Merge branch 'main-fix' of https://github.com/SengokuCola/MaiMBot into main-fix

README.md

@@ -155,6 +155,8 @@ MaiMBot是一个开源项目，我们非常欢迎你的参与。你的贡献，
 
 - [🐳 Docker部署指南](docs/docker_deploy.md)
 
+- [🖥️群晖 NAS 部署指南](docs/synology_deploy.md)
+
 ### 配置说明
 
 - [🎀 新手配置指南](docs/installation_cute.md) - 通俗易懂的配置教程，适合初次使用的猫娘

docs/fast_q_a.md

@@ -38,6 +38,9 @@
 ### MongoDB相关问题
 
 - 我应该怎么清空bot内存储的表情包 ❓
+>需要先安装`MongoDB Compass`，[下载链接](https://www.mongodb.com/try/download/compass)，软件支持`macOS、Windows、Ubuntu、Redhat`系统
+>以Windows为例，保持如图所示选项，点击`Download`即可，如果是其他系统，请在`Platform`中自行选择：
+><img src="./pic/compass_downloadguide.png" width=400>
 
 >打开你的MongoDB Compass软件，你会在左上角看到这样的一个界面：
 >
@@ -68,7 +71,9 @@
 - 为什么我连接不上MongoDB服务器 ❓
 
 >这个问题比较复杂，但是你可以按照下面的步骤检查，看看具体是什么问题
->
+
+
+>#### Windows
 > 1. 检查有没有把 mongod.exe 所在的目录添加到 path。 具体可参照
 >
 >&emsp;&emsp;[CSDN-windows10设置环境变量Path详细步骤](https://blog.csdn.net/flame_007/article/details/106401215)
@@ -113,3 +118,172 @@
 >MONGODB_PORT=27017 #修改这里
 >DATABASE_NAME=MegBot
 >```
+
+<details>
+<summary>Linux（点击展开）</summary>
+
+#### **1. 检查 MongoDB 服务是否运行**
+- **命令**：
+  ```bash
+  systemctl status mongod      # 检查服务状态（Ubuntu/Debian/CentOS 7+）
+  service mongod status        # 旧版系统（如 CentOS 6）
+  ```
+- **可能结果**：
+  - 如果显示 `active (running)`，服务已启动。
+  - 如果未运行，启动服务：
+    ```bash
+    sudo systemctl start mongod    # 启动服务
+    sudo systemctl enable mongod   # 设置开机自启
+    ```
+
+---
+
+#### **2. 检查 MongoDB 端口监听**
+MongoDB 默认使用 **27017** 端口。  
+- **检查端口是否被监听**：
+  ```bash
+  sudo ss -tulnp | grep 27017    
+  或
+  sudo netstat -tulnp | grep 27017
+  ```
+- **预期结果**：
+  ```bash
+  tcp  LISTEN 0 128  0.0.0.0:27017  0.0.0.0:*  users:(("mongod",pid=123,fd=11))
+  ```
+  - 如果无输出，说明 MongoDB 未监听端口。
+
+
+---
+#### **3. 检查防火墙设置**
+- **Ubuntu/Debian（UFW 防火墙）**：
+  ```bash
+  sudo ufw status                  # 查看防火墙状态
+  sudo ufw allow 27017/tcp         # 开放 27017 端口
+  sudo ufw reload                  # 重新加载规则
+  ```
+- **CentOS/RHEL（firewalld）**：
+  ```bash
+  sudo firewall-cmd --list-ports                   # 查看已开放端口
+  sudo firewall-cmd --add-port=27017/tcp --permanent  # 永久开放端口
+  sudo firewall-cmd --reload                       # 重新加载
+  ```
+- **云服务器用户注意**：检查云平台安全组规则，确保放行 27017 端口。
+
+---
+
+#### **4. 检查端口占用**
+如果 MongoDB 服务无法监听端口，可能是其他进程占用了 `27017` 端口。  
+- **检查端口占用进程**：
+  ```bash
+  sudo lsof -i :27017          # 查看占用 27017 端口的进程
+  或
+  sudo ss -ltnp 'sport = :27017'  # 使用 ss 过滤端口
+  ```
+- **结果示例**：
+  ```bash
+  COMMAND  PID USER   FD TYPE DEVICE SIZE/OFF NODE NAME
+  java    1234 root   12u IPv4 123456      0t0  TCP *:27017 (LISTEN)
+  ```
+  - 输出会显示占用端口的 **进程名** 和 **PID**（此处 `PID=1234`）。
+
+- **解决方案**：
+  1. **终止占用进程**（谨慎操作！确保进程非关键）：
+     ```bash
+     sudo kill 1234                  # 正常终止进程
+     sudo kill -9 1234               # 强制终止（若正常终止无效）
+     ```
+  2. **修改端口**：  
+     编辑麦麦目录里的`.env.dev`文件，修改端口号：
+  ```ini
+  MONGODB_HOST=127.0.0.1
+  MONGODB_PORT=27017 #修改这里
+  DATABASE_NAME=MegBot
+  ```
+
+
+##### **注意事项**
+- 终止进程前，务必确认该进程非系统关键服务（如未知进程占用，建议先排查来源），如果你不知道这个进程是否关键，请更改端口使用。
+
+</details>
+
+<details>
+<summary>macOS（点击展开）</summary>
+
+### **1. 检查 MongoDB 服务状态**
+**问题原因**：MongoDB 服务未启动  
+**操作步骤**：
+```bash
+# 查看 MongoDB 是否正在运行（Homebrew 安装的默认服务名）
+brew services list | grep mongodb
+
+# 如果状态为 "stopped" 或 "error"，手动启动
+brew services start mongodb-community@8.0  
+```
+✅ **预期结果**：输出显示 `started` 或 `running`  
+❌ **失败处理**：  
+- 若报错 `unrecognized service`，可能未正确安装 MongoDB，建议[重新安装](https://www.mongodb.com/docs/manual/tutorial/install-mongodb-on-os-x/#install-mongodb-community-edition)。
+
+---
+
+### **2. 检查端口是否被占用**
+**问题原因**：其他程序占用了 MongoDB 的默认端口（`27017`），导致服务无法启动或连接  
+**操作步骤**：
+```bash
+# 检查 27017 端口占用情况（需 sudo 权限查看完整信息）
+sudo lsof -i :27017
+
+# 或使用 netstat 快速检测
+netstat -an | grep 27017
+```
+✅ **预期结果**：  
+- 若无 MongoDB 运行，应无输出  
+- 若 MongoDB 已启动，应显示 `mongod` 进程  
+
+❌ **发现端口被占用**：  
+#### **解决方案1：终止占用进程**
+1. 从 `lsof` 输出中找到占用端口的 **PID**（进程号）  
+2. 强制终止该进程（谨慎操作！确保进程非关键）：
+   ```bash
+   kill -9 PID  # 替换 PID 为实际数字（例如 kill -9 12345）
+   ```
+3. 重新启动 MongoDB 服务：
+   ```bash
+   brew services start mongodb-community@8.0
+   ```
+
+#### **解决方案2：修改端口**
+   编辑麦麦目录里的`.env.dev`文件，修改端口号：
+  ```ini
+  MONGODB_HOST=127.0.0.1
+  MONGODB_PORT=27017 #修改这里
+  DATABASE_NAME=MegBot
+  ```
+
+---
+
+### **3. 检查防火墙设置**
+**问题原因**：macOS 防火墙阻止连接  
+**操作步骤**：  
+1. 打开 **系统设置 > 隐私与安全性 > 防火墙**  
+2. 临时关闭防火墙测试连接  
+3. 若需长期开放，添加 MongoDB 到防火墙允许列表（通过终端或 GUI）。
+
+
+---
+### **4. 重置 MongoDB 环境**
+***仅在以上步骤都无效时使用***
+**适用场景**：配置混乱导致无法修复  
+```bash
+# 停止服务并删除数据
+brew services stop mongodb-community@8.0
+rm -rf /usr/local/var/mongodb
+
+# 重新初始化（确保目录权限）
+sudo mkdir -p /usr/local/var/mongodb
+sudo chown -R $(whoami) /usr/local/var/mongodb
+
+# 重新启动
+brew services start mongodb-community@8.0
+```
+
+</details>

docs/linux_deploy_guide_for_beginners.md

@@ -2,7 +2,7 @@
 
 
 ## 事前准备
-为了能使麦麦不间断的运行，你需要一台一直开着的主机。
+为了能使麦麦不间断的运行，你需要一台一直开着的服务器。
 
 ### 如果你想购买服务器
 华为云、阿里云、腾讯云等等都是在国内可以选择的选择。
@@ -12,6 +12,8 @@
 ### 如果你不想购买服务器
 你可以准备一台可以一直开着的电脑/主机，只需要保证能够正常访问互联网即可
 
+**下文将统称它们为`服务器`**
+
 我们假设你已经有了一台Linux架构的服务器。举例使用的是Ubuntu24.04，其他的原理相似。
 
 ## 0.我们就从零开始吧
@@ -120,6 +122,7 @@ sudo apt install python-is-python3
 ```
 
 ## 3.MongoDB的安装
+*如果你是参考[官方文档](https://www.mongodb.com/zh-cn/docs/manual/administration/install-on-linux/#std-label-install-mdb-community-edition-linux)进行安装的，可跳过此步*
 
 ``` bash
 cd /moi/mai
@@ -156,6 +159,7 @@ sudo systemctl enable mongod
 curl -o napcat.sh https://nclatest.znin.net/NapNeko/NapCat-Installer/main/script/install.sh && sudo bash napcat.sh
 ```
 执行后，脚本会自动帮你部署好QQ及Napcat
+*注：如果你已经手动安装了Napcat和QQ，可忽略此步*
 
 成功的标志是输入``` napcat ```出来炫酷的彩虹色界面
 
@@ -225,7 +229,8 @@ bot
    └─ bot_config.toml
 ```
 
-你要会vim直接在终端里修改也行，不过也可以把它们下到本地改好再传上去：
+你可以使用vim、nano等编辑器直接在终端里修改这些配置文件，但如果你不熟悉它们的操作，也可以使用带图形界面的编辑器。
+如果你的麦麦部署在远程服务器，也可以把它们下载到本地改好再传上去
 
 ### step 5 文件配置
 
@@ -244,7 +249,7 @@ bot
 - [⚙️ 标准配置指南](./installation_standard.md) - 简明专业的配置说明，适合有经验的用户
 
 
-**step # 6** 运行
+### step 6 运行
 
 现在再运行
 

docs/manual_deploy_linux.md

@@ -24,9 +24,6 @@
 
 ---
 
-## 一键部署
-请下载并运行项目根目录中的run.sh并按照提示安装，部署完成后请参照后续配置指南进行配置
-
 ## 环境配置
 
 ### 1️⃣ **确认Python版本**

script/run_thingking.bat

@@ -1,5 +1,5 @@
-call conda activate niuniu
-cd src\gui
-start /b python reasoning_gui.py
+@REM call conda activate niuniu
+cd ../src\gui
+start /b ../../venv/scripts/python.exe reasoning_gui.py
 exit
 

src/gui/reasoning_gui.py

@@ -6,6 +6,8 @@ import time
 from datetime import datetime
 from typing import Dict, List
 from typing import Optional
+sys.path.insert(0, sys.path[0]+"/../")
+sys.path.insert(0, sys.path[0]+"/../")
 from src.common.logger import get_module_logger
 
 import customtkinter as ctk

src/plugins/chat/bot.py

@@ -296,7 +296,7 @@ class ChatBot:
                     return
 
             raw_message = f"[戳了戳]{global_config.BOT_NICKNAME}"  # 默认类型
-            if info := event.raw_info:
+            if info := event.model_extra["raw_info"]:
                 poke_type = info[2].get("txt", "戳了戳")  # 戳戳类型，例如“拍一拍”、“揉一揉”、“捏一捏”
                 custom_poke_message = info[4].get("txt", "")  # 自定义戳戳消息，若不存在会为空字符串
                 raw_message = f"[{poke_type}]{global_config.BOT_NICKNAME}{custom_poke_message}"

src/plugins/chat/utils.py

@@ -260,9 +260,15 @@ def split_into_sentences_w_remove_punctuation(text: str) -> List[str]:
 
     # print(f"处理前的文本: {text}")
 
-    # 统一将英文逗号转换为中文逗号
-    text = text.replace(",", "，")
-    text = text.replace("\n", " ")
+    # 检查是否为西文字符段落
+    if not is_western_paragraph(text):
+        # 当语言为中文时，统一将英文逗号转换为中文逗号
+        text = text.replace(",", "，")
+        text = text.replace("\n", " ")
+    else:
+        # 用"|seg|"作为分割符分开
+        text = re.sub(r"([.!?]) +", r"\1\|seg\|", text)
+        text = text.replace("\n", "\|seg\|")
     text, mapping = protect_kaomoji(text)
     # print(f"处理前的文本: {text}")
 
@@ -285,21 +291,29 @@ def split_into_sentences_w_remove_punctuation(text: str) -> List[str]:
     for sentence in sentences:
         parts = sentence.split("，")
         current_sentence = parts[0]
-        for part in parts[1:]:
-            if random.random() < split_strength:
+        if  not is_western_paragraph(current_sentence):
+            for part in parts[1:]:
+                if random.random() < split_strength:
+                    new_sentences.append(current_sentence.strip())
+                    current_sentence = part
+                else:
+                    current_sentence += "，" + part
+            # 处理空格分割
+            space_parts = current_sentence.split(" ")
+            current_sentence = space_parts[0]
+            for part in space_parts[1:]:
+                if random.random() < split_strength:
+                    new_sentences.append(current_sentence.strip())
+                    current_sentence = part
+                else:
+                    current_sentence += " " + part
+        else:
+            # 处理分割符
+            space_parts = current_sentence.split("\|seg\|")
+            current_sentence = space_parts[0]
+            for part in space_parts[1:]:
                 new_sentences.append(current_sentence.strip())
                 current_sentence = part
-            else:
-                current_sentence += "，" + part
-        # 处理空格分割
-        space_parts = current_sentence.split(" ")
-        current_sentence = space_parts[0]
-        for part in space_parts[1:]:
-            if random.random() < split_strength:
-                new_sentences.append(current_sentence.strip())
-                current_sentence = part
-            else:
-                current_sentence += " " + part
         new_sentences.append(current_sentence.strip())
     sentences = [s for s in new_sentences if s]  # 移除空字符串
     sentences = recover_kaomoji(sentences, mapping)
@@ -308,10 +322,12 @@ def split_into_sentences_w_remove_punctuation(text: str) -> List[str]:
     sentences_done = []
     for sentence in sentences:
         sentence = sentence.rstrip("，,")
-        if random.random() < split_strength * 0.5:
-            sentence = sentence.replace("，", "").replace(",", "")
-        elif random.random() < split_strength:
-            sentence = sentence.replace("，", " ").replace(",", " ")
+        # 西文字符句子不进行随机合并
+        if  not is_western_paragraph(current_sentence):
+            if random.random() < split_strength * 0.5:
+                sentence = sentence.replace("，", "").replace(",", "")
+            elif random.random() < split_strength:
+                sentence = sentence.replace("，", " ").replace(",", " ")
         sentences_done.append(sentence)
 
     logger.debug(f"处理后的句子: {sentences_done}")
@@ -347,7 +363,11 @@ def random_remove_punctuation(text: str) -> str:
 
 def process_llm_response(text: str) -> List[str]:
     # processed_response = process_text_with_typos(content)
-    if len(text) > 100:
+    # 对西文字符段落的回复长度设置为汉字字符的两倍
+    if len(text) > 100 and not is_western_paragraph(text) :
+        logger.warning(f"回复过长 ({len(text)} 字符)，返回默认回复")
+        return ["懒得说"]
+    elif len(text) > 200 :
         logger.warning(f"回复过长 ({len(text)} 字符)，返回默认回复")
         return ["懒得说"]
     # 处理长消息
@@ -509,3 +529,13 @@ def recover_kaomoji(sentences, placeholder_to_kaomoji):
             sentence = sentence.replace(placeholder, kaomoji)
         recovered_sentences.append(sentence)
     return recovered_sentences
+
+  
+def is_western_char(char):
+    """检测是否为西文字符"""
+    return len(char.encode('utf-8')) <= 2
+
+def is_western_paragraph(paragraph):
+    """检测是否为西文字符段落"""
+    return all(is_western_char(char) for char in paragraph if char.isalnum())
+  

src/plugins/memory_system/memory_manual_build.py

@@ -10,6 +10,12 @@ from pathlib import Path
 import matplotlib.pyplot as plt
 import networkx as nx
 from dotenv import load_dotenv
+sys.path.insert(0, sys.path[0]+"/../")
+sys.path.insert(0, sys.path[0]+"/../")
+sys.path.insert(0, sys.path[0]+"/../")
+sys.path.insert(0, sys.path[0]+"/../")
+sys.path.insert(0, sys.path[0]+"/../")
+from src.common.logger import get_module_logger
 import jieba
 
 # from chat.config import global_config
@@ -17,7 +23,6 @@ import jieba
 root_path = os.path.abspath(os.path.join(os.path.dirname(__file__), "../../.."))
 sys.path.append(root_path)
 
-from src.common.logger import get_module_logger # noqa: E402
 from src.common.database import db  # noqa E402
 from src.plugins.memory_system.offline_llm import LLMModel  # noqa E402
 

src/plugins/models/utils_model.py

@@ -274,6 +274,7 @@ class LLM_request:
                             raise RuntimeError(f"请求被拒绝: {error_code_mapping.get(response.status)}")
 
                         response.raise_for_status()
+                        reasoning_content = ""
 
                         # 将流式输出转化为非流式输出
                         if stream_mode:
@@ -303,6 +304,8 @@ class LLM_request:
                                             accumulated_content += delta_content
                                             # 检测流式输出文本是否结束
                                             finish_reason = chunk["choices"][0].get("finish_reason")
+                                            if delta.get("reasoning_content", None):
+                                                reasoning_content += delta["reasoning_content"]
                                             if finish_reason == "stop":
                                                 chunk_usage = chunk.get("usage", None)
                                                 if chunk_usage:
@@ -314,7 +317,6 @@ class LLM_request:
                                     except Exception as e:
                                         logger.exception(f"解析流式输出错误: {str(e)}")
                             content = accumulated_content
-                            reasoning_content = ""
                             think_match = re.search(r"<think>(.*?)</think>", content, re.DOTALL)
                             if think_match:
                                 reasoning_content = think_match.group(1).strip()

src/plugins/personality/can_i_recog_u.py

@@ -0,0 +1,351 @@
+"""
+基于聊天记录的人格特征分析系统
+"""
+
+from typing import Dict, List
+import json
+import os
+from pathlib import Path
+from dotenv import load_dotenv
+import sys
+import random
+from collections import defaultdict
+import matplotlib.pyplot as plt
+import numpy as np
+from datetime import datetime
+import matplotlib.font_manager as fm
+
+current_dir = Path(__file__).resolve().parent
+project_root = current_dir.parent.parent.parent
+env_path = project_root / ".env.prod"
+
+root_path = os.path.abspath(os.path.join(os.path.dirname(__file__), "../../.."))
+sys.path.append(root_path)
+
+from src.plugins.personality.scene import get_scene_by_factor, PERSONALITY_SCENES  # noqa: E402
+from src.plugins.personality.questionnaire import FACTOR_DESCRIPTIONS  # noqa: E402
+from src.plugins.personality.offline_llm import LLMModel  # noqa: E402
+from src.plugins.personality.who_r_u import MessageAnalyzer  # noqa: E402
+
+# 加载环境变量
+if env_path.exists():
+    print(f"从 {env_path} 加载环境变量")
+    load_dotenv(env_path)
+else:
+    print(f"未找到环境变量文件: {env_path}")
+    print("将使用默认配置")
+
+class ChatBasedPersonalityEvaluator:
+    def __init__(self):
+        self.personality_traits = {"开放性": 0, "严谨性": 0, "外向性": 0, "宜人性": 0, "神经质": 0}
+        self.scenarios = []
+        self.message_analyzer = MessageAnalyzer()
+        self.llm = LLMModel()
+        self.trait_scores_history = defaultdict(list)  # 记录每个特质的得分历史
+
+        # 为每个人格特质获取对应的场景
+        for trait in PERSONALITY_SCENES:
+            scenes = get_scene_by_factor(trait)
+            if not scenes:
+                continue
+            scene_keys = list(scenes.keys())
+            selected_scenes = random.sample(scene_keys, min(3, len(scene_keys)))
+            
+            for scene_key in selected_scenes:
+                scene = scenes[scene_key]
+                other_traits = [t for t in PERSONALITY_SCENES if t != trait]
+                secondary_trait = random.choice(other_traits)
+                self.scenarios.append({
+                    "场景": scene["scenario"],
+                    "评估维度": [trait, secondary_trait],
+                    "场景编号": scene_key
+                })
+
+    def analyze_chat_context(self, messages: List[Dict]) -> str:
+        """
+        分析一组消息的上下文，生成场景描述
+        """
+        context = ""
+        for msg in messages:
+            nickname = msg.get('user_info', {}).get('user_nickname', '未知用户')
+            content = msg.get('processed_plain_text', msg.get('detailed_plain_text', ''))
+            if content:
+                context += f"{nickname}: {content}\n"
+        return context
+
+    def evaluate_chat_response(
+        self, user_nickname: str, chat_context: str, dimensions: List[str] = None) -> Dict[str, float]:
+        """
+        评估聊天内容在各个人格维度上的得分
+        """
+        # 使用所有维度进行评估
+        dimensions = list(self.personality_traits.keys())
+        
+        dimension_descriptions = []
+        for dim in dimensions:
+            desc = FACTOR_DESCRIPTIONS.get(dim, "")
+            if desc:
+                dimension_descriptions.append(f"- {dim}：{desc}")
+
+        dimensions_text = "\n".join(dimension_descriptions)
+
+        prompt = f"""请根据以下聊天记录，评估"{user_nickname}"在大五人格模型中的维度得分（1-6分）。
+
+聊天记录：
+{chat_context}
+
+需要评估的维度说明：
+{dimensions_text}
+
+请按照以下格式输出评估结果，注意，你的评价对象是"{user_nickname}"（仅输出JSON格式）：
+{{
+    "开放性": 分数,
+    "严谨性": 分数,
+    "外向性": 分数,
+    "宜人性": 分数,
+    "神经质": 分数
+}}
+
+评分标准：
+1 = 非常不符合该维度特征
+2 = 比较不符合该维度特征
+3 = 有点不符合该维度特征
+4 = 有点符合该维度特征
+5 = 比较符合该维度特征
+6 = 非常符合该维度特征
+
+如果你觉得某个维度没有相关信息或者无法判断，请输出0分
+
+请根据聊天记录的内容和语气，结合维度说明进行评分。如果维度可以评分，确保分数在1-6之间。如果没有体现，请输出0分"""
+
+        try:
+            ai_response, _ = self.llm.generate_response(prompt)
+            start_idx = ai_response.find("{")
+            end_idx = ai_response.rfind("}") + 1
+            if start_idx != -1 and end_idx != 0:
+                json_str = ai_response[start_idx:end_idx]
+                scores = json.loads(json_str)
+                return {k: max(0, min(6, float(v))) for k, v in scores.items()}
+            else:
+                print("AI响应格式不正确，使用默认评分")
+                return {dim: 0 for dim in dimensions}
+        except Exception as e:
+            print(f"评估过程出错：{str(e)}")
+            return {dim: 0 for dim in dimensions}
+
+    def evaluate_user_personality(self, qq_id: str, num_samples: int = 10, context_length: int = 5) -> Dict:
+        """
+        基于用户的聊天记录评估人格特征
+        
+        Args:
+            qq_id (str): 用户QQ号
+            num_samples (int): 要分析的聊天片段数量
+            context_length (int): 每个聊天片段的上下文长度
+            
+        Returns:
+            Dict: 评估结果
+        """
+        # 获取用户的随机消息及其上下文
+        chat_contexts, user_nickname = self.message_analyzer.get_user_random_contexts(
+            qq_id, num_messages=num_samples, context_length=context_length)
+        if not chat_contexts:
+            return {"error": f"没有找到QQ号 {qq_id} 的消息记录"}
+
+        # 初始化评分
+        final_scores = defaultdict(float)
+        dimension_counts = defaultdict(int)
+        chat_samples = []
+        
+        # 清空历史记录
+        self.trait_scores_history.clear()
+
+        # 分析每个聊天上下文
+        for chat_context in chat_contexts:
+            # 评估这段聊天内容的所有维度
+            scores = self.evaluate_chat_response(user_nickname, chat_context)
+            
+            # 记录样本
+            chat_samples.append({
+                "聊天内容": chat_context,
+                "评估维度": list(self.personality_traits.keys()),
+                "评分": scores
+            })
+
+            # 更新总分和历史记录
+            for dimension, score in scores.items():
+                if score > 0:  # 只统计大于0的有效分数
+                    final_scores[dimension] += score
+                    dimension_counts[dimension] += 1
+                self.trait_scores_history[dimension].append(score)
+
+        # 计算平均分
+        average_scores = {}
+        for dimension in self.personality_traits:
+            if dimension_counts[dimension] > 0:
+                average_scores[dimension] = round(final_scores[dimension] / dimension_counts[dimension], 2)
+            else:
+                average_scores[dimension] = 0  # 如果没有有效分数，返回0
+
+        # 生成趋势图
+        self._generate_trend_plot(qq_id, user_nickname)
+
+        result = {
+            "用户QQ": qq_id,
+            "用户昵称": user_nickname,
+            "样本数量": len(chat_samples),
+            "人格特征评分": average_scores,
+            "维度评估次数": dict(dimension_counts),
+            "详细样本": chat_samples,
+            "特质得分历史": {k: v for k, v in self.trait_scores_history.items()}
+        }
+
+        # 保存结果
+        os.makedirs("results", exist_ok=True)
+        result_file = f"results/personality_result_{qq_id}.json"
+        with open(result_file, "w", encoding="utf-8") as f:
+            json.dump(result, f, ensure_ascii=False, indent=2)
+
+        return result
+
+    def _generate_trend_plot(self, qq_id: str, user_nickname: str):
+        """
+        生成人格特质累计平均分变化趋势图
+        """
+        # 查找系统中可用的中文字体
+        chinese_fonts = []
+        for f in fm.fontManager.ttflist:
+            try:
+                if '简' in f.name or 'SC' in f.name or '黑' in f.name or '宋' in f.name or '微软' in f.name:
+                    chinese_fonts.append(f.name)
+            except Exception:
+                continue
+        
+        if chinese_fonts:
+            plt.rcParams['font.sans-serif'] = chinese_fonts + ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
+        else:
+            # 如果没有找到中文字体，使用默认字体，并将中文昵称转换为拼音或英文
+            try:
+                from pypinyin import lazy_pinyin
+                user_nickname = ''.join(lazy_pinyin(user_nickname))
+            except ImportError:
+                user_nickname = "User"  # 如果无法转换为拼音，使用默认英文
+                
+        plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
+        
+        plt.figure(figsize=(12, 6))
+        plt.style.use('bmh')  # 使用内置的bmh样式，它有类似seaborn的美观效果
+        
+        colors = {
+            "开放性": "#FF9999",
+            "严谨性": "#66B2FF",
+            "外向性": "#99FF99",
+            "宜人性": "#FFCC99",
+            "神经质": "#FF99CC"
+        }
+        
+        # 计算每个维度在每个时间点的累计平均分
+        cumulative_averages = {}
+        for trait, scores in self.trait_scores_history.items():
+            if not scores:
+                continue
+                
+            averages = []
+            total = 0
+            valid_count = 0
+            for score in scores:
+                if score > 0:  # 只计算大于0的有效分数
+                    total += score
+                    valid_count += 1
+                    if valid_count > 0:
+                        averages.append(total / valid_count)
+                else:
+                    # 如果当前分数无效，使用前一个有效的平均分
+                    if averages:
+                        averages.append(averages[-1])
+                    else:
+                        continue  # 跳过无效分数
+                        
+            if averages:  # 只有在有有效分数的情况下才添加到累计平均中
+                cumulative_averages[trait] = averages
+        
+        # 绘制每个维度的累计平均分变化趋势
+        for trait, averages in cumulative_averages.items():
+            x = range(1, len(averages) + 1)
+            plt.plot(x, averages, 'o-', label=trait, color=colors.get(trait), linewidth=2, markersize=8)
+            
+            # 添加趋势线
+            z = np.polyfit(x, averages, 1)
+            p = np.poly1d(z)
+            plt.plot(x, p(x), '--', color=colors.get(trait), alpha=0.5)
+
+        plt.title(f"{user_nickname} 的人格特质累计平均分变化趋势", fontsize=14, pad=20)
+        plt.xlabel("评估次数", fontsize=12)
+        plt.ylabel("累计平均分", fontsize=12)
+        plt.grid(True, linestyle='--', alpha=0.7)
+        plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
+        plt.ylim(0, 7)
+        plt.tight_layout()
+
+        # 保存图表
+        os.makedirs("results/plots", exist_ok=True)
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+        plot_file = f"results/plots/personality_trend_{qq_id}_{timestamp}.png"
+        plt.savefig(plot_file, dpi=300, bbox_inches='tight')
+        plt.close()
+
+def analyze_user_personality(qq_id: str, num_samples: int = 10, context_length: int = 5) -> str:
+    """
+    分析用户人格特征的便捷函数
+    
+    Args:
+        qq_id (str): 用户QQ号
+        num_samples (int): 要分析的聊天片段数量
+        context_length (int): 每个聊天片段的上下文长度
+    
+    Returns:
+        str: 格式化的分析结果
+    """
+    evaluator = ChatBasedPersonalityEvaluator()
+    result = evaluator.evaluate_user_personality(qq_id, num_samples, context_length)
+    
+    if "error" in result:
+        return result["error"]
+    
+    # 格式化输出
+    output = f"QQ号 {qq_id} ({result['用户昵称']}) 的人格特征分析结果：\n"
+    output += "=" * 50 + "\n\n"
+    
+    output += "人格特征评分：\n"
+    for trait, score in result["人格特征评分"].items():
+        if score == 0:
+            output += f"{trait}: 数据不足，无法判断 (评估次数: {result['维度评估次数'].get(trait, 0)})\n"
+        else:
+            output += f"{trait}: {score}/6 (评估次数: {result['维度评估次数'].get(trait, 0)})\n"
+        
+        # 添加变化趋势描述
+        if trait in result["特质得分历史"] and len(result["特质得分历史"][trait]) > 1:
+            scores = [s for s in result["特质得分历史"][trait] if s != 0]  # 过滤掉无效分数
+            if len(scores) > 1:  # 确保有足够的有效分数计算趋势
+                trend = np.polyfit(range(len(scores)), scores, 1)[0]
+                if abs(trend) < 0.1:
+                    trend_desc = "保持稳定"
+                elif trend > 0:
+                    trend_desc = "呈上升趋势"
+                else:
+                    trend_desc = "呈下降趋势"
+                output += f"    变化趋势: {trend_desc} (斜率: {trend:.2f})\n"
+    
+    output += f"\n分析样本数量：{result['样本数量']}\n"
+    output += f"结果已保存至：results/personality_result_{qq_id}.json\n"
+    output += "变化趋势图已保存至：results/plots/目录\n"
+    
+    return output
+
+if __name__ == "__main__":
+    # 测试代码
+    # test_qq = ""  # 替换为要测试的QQ号
+    # print(analyze_user_personality(test_qq, num_samples=30, context_length=20))
+    # test_qq = ""
+    # print(analyze_user_personality(test_qq, num_samples=30, context_length=20))
+    test_qq = "1026294844"
+    print(analyze_user_personality(test_qq, num_samples=30, context_length=30))

src/plugins/personality/renqingziji_with_mymy.py

@@ -0,0 +1,196 @@
+"""
+The definition of artificial personality in this paper follows the dispositional para-digm and adapts a definition of
+personality developed for humans [17]:
+Personality for a human is the "whole and organisation of relatively stable tendencies and patterns of experience and
+behaviour within one person (distinguishing it from other persons)". This definition is modified for artificial
+personality:
+Artificial personality describes the relatively stable tendencies and patterns of behav-iour of an AI-based machine that
+can be designed by developers and designers via different modalities, such as language, creating the impression
+of individuality of a humanized social agent when users interact with the machine."""
+
+from typing import Dict, List
+import json
+import os
+from pathlib import Path
+from dotenv import load_dotenv
+import sys
+
+"""
+第一种方案：基于情景评估的人格测定
+"""
+current_dir = Path(__file__).resolve().parent
+project_root = current_dir.parent.parent.parent
+env_path = project_root / ".env.prod"
+
+root_path = os.path.abspath(os.path.join(os.path.dirname(__file__), "../../.."))
+sys.path.append(root_path)
+
+from src.plugins.personality.scene import get_scene_by_factor, PERSONALITY_SCENES  # noqa: E402
+from src.plugins.personality.questionnaire import FACTOR_DESCRIPTIONS  # noqa: E402
+from src.plugins.personality.offline_llm import LLMModel  # noqa: E402
+
+# 加载环境变量
+if env_path.exists():
+    print(f"从 {env_path} 加载环境变量")
+    load_dotenv(env_path)
+else:
+    print(f"未找到环境变量文件: {env_path}")
+    print("将使用默认配置")
+
+
+class PersonalityEvaluator_direct:
+    def __init__(self):
+        self.personality_traits = {"开放性": 0, "严谨性": 0, "外向性": 0, "宜人性": 0, "神经质": 0}
+        self.scenarios = []
+
+        # 为每个人格特质获取对应的场景
+        for trait in PERSONALITY_SCENES:
+            scenes = get_scene_by_factor(trait)
+            if not scenes:
+                continue
+
+            # 从每个维度选择3个场景
+            import random
+
+            scene_keys = list(scenes.keys())
+            selected_scenes = random.sample(scene_keys, min(3, len(scene_keys)))
+
+            for scene_key in selected_scenes:
+                scene = scenes[scene_key]
+
+                # 为每个场景添加评估维度
+                # 主维度是当前特质，次维度随机选择一个其他特质
+                other_traits = [t for t in PERSONALITY_SCENES if t != trait]
+                secondary_trait = random.choice(other_traits)
+
+                self.scenarios.append(
+                    {"场景": scene["scenario"], "评估维度": [trait, secondary_trait], "场景编号": scene_key}
+                )
+
+        self.llm = LLMModel()
+
+    def evaluate_response(self, scenario: str, response: str, dimensions: List[str]) -> Dict[str, float]:
+        """
+        使用 DeepSeek AI 评估用户对特定场景的反应
+        """
+        # 构建维度描述
+        dimension_descriptions = []
+        for dim in dimensions:
+            desc = FACTOR_DESCRIPTIONS.get(dim, "")
+            if desc:
+                dimension_descriptions.append(f"- {dim}：{desc}")
+
+        dimensions_text = "\n".join(dimension_descriptions)
+
+
+        prompt = f"""请根据以下场景和用户描述，评估用户在大五人格模型中的相关维度得分（1-6分）。
+
+场景描述：
+{scenario}
+
+用户回应：
+{response}
+
+需要评估的维度说明：
+{dimensions_text}
+
+请按照以下格式输出评估结果（仅输出JSON格式）：
+{{
+    "{dimensions[0]}": 分数,
+    "{dimensions[1]}": 分数
+}}
+
+评分标准：
+1 = 非常不符合该维度特征
+2 = 比较不符合该维度特征
+3 = 有点不符合该维度特征
+4 = 有点符合该维度特征
+5 = 比较符合该维度特征
+6 = 非常符合该维度特征
+
+请根据用户的回应，结合场景和维度说明进行评分。确保分数在1-6之间，并给出合理的评估。"""
+
+        try:
+            ai_response, _ = self.llm.generate_response(prompt)
+            # 尝试从AI响应中提取JSON部分
+            start_idx = ai_response.find("{")
+            end_idx = ai_response.rfind("}") + 1
+            if start_idx != -1 and end_idx != 0:
+                json_str = ai_response[start_idx:end_idx]
+                scores = json.loads(json_str)
+                # 确保所有分数在1-6之间
+                return {k: max(1, min(6, float(v))) for k, v in scores.items()}
+            else:
+                print("AI响应格式不正确，使用默认评分")
+                return {dim: 3.5 for dim in dimensions}
+        except Exception as e:
+            print(f"评估过程出错：{str(e)}")
+            return {dim: 3.5 for dim in dimensions}
+
+
+def main():
+    print("欢迎使用人格形象创建程序！")
+    print("接下来，您将面对一系列场景（共15个）。请根据您想要创建的角色形象，描述在该场景下可能的反应。")
+    print("每个场景都会评估不同的人格维度，最终得出完整的人格特征评估。")
+    print("评分标准：1=非常不符合，2=比较不符合，3=有点不符合，4=有点符合，5=比较符合，6=非常符合")
+    print("\n准备好了吗？按回车键开始...")
+    input()
+
+    evaluator = PersonalityEvaluator_direct()
+    final_scores = {"开放性": 0, "严谨性": 0, "外向性": 0, "宜人性": 0, "神经质": 0}
+    dimension_counts = {trait: 0 for trait in final_scores.keys()}
+
+    for i, scenario_data in enumerate(evaluator.scenarios, 1):
+        print(f"\n场景 {i}/{len(evaluator.scenarios)} - {scenario_data['场景编号']}:")
+        print("-" * 50)
+        print(scenario_data["场景"])
+        print("\n请描述您的角色在这种情况下会如何反应：")
+        response = input().strip()
+
+        if not response:
+            print("反应描述不能为空！")
+            continue
+
+        print("\n正在评估您的描述...")
+        scores = evaluator.evaluate_response(scenario_data["场景"], response, scenario_data["评估维度"])
+
+        # 更新最终分数
+        for dimension, score in scores.items():
+            final_scores[dimension] += score
+            dimension_counts[dimension] += 1
+
+        print("\n当前评估结果：")
+        print("-" * 30)
+        for dimension, score in scores.items():
+            print(f"{dimension}: {score}/6")
+
+        if i < len(evaluator.scenarios):
+            print("\n按回车键继续下一个场景...")
+            input()
+
+    # 计算平均分
+    for dimension in final_scores:
+        if dimension_counts[dimension] > 0:
+            final_scores[dimension] = round(final_scores[dimension] / dimension_counts[dimension], 2)
+
+    print("\n最终人格特征评估结果：")
+    print("-" * 30)
+    for trait, score in final_scores.items():
+        print(f"{trait}: {score}/6")
+        print(f"测试场景数：{dimension_counts[trait]}")
+
+    # 保存结果
+    result = {"final_scores": final_scores, "dimension_counts": dimension_counts, "scenarios": evaluator.scenarios}
+
+    # 确保目录存在
+    os.makedirs("results", exist_ok=True)
+
+    # 保存到文件
+    with open("results/personality_result.json", "w", encoding="utf-8") as f:
+        json.dump(result, f, ensure_ascii=False, indent=2)
+
+    print("\n结果已保存到 results/personality_result.json")
+
+
+if __name__ == "__main__":
+    main()

src/plugins/personality/who_r_u.py

@@ -0,0 +1,155 @@
+import random
+import os
+import sys
+from pathlib import Path
+import datetime
+from typing import List, Dict, Optional
+
+current_dir = Path(__file__).resolve().parent
+project_root = current_dir.parent.parent.parent
+env_path = project_root / ".env.prod"
+
+root_path = os.path.abspath(os.path.join(os.path.dirname(__file__), "../../.."))
+sys.path.append(root_path)
+
+from src.common.database import db  # noqa: E402
+
+class MessageAnalyzer:
+    def __init__(self):
+        self.messages_collection = db["messages"]
+    
+    def get_message_context(self, message_id: int, context_length: int = 5) -> Optional[List[Dict]]:
+        """
+        获取指定消息ID的上下文消息列表
+        
+        Args:
+            message_id (int): 消息ID
+            context_length (int): 上下文长度（单侧，总长度为 2*context_length + 1）
+            
+        Returns:
+            Optional[List[Dict]]: 消息列表，如果未找到则返回None
+        """
+        # 从数据库获取指定消息
+        target_message = self.messages_collection.find_one({"message_id": message_id})
+        if not target_message:
+            return None
+            
+        # 获取该消息的stream_id
+        stream_id = target_message.get('chat_info', {}).get('stream_id')
+        if not stream_id:
+            return None
+            
+        # 获取同一stream_id的所有消息
+        stream_messages = list(self.messages_collection.find({
+            "chat_info.stream_id": stream_id
+        }).sort("time", 1))
+        
+        # 找到目标消息在列表中的位置
+        target_index = None
+        for i, msg in enumerate(stream_messages):
+            if msg['message_id'] == message_id:
+                target_index = i
+                break
+                
+        if target_index is None:
+            return None
+            
+        # 获取目标消息前后的消息
+        start_index = max(0, target_index - context_length)
+        end_index = min(len(stream_messages), target_index + context_length + 1)
+        
+        return stream_messages[start_index:end_index]
+    
+    def format_messages(self, messages: List[Dict], target_message_id: Optional[int] = None) -> str:
+        """
+        格式化消息列表为可读字符串
+        
+        Args:
+            messages (List[Dict]): 消息列表
+            target_message_id (Optional[int]): 目标消息ID，用于标记
+            
+        Returns:
+            str: 格式化的消息字符串
+        """
+        if not messages:
+            return "没有消息记录"
+            
+        reply = ""
+        for msg in messages:
+            # 消息时间
+            msg_time = datetime.datetime.fromtimestamp(int(msg['time'])).strftime("%Y-%m-%d %H:%M:%S")
+            
+            # 获取消息内容
+            message_text = msg.get('processed_plain_text', msg.get('detailed_plain_text', '无消息内容'))
+            nickname = msg.get('user_info', {}).get('user_nickname', '未知用户')
+            
+            # 标记当前消息
+            is_target = "→ " if target_message_id and msg['message_id'] == target_message_id else "  "
+            
+            reply += f"{is_target}[{msg_time}] {nickname}: {message_text}\n"
+            
+            if target_message_id and msg['message_id'] == target_message_id:
+                reply += "  " + "-" * 50 + "\n"
+                
+        return reply
+    
+    def get_user_random_contexts(
+        self, qq_id: str, num_messages: int = 10, context_length: int = 5) -> tuple[List[str], str]:  # noqa: E501
+        """
+        获取用户的随机消息及其上下文
+        
+        Args:
+            qq_id (str): QQ号
+            num_messages (int): 要获取的随机消息数量
+            context_length (int): 每条消息的上下文长度（单侧）
+            
+        Returns:
+            tuple[List[str], str]: (每个消息上下文的格式化字符串列表, 用户昵称)
+        """
+        if not qq_id:
+            return [], ""
+        
+        # 获取用户所有消息
+        all_messages = list(self.messages_collection.find({"user_info.user_id": int(qq_id)}))
+        if not all_messages:
+            return [], ""
+        
+        # 获取用户昵称
+        user_nickname = all_messages[0].get('chat_info', {}).get('user_info', {}).get('user_nickname', '未知用户')
+        
+        # 随机选择指定数量的消息
+        selected_messages = random.sample(all_messages, min(num_messages, len(all_messages)))
+        # 按时间排序
+        selected_messages.sort(key=lambda x: int(x['time']))
+        
+        # 存储所有上下文消息
+        context_list = []
+        
+        # 获取每条消息的上下文
+        for msg in selected_messages:
+            message_id = msg['message_id']
+            
+            # 获取消息上下文
+            context_messages = self.get_message_context(message_id, context_length)
+            if context_messages:
+                formatted_context = self.format_messages(context_messages, message_id)
+                context_list.append(formatted_context)
+        
+        return context_list, user_nickname
+
+if __name__ == "__main__":
+    # 测试代码
+    analyzer = MessageAnalyzer()
+    test_qq = "1026294844"  # 替换为要测试的QQ号
+    print(f"测试QQ号: {test_qq}")
+    print("-" * 50)
+    # 获取5条消息，每条消息前后各3条上下文
+    contexts, nickname = analyzer.get_user_random_contexts(test_qq, num_messages=5, context_length=3)
+    
+    print(f"用户昵称: {nickname}\n")
+    # 打印每个上下文
+    for i, context in enumerate(contexts, 1):
+        print(f"\n随机消息 {i}/{len(contexts)}:")
+        print("-" * 30)
+        print(context)
+        print("=" * 50)

src/plugins/remote/remote.py

@@ -79,22 +79,42 @@ class HeartbeatThread(threading.Thread):
         self.interval = interval
         self.client_id = get_unique_id()
         self.running = True
+        self.stop_event = threading.Event()  # 添加事件对象用于可中断的等待
+        self.last_heartbeat_time = 0  # 记录上次发送心跳的时间
 
     def run(self):
         """线程运行函数"""
         logger.debug(f"心跳线程已启动，客户端ID: {self.client_id}")
 
         while self.running:
+            # 发送心跳
             if send_heartbeat(self.server_url, self.client_id):
                 logger.info(f"{self.interval}秒后发送下一次心跳...")
             else:
                 logger.info(f"{self.interval}秒后重试...")
             
-            time.sleep(self.interval)  # 使用同步的睡眠
+            self.last_heartbeat_time = time.time()
+            
+            # 使用可中断的等待代替 sleep
+            # 每秒检查一次是否应该停止或发送心跳
+            remaining_wait = self.interval
+            while remaining_wait > 0 and self.running:
+                # 每次最多等待1秒，便于及时响应停止请求
+                wait_time = min(1, remaining_wait)
+                if self.stop_event.wait(wait_time):
+                    break  # 如果事件被设置，立即退出等待
+                remaining_wait -= wait_time
+                
+                # 检查是否由于外部原因导致间隔异常延长
+                if time.time() - self.last_heartbeat_time >= self.interval * 1.5:
+                    logger.warning("检测到心跳间隔异常延长，立即发送心跳")
+                    break
 
     def stop(self):
         """停止线程"""
         self.running = False
+        self.stop_event.set()  # 设置事件，中断等待
+        logger.debug("心跳线程已收到停止信号")
 
 
 def main():

src/plugins/schedule/schedule_generator.py

@@ -101,6 +101,9 @@ class ScheduleGenerator:
         except json.JSONDecodeError:
             logger.exception("解析日程失败: {}".format(schedule_text))
             return False
+        except Exception as e:
+            logger.exception(f"解析日程发生错误:{str(e)}")
+            return False
 
     def _parse_time(self, time_str: str) -> str:
         """解析时间字符串，转换为时间"""
@@ -158,7 +161,7 @@ class ScheduleGenerator:
     def print_schedule(self):
         """打印完整的日程安排"""
         if not self._parse_schedule(self.today_schedule_text):
-            logger.warning("今日日程有误，将在下次运行时重新生成")
+            logger.warning("今日日程有误，将在两小时后重新生成")
             db.schedule.delete_one({"date": datetime.datetime.now().strftime("%Y-%m-%d")})
         else:
             logger.info("=== 今日日程安排 ===")

src/plugins/willing/mode_classical.py

@@ -41,8 +41,8 @@ class WillingManager:
 
         interested_rate = interested_rate * config.response_interested_rate_amplifier
 
-        if interested_rate > 0.5:
-            current_willing += interested_rate - 0.5
+        if interested_rate > 0.4:
+            current_willing += interested_rate - 0.3
 
         if is_mentioned_bot and current_willing < 1.0:
             current_willing += 1