / 60,
+            expected_user_reaction=session.waiting_config.expected_reaction or "不确定",
+            followup_warning=followup_warning,
+            last_bot_message=last_bot_message,
+        )
+        
+        return system_prompt, user_prompt
+    
+    async def generate_proactive_prompt(
+        self,
+        session: KokoroSession,
+        trigger_context: str,
+        available_actions: Optional[dict] = None,
+        context_data: Optional[dict[str, str]] = None,
+        chat_stream: Optional["ChatStream"] = None,
+    ) -> tuple[str, str]:
+        """
+        生成主动思考场景的提示词
+        
+        Returns:
+            tuple[str, str]: (系统提示词, 用户提示词)
+        """
+        # 生成系统提示词
+        system_prompt = await self.generate_system_prompt(
+            session,
+            available_actions,
+            context_data=context_data,
+            chat_stream=chat_stream,
+        )
+        
+        # 构建叙事历史
+        narrative_history = prompt_modules.format_narrative_history(
+            session.mental_log, max_entries=10
+        )
+        
+        # 计算沉默时长
+        silence_seconds = time.time() - session.last_activity_at
+        if silence_seconds < 3600:
+            silence_duration = f"{silence_seconds / 60:.0f}分钟"
+        else:
+            silence_duration = f"{silence_seconds / 3600:.1f}小时"
+        
+        # 当前时间
+        current_time = datetime.now().strftime("%Y年%m月%d日 %H:%M")
+        
+        # 从 context_data 获取关系信息
+        relation_block = ""
+        if context_data:
+            relation_info = context_data.get("relation_info", "")
+            if relation_info:
+                relation_block = f"### 你与对方的关系\n{relation_info}"
+        
+        if not relation_block:
+            # 回退：使用默认关系描述
+            relation_block = """### 你与对方的关系
+- 你们还不太熟悉
+- 正在慢慢了解中"""
+        
+        # 使用用户提示词模板
+        user_prompt = prompt_modules.PROACTIVE_THINKING_USER_PROMPT_TEMPLATE.format(
+            narrative_history=narrative_history,
+            current_time=current_time,
+            silence_duration=silence_duration,
+            relation_block=relation_block,
+            trigger_context=trigger_context,
+        )
+        
+        return system_prompt, user_prompt
+    
+    def build_messages_for_llm(
+        self,
+        system_prompt: str,
+        user_prompt: str,
+        stream_id: str = "",
+    ) -> str:
+        """
+        构建 LLM 请求的完整提示词
+        
+        将 system + user 合并为单个提示词字符串
+        """
+        # 合并提示词
+        full_prompt = f"{system_prompt}\n\n---\n\n{user_prompt}"
+        
+        # DEBUG日志：打印完整的KFC提示词（只在 DEBUG 级别输出）
+        logger.debug(
+            f"Final KFC prompt constructed for stream {stream_id}:\n"
+            f"--- PROMPT START ---\n"
+            f"{full_prompt}\n"
+            f"--- PROMPT END ---"
+        )
+        
+        return full_prompt
+
+
+# 全局提示词生成器实例
+_prompt_generator: Optional[UnifiedPromptGenerator] = None
+
+
+def get_unified_prompt_generator() -> UnifiedPromptGenerator:
+    """获取全局提示词生成器实例"""
+    global _prompt_generator
+    if _prompt_generator is None:
+        _prompt_generator = UnifiedPromptGenerator()
+    return _prompt_generator
+
+
+async def generate_unified_response(
+    session: KokoroSession,
+    user_name: str,
+    situation_type: str = "new_message",
+    chat_stream: Optional["ChatStream"] = None,
+    available_actions: Optional[dict] = None,
+    extra_context: Optional[dict] = None,
+) -> LLMResponse:
+    """
+    统一模式：单次 LLM 调用生成完整响应
+    
+    调用方式：
+    - 使用 UnifiedPromptGenerator 生成 System + User 提示词
+    - 使用 replyer 模型调用 LLM
+    - 解析 JSON 响应（thought + actions + max_wait_seconds）
+    
+    Args:
+        session: 会话对象
+        user_name: 用户名称
+        situation_type: 情况类型 (new_message/timeout/proactive)
+        chat_stream: 聊天流对象
+        available_actions: 可用动作字典
+        extra_context: 额外上下文
+        
+    Returns:
+        LLMResponse 对象，包含完整的思考和动作
+    """
+    try:
+        prompt_generator = get_unified_prompt_generator()
+        extra_context = extra_context or {}
+        
+        # 获取上下文数据（关系、记忆等）
+        context_data = await _build_context_data(user_name, chat_stream, session.user_id)
+        
+        # 根据情况类型选择提示词生成方法
+        if situation_type == "timeout":
+            system_prompt, user_prompt = await prompt_generator.generate_timeout_prompt(
+                session=session,
+                available_actions=available_actions,
+                context_data=context_data,
+                chat_stream=chat_stream,
+            )
+        elif situation_type == "proactive":
+            trigger_context = extra_context.get("trigger_reason", "")
+            system_prompt, user_prompt = await prompt_generator.generate_proactive_prompt(
+                session=session,
+                trigger_context=trigger_context,
+                available_actions=available_actions,
+                context_data=context_data,
+                chat_stream=chat_stream,
+            )
+        else:
+            # 默认为回应消息场景 (new_message, reply_in_time, reply_late)
+            # 获取最后一条用户消息
+            message_content, sender_name, sender_id, message_time, all_unread = _get_last_user_message(
+                session, user_name, chat_stream
+            )
+            
+            system_prompt, user_prompt = await prompt_generator.generate_responding_prompt(
+                session=session,
+                message_content=message_content,
+                sender_name=sender_name,
+                sender_id=sender_id,
+                message_time=message_time,
+                available_actions=available_actions,
+                context=chat_stream.context if chat_stream else None,
+                context_data=context_data,
+                chat_stream=chat_stream,
+                all_unread_messages=all_unread,
+            )
+        
+        # 构建完整提示词
+        prompt = prompt_generator.build_messages_for_llm(
+            system_prompt,
+            user_prompt,
+            stream_id=chat_stream.stream_id if chat_stream else "",
+        )
+        
+        # 显示提示词（调试模式 - 只有在配置中开启时才输出）
+        if global_config and global_config.debug.show_prompt:
+            logger.info(
+                f"[KFC] 完整提示词 (stream={chat_stream.stream_id if chat_stream else 'unknown'}):\n"
+                f"--- PROMPT START ---\n"
+                f"{prompt}\n"
+                f"--- PROMPT END ---"
+            )
+        
+        # 获取 replyer 模型配置并调用 LLM
+        models = llm_api.get_available_models()
+        replyer_config = models.get("replyer")
+        
+        if not replyer_config:
+            logger.error("[KFC Unified] 未找到 replyer 模型配置")
+            return LLMResponse.create_error_response("未找到 replyer 模型配置")
+        
+        # 调用 LLM（使用合并后的提示词）
+        success, raw_response, reasoning, model_name = await llm_api.generate_with_model(
+            prompt=prompt,
+            model_config=replyer_config,
+            request_type="kokoro_flow_chatter.unified",
+        )
+        
+        if not success:
+            logger.error(f"[KFC Unified] LLM 调用失败: {raw_response}")
+            return LLMResponse.create_error_response(raw_response)
+        
+        # 输出原始 JSON 响应（DEBUG 级别，用于调试）
+        logger.debug(
+            f"Raw JSON response from LLM for stream {chat_stream.stream_id if chat_stream else 'unknown'}:\n"
+            f"--- JSON START ---\n"
+            f"{raw_response}\n"
+            f"--- JSON END ---"
+        )
+        
+        # 解析响应
+        return _parse_unified_response(raw_response, chat_stream.stream_id if chat_stream else None)
+        
+    except Exception as e:
+        logger.error(f"[KFC Unified] 生成失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return LLMResponse.create_error_response(str(e))
+
+
+async def _build_context_data(
+    user_name: str,
+    chat_stream: Optional["ChatStream"],
+    user_id: Optional[str] = None,
+) -> dict[str, str]:
+    """
+    构建上下文数据（关系、记忆、表达习惯等）
+    """
+    if not chat_stream:
+        return {
+            "relation_info": f"你与 {user_name} 还不太熟悉，这是早期的交流阶段。",
+            "memory_block": "",
+            "expression_habits": "",
+            "schedule": "",
+        }
+    
+    try:
+        from .context_builder import KFCContextBuilder
+        
+        builder = KFCContextBuilder(chat_stream)
+        
+        # 获取最近的消息作为 target_message（用于记忆检索）
+        target_message = ""
+        if chat_stream.context:
+            unread = chat_stream.context.get_unread_messages()
+            if unread:
+                target_message = unread[-1].processed_plain_text or unread[-1].display_message or ""
+        
+        context_data = await builder.build_all_context(
+            sender_name=user_name,
+            target_message=target_message,
+            context=chat_stream.context,
+            user_id=user_id,
+        )
+        
+        return context_data
+        
+    except Exception as e:
+        logger.warning(f"构建上下文数据失败: {e}")
+        return {
+            "relation_info": f"你与 {user_name} 还不太熟悉，这是早期的交流阶段。",
+            "memory_block": "",
+            "expression_habits": "",
+            "schedule": "",
+        }
+
+
+def _get_last_user_message(
+    session: KokoroSession,
+    user_name: str,
+    chat_stream: Optional["ChatStream"],
+) -> tuple[str, str, str, float, Optional[list]]:
+    """
+    获取最后一条用户消息
+    
+    Returns:
+        tuple: (消息内容, 发送者名称, 发送者ID, 消息时间, 所有未读消息列表)
+    """
+    message_content = ""
+    sender_name = user_name
+    sender_id = session.user_id or ""
+    message_time = time.time()
+    all_unread = None
+    
+    # 从 chat_stream 获取未读消息
+    if chat_stream and chat_stream.context:
+        unread = chat_stream.context.get_unread_messages()
+        if unread:
+            all_unread = unread if len(unread) > 1 else None
+            last_msg = unread[-1]
+            message_content = last_msg.processed_plain_text or last_msg.display_message or ""
+            if last_msg.user_info:
+                sender_name = last_msg.user_info.user_nickname or user_name
+                sender_id = str(last_msg.user_info.user_id)
+            message_time = last_msg.time or time.time()
+    
+    # 如果没有从 chat_stream 获取到，从 mental_log 获取
+    if not message_content:
+        for entry in reversed(session.mental_log):
+            if entry.event_type == EventType.USER_MESSAGE:
+                message_content = entry.content or ""
+                sender_name = entry.user_name or user_name
+                message_time = entry.timestamp
+                break
+    
+    return message_content, sender_name, sender_id, message_time, all_unread
+
+
+def _parse_unified_response(raw_response: str, stream_id: str | None = None) -> LLMResponse:
+    """
+    解析统一模式的 LLM 响应
+    
+    响应格式：
+    {
+        "thought": "...",
+        "expected_user_reaction": "...",
+        "max_wait_seconds": 300,
+        "actions": [{"type": "reply", "content": "..."}]
+    }
+    """
+    data = extract_and_parse_json(raw_response, strict=False)
+    
+    if not data or not isinstance(data, dict):
+        logger.warning(f"[KFC Unified] 无法解析 JSON: {raw_response[:200]}...")
+        return LLMResponse.create_error_response("无法解析响应格式")
+    
+    # 兼容旧版的字段名
+    # expected_user_reaction -> expected_reaction
+    if "expected_user_reaction" in data and "expected_reaction" not in data:
+        data["expected_reaction"] = data["expected_user_reaction"]
+    
+    # 兼容旧版的 reply -> kfc_reply
+    actions = data.get("actions", [])
+    for action in actions:
+        if isinstance(action, dict):
+            if action.get("type") == "reply":
+                action["type"] = "kfc_reply"
+    
+    response = LLMResponse.from_dict(data)
+    
+    # 美化日志输出：内心思考 + 回复内容
+    _log_pretty_response(response, stream_id)
+    
+    return response
+
+
+def _log_pretty_response(response: LLMResponse, stream_id: str | None = None) -> None:
+    """简洁输出 LLM 响应日志"""
+    if not response.thought and not response.actions:
+        logger.warning("[KFC] 响应为空")
+        return
+    
+    stream_tag = f"({stream_id[:8]}) " if stream_id else ""
+    
+    # 收集回复内容和其他动作
+    replies = []
+    actions = []
+    for action in response.actions:
+        if action.type == "kfc_reply":
+            content = action.params.get("content", "")
+            if content:
+                replies.append(content)
+        elif action.type not in ("do_nothing", "no_action"):
+            actions.append(action.type)
+    
+    # 逐行输出，简洁明了
+    if response.thought:
+        logger.info(f"[KFC] {stream_tag}💭 {response.thought}")
+    
+    for i, reply in enumerate(replies):
+        if len(replies) > 1:
+            logger.info(f"[KFC] 💬[{i+1}] {reply}")
+        else:
+            logger.info(f"[KFC] 💬 {reply}")
+    
+    if actions:
+        logger.info(f"[KFC] 🎯 {', '.join(actions)}")
+    
+    if response.max_wait_seconds > 0 or response.expected_reaction:
+        meta = f"⏱{response.max_wait_seconds}s" if response.max_wait_seconds > 0 else ""
+        if response.expected_reaction:
+            meta += f" 预期: {response.expected_reaction}"
+        logger.info(f"[KFC] {meta.strip()}")

src/plugins/built_in/napcat_adapter/plugin.py

@@ -41,7 +41,7 @@ class NapcatAdapter(BaseAdapter):
     adapter_description = "基于 MoFox-Bus 的 Napcat/OneBot 11 适配器"
     platform = "qq"
 
-    run_in_subprocess = True
+    run_in_subprocess = False
 
     def __init__(self, core_sink: CoreSink, plugin: Optional[BasePlugin] = None, **kwargs):
         """初始化 Napcat 适配器"""

src/plugins/built_in/social_toolkit_plugin/plugin.py

@@ -140,14 +140,7 @@ class PokeAction(BaseAction):
 
     # === 基本信息（必须填写）===
     action_name = "poke_user"
-    action_description = """可以让你戳其他用户，为互动增添一份小小的乐趣。
+    action_description = "可以让你戳其他用户，为互动增添一份小小的乐趣。"
-    判定条件：
-    1. **互动时机**: 这是一个有趣的互动方式，可以在想提醒某人，或者单纯想开个玩笑时使用。
-    2. **用户请求**: 当用户明确要求使用戳一戳时。
-    3. **上下文需求**: 当上下文明确需要你戳一个或多个人时。
-    4. **频率与情绪**: 如果最近已经戳过，或者感觉对方情绪不高，请避免使用，不要打扰到别人哦。
-
-    请根据上述规则，回答“是”或“否”。"""
     activation_type = ActionActivationType.ALWAYS
     parallel_action = True
 
@@ -202,7 +195,7 @@ class PokeAction(BaseAction):
         for i in range(times):
             logger.info(f"正在向 {display_name} ({user_id}) 发送第 {i + 1}/{times} 次戳一戳...")
             await self.send_command(
-                "SEND_POKE", args=poke_args, display_message=f"戳了戳 {display_name} ({i + 1}/{times})"
+                "SEND_POKE", args=poke_args
             )
             # 添加一个延迟，避免因发送过快导致后续戳一戳失败
             await asyncio.sleep(1.5)

src/plugins/built_in/tts_voice_plugin/actions/tts_action.py

@@ -62,7 +62,7 @@ class TTSVoiceAction(BaseAction):
     """
 
     action_name = "tts_voice_action"
-    action_description = "将你生成好的文本转换为语音并发送。你必须提供要转换的文本。"
+    action_description = "将你生成好的文本转换为语音并发送。注意：这是纯语音合成，只能说话，不能唱歌！"
 
     mode_enable = ChatMode.ALL
     parallel_action = False
@@ -70,7 +70,7 @@ class TTSVoiceAction(BaseAction):
     action_parameters: ClassVar[dict] = {
         "tts_voice_text": {
             "type": "string",
-            "description": "需要转换为语音并发送的完整、自然、适合口语的文本内容。",
+            "description": "需要转换为语音并发送的完整、自然、适合口语的文本内容。注意：只能是说话内容，不能是歌词或唱歌！",
             "required": True
         },
         "voice_style": {
@@ -100,14 +100,15 @@ class TTSVoiceAction(BaseAction):
     }
 
     action_require: ClassVar[list] = [
-        "在调用此动作时，你必须在 'text' 参数中提供要合成语音的完整回复内容。这是强制性的。",
+        "【核心限制】此动作只能用于说话，绝对不能用于唱歌！TTS无法发出有音调的歌声，只会输出平淡的念白。如果用户要求唱歌，不要使用此动作！",
-        "当用户明确请求使用语音进行回复时，例如‘发个语音听听’、‘用语音说’等。",
+        "在调用此动作时，你必须在 'tts_voice_text' 参数中提供要合成语音的完整回复内容。这是强制性的。",
+        "当用户明确请求使用语音进行回复时，例如'发个语音听听'、'用语音说'等。",
         "当对话内容适合用语音表达，例如讲故事、念诗、撒嬌或进行角色扮演时。",
         "在表达特殊情感（如安慰、鼓励、庆祝）的场景下，可以主动使用语音来增强感染力。",
         "不要在日常的、简短的问答或闲聊中频繁使用语音，避免打扰用户。",
-        "提供的 'text' 内容必须是纯粹的对话，不能包含任何括号或方括号括起来的动作、表情、或场景描述（例如，不要出现 '(笑)' 或 '[歪头]'）",
+        "提供的 'tts_voice_text' 内容必须是纯粹的对话，不能包含任何括号或方括号括起来的动作、表情、或场景描述（例如，不要出现 '(笑)' 或 '[歪头]'）",
-        "**重要**：此动作专为语音合成设计，因此 'text' 参数的内容必须是纯净、标准的口语文本。请务必抑制你通常的、富有表现力的文本风格，不要使用任何辅助聊天或增强视觉效果的特殊符号（例如 '♪', '～', '∽', '☆' 等），因为它们无法被正确合成为语音。",
+        "**重要**：此动作专为语音合成设计，因此 'tts_voice_text' 参数的内容必须是纯净、标准的口语文本。请务必抑制你通常的、富有表现力的文本风格，不要使用任何辅助聊天或增强视觉效果的特殊符号（例如 '♪', '～', '∽', '☆' 等），因为它们无法被正确合成为语音。",
-        "【**最终规则**】'text' 参数中，所有句子和停顿【必须】使用且只能使用以下四个标准标点符号：'，' (逗号)、'。' (句号)、'？' (问号)、'！' (叹号)。任何其他符号，特别是 '...'、'～' 以及任何表情符号或装饰性符号，都【严禁】出现，否则将导致语音合成严重失败。"
+        "【**最终规则**】'tts_voice_text' 参数中，所有句子和停顿【必须】使用且只能使用以下四个标准标点符号：'，' (逗号)、'。' (句号)、'？' (问号)、'！' (叹号)。任何其他符号，特别是 '...'、'～' 以及任何表情符号或装饰性符号，都【严禁】出现，否则将导致语音合成严重失败。"
     ]
 
     def __init__(self, *args, **kwargs):

template/bot_config_template.toml

@@ -1,5 +1,5 @@
 [inner]
-version = "7.9.2" 
+version = "7.9.5"
 
 #----以下是给开发人员阅读的，如果你只是部署了MoFox-Bot，不需要阅读----
 #如果你想要修改配置文件，请递增version的值
@@ -574,53 +574,44 @@ strong_mention_interest_score = 2.0 # 强提及的兴趣分（被@、被回复
 weak_mention_interest_score = 0.8 # 弱提及的兴趣分（文本匹配bot名字或别名）
 base_relationship_score = 0.3 # 基础人物关系分
 
-[proactive_thinking] # 主动思考（主动发起对话）功能配置
+[proactive_thinking] # 主动思考（主动发起对话）功能配置 - 用于群聊和私聊（当KFC关闭时）
 # 详细配置说明请参考：docs/proactive_thinking_config_guide.md
 
 # --- 总开关 ---
 enable = true # 是否启用主动发起对话功能
 
 # --- 间隔配置 ---
-base_interval = 720 # 基础触发间隔（秒），默认12分钟
+base_interval = 1800 # 基础触发间隔（秒），默认30分钟
-min_interval = 360 # 最小触发间隔（秒），默认6分钟
+min_interval = 600 # 最小触发间隔（秒），默认10分钟。兴趣分数高时会接近此值
-max_interval = 2880 # 最大触发间隔（秒），默认48分钟
+max_interval = 7200 # 最大触发间隔（秒），默认2小时。兴趣分数低时会接近此值
 
-# 动态调整配置
+# --- 动态调整配置 ---
-use_interest_score = true # 是否根据兴趣分数动态调整间隔
+use_interest_score = true # 是否根据兴趣分数动态调整间隔。关闭则使用固定base_interval
-interest_score_factor = 2.0 # 兴趣分数影响因子（1.0-3.0）
+interest_score_factor = 2.0 # 兴趣分数影响因子。公式: interval = base * (factor - score)
-# 公式: interval = base_interval * (interest_score_factor - interest_score)
-# 例如: interest_score=0.8, factor=2.0 -> interval = 1800 * 1.2 = 2160秒(36分钟)
 
 # --- 黑白名单配置 ---
-whitelist_mode = false # 是否启用白名单模式（启用后只对白名单中的聊天流生效）
+whitelist_mode = false # 是否启用白名单模式。启用后只对白名单中的聊天流生效
-blacklist_mode = false # 是否启用黑名单模式（启用后排除黑名单中的聊天流）
+blacklist_mode = false # 是否启用黑名单模式。启用后排除黑名单中的聊天流
 
-# 白名单配置（示例格式）
 whitelist_private = [] # 私聊白名单，格式: ["qq:12345:private"]
 whitelist_group = [] # 群聊白名单，格式: ["qq:123456:group"]
-
-# 黑名单配置（示例格式）
 blacklist_private = [] # 私聊黑名单，格式: ["qq:12345:private"]
 blacklist_group = [] # 群聊黑名单，格式: ["qq:999999:group"]
 
-# --- 作用范围 ---
-enable_in_private = true # 是否允许在私聊中主动发起对话
-enable_in_group = true # 是否允许在群聊中主动发起对话
-
 # --- 兴趣分数阈值 ---
 min_interest_score = 0.0 # 最低兴趣分数阈值，低于此值不会主动思考
 max_interest_score = 1.0 # 最高兴趣分数阈值，高于此值不会主动思考
 
 # --- 时间策略配置 ---
-enable_time_strategy = true # 是否启用时间策略（根据时段调整频率）
+enable_time_strategy = false # 是否启用时间策略（根据时段调整频率）
 quiet_hours_start = "00:00" # 安静时段开始时间，格式: "HH:MM"
 quiet_hours_end = "07:00" # 安静时段结束时间，格式: "HH:MM"
 active_hours_multiplier = 0.7 # 活跃时段间隔倍数，<1表示更频繁，>1表示更稀疏
 
 # --- 冷却与限制 ---
-reply_reset_enabled = true # bot回复后是否重置定时器（避免回复后立即又主动发言）
+reply_reset_enabled = true # bot回复后是否重置定时器
-topic_throw_cooldown = 3600 # 主动发言后的冷却时间（秒），期间暂停主动思考，等待用户回复。0表示不暂停，继续主动思考
+topic_throw_cooldown = 3600 # 抛出话题后的冷却时间（秒）
-max_daily_proactive = 3 # 每个聊天流每天最多主动发言次数，0表示不限制
+max_daily_proactive = 0 # 每个聊天流每天最多主动发言次数，0表示不限制
 
 # --- 决策权重配置 ---
 do_nothing_weight = 0.4 # do_nothing动作的基础权重
@@ -628,5 +619,50 @@ simple_bubble_weight = 0.3 # simple_bubble动作的基础权重
 throw_topic_weight = 0.3 # throw_topic动作的基础权重
 
 # --- 调试与监控 ---
-enable_statistics = false # 是否启用统计功能（记录触发次数、决策分布等）
+enable_statistics = true # 是否启用统计功能
-log_decisions = false # 是否记录每次决策的详细日志（用于调试）
+log_decisions = false # 是否记录每次决策的详细日志
+
+# ==================== Kokoro Flow Chatter (心流聊天器) 配置 ====================
+# KFC是专为私聊设计的深度情感交互处理器。
+# 注意：这是一个可选的聊天模式，关闭后私聊将由默认的AFC处理（使用上面的proactive_thinking配置）。
+# 核心理念：KFC不是独立人格，它复用全局的人设、情感框架和回复模型。
+
+[kokoro_flow_chatter]
+# --- 总开关 ---
+# 开启后，KFC将接管所有私聊消息；关闭后，私聊消息将由AFC处理。
+enable = true
+
+# --- 工作模式 ---
+# 可选值: "unified"（统一模式）或 "split"（分离模式）
+# unified: 单次LLM调用完成思考和回复生成，类似传统聊天方式，响应更快
+# split: Planner + Replyer两次LLM调用，先规划再生成回复，控制更精细
+mode = "split"
+
+# --- 核心行为配置 ---
+max_wait_seconds_default = 300 # 默认的最大等待秒数（AI发送消息后愿意等待用户回复的时间）
+enable_continuous_thinking = true # 是否在等待期间启用心理活动更新
+
+# --- 私聊专属主动思考配置 ---
+# 注意：这是KFC专属的主动思考配置，只有当KFC启用时才生效。
+# 它旨在模拟更真实、情感驱动的互动，而非简单的定时任务。
+# 「主动思考」是「想一想要不要联系对方」，不是「到时间就发消息」。
+# 她可能决定说些什么，也可能决定「算了，不打扰了」。
+[kokoro_flow_chatter.proactive_thinking]
+enabled = true # 是否启用KFC的私聊主动思考。
+
+# 1. 沉默触发器：当感到长久的沉默时，她可能会想说些什么。
+silence_threshold_seconds = 7200 # 用户沉默超过此时长（秒），可能触发主动思考（默认2小时）。
+
+# 2. 关系门槛：她不会对不熟悉的人过于主动。
+min_affinity_for_proactive = 0.3 # 需要达到最低好感度，她才会开始主动关心。
+
+# 3. 频率呼吸：为了避免打扰，她的关心总是有间隔的。
+min_interval_between_proactive = 1800 # 两次主动思考之间的最小间隔（秒，默认30分钟）。
+
+# 4. 勿扰时段：在这个时间范围内，不会触发主动思考（避免深夜打扰用户）。
+# 格式为 "HH:MM"，使用24小时制。如果 start > end，表示跨越午夜（如 23:00 到 07:00）。
+quiet_hours_start = "23:00" # 勿扰开始时间
+quiet_hours_end = "07:00" # 勿扰结束时间
+
+# 5. 触发概率：每次检查时主动发起的概率，用于避免过于频繁打扰。
+trigger_probability = 0.3 # 0.0~1.0，默认30%概率