secret 完善了两种测评方法

src/plugins/personality/big5_test.py

@@ -6,6 +6,7 @@
 import os
 import sys
 from pathlib import Path
+import random
 
 current_dir = Path(__file__).resolve().parent
 project_root = current_dir.parent.parent.parent
@@ -37,14 +38,24 @@ class BigFiveTest:
         print("6 = 完全符合")
         print("\n请认真阅读每个描述，选择最符合您实际情况的选项。\n")
         
+        # 创建题目序号到题目的映射
+        questions_map = {q['id']: q for q in self.questions}
+        
+        # 获取所有题目ID并随机打乱顺序
+        question_ids = list(questions_map.keys())
+        random.shuffle(question_ids)
+        
         answers = {}
-        for question in self.questions:
+        total_questions = len(question_ids)
+        
+        for i, question_id in enumerate(question_ids, 1):
+            question = questions_map[question_id]
             while True:
                 try:
-                    print(f"\n{question['id']}. {question['content']}")
+                    print(f"\n[{i}/{total_questions}] {question['content']}")
                     score = int(input("您的评分（1-6）: "))
                     if 1 <= score <= 6:
-                        answers[question['id']] = score
+                        answers[question_id] = score
                         break
                     else:
                         print("请输入1-6之间的数字！")

src/plugins/personality/combined_test.py

@@ -0,0 +1,357 @@
+from typing import Dict, List
+import json
+import os
+from pathlib import Path
+import sys
+from datetime import datetime
+import random
+from scipy import stats  # 添加scipy导入用于t检验
+
+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.big5_test import BigFiveTest
+from src.plugins.personality.renqingziji import PersonalityEvaluator_direct
+from src.plugins.personality.questionnaire import FACTOR_DESCRIPTIONS, PERSONALITY_QUESTIONS
+
+class CombinedPersonalityTest:
+    def __init__(self):
+        self.big5_test = BigFiveTest()
+        self.scenario_test = PersonalityEvaluator_direct()
+        self.dimensions = ["开放性", "严谨性", "外向性", "宜人性", "神经质"]
+        
+    def run_combined_test(self):
+        """运行组合测试"""
+        print("\n=== 人格特征综合评估系统 ===")
+        print("\n本测试将通过两种方式评估人格特征：")
+        print("1. 传统问卷测评（约40题）")
+        print("2. 情景反应测评（15个场景）")
+        print("\n两种测评完成后，将对比分析结果的异同。")
+        input("\n准备好开始第一部分（问卷测评）了吗？按回车继续...")
+        
+        # 运行问卷测试
+        print("\n=== 第一部分：问卷测评 ===")
+        print("本部分采用六级评分，请根据每个描述与您的符合程度进行打分：")
+        print("1 = 完全不符合")
+        print("2 = 比较不符合")
+        print("3 = 有点不符合")
+        print("4 = 有点符合")
+        print("5 = 比较符合")
+        print("6 = 完全符合")
+        print("\n请认真阅读每个描述，选择最符合您实际情况的选项。")
+        input("\n按回车开始答题...")
+        
+        questionnaire_results = self.run_questionnaire()
+        
+        # 转换问卷结果格式以便比较
+        questionnaire_scores = {
+            factor: data["得分"] 
+            for factor, data in questionnaire_results.items()
+        }
+        
+        # 运行情景测试
+        print("\n=== 第二部分：情景反应测评 ===")
+        print("接下来，您将面对一系列具体场景，请描述您在每个场景中可能的反应。")
+        print("每个场景都会评估不同的人格维度，共15个场景。")
+        input("\n准备好开始了吗？按回车继续...")
+        
+        scenario_results = self.run_scenario_test()
+        
+        # 比较和展示结果
+        self.compare_and_display_results(questionnaire_scores, scenario_results)
+        
+        # 保存结果
+        self.save_results(questionnaire_scores, scenario_results)
+
+    def run_questionnaire(self):
+        """运行问卷测试部分"""
+        # 创建题目序号到题目的映射
+        questions_map = {q['id']: q for q in PERSONALITY_QUESTIONS}
+        
+        # 获取所有题目ID并随机打乱顺序
+        question_ids = list(questions_map.keys())
+        random.shuffle(question_ids)
+        
+        answers = {}
+        total_questions = len(question_ids)
+        
+        for i, question_id in enumerate(question_ids, 1):
+            question = questions_map[question_id]
+            while True:
+                try:
+                    print(f"\n问题 [{i}/{total_questions}]")
+                    print(f"{question['content']}")
+                    score = int(input("您的评分（1-6）: "))
+                    if 1 <= score <= 6:
+                        answers[question_id] = score
+                        break
+                    else:
+                        print("请输入1-6之间的数字！")
+                except ValueError:
+                    print("请输入有效的数字！")
+                    
+            # 每10题显示一次进度
+            if i % 10 == 0:
+                print(f"\n已完成 {i}/{total_questions} 题 ({int(i/total_questions*100)}%)")
+        
+        return self.calculate_questionnaire_scores(answers)
+        
+    def calculate_questionnaire_scores(self, answers):
+        """计算问卷测试的维度得分"""
+        results = {}
+        factor_questions = {
+            "外向性": [],
+            "神经质": [],
+            "严谨性": [],
+            "开放性": [],
+            "宜人性": []
+        }
+        
+        # 将题目按因子分类
+        for q in PERSONALITY_QUESTIONS:
+            factor_questions[q['factor']].append(q)
+        
+        # 计算每个维度的得分
+        for factor, questions in factor_questions.items():
+            total_score = 0
+            for q in questions:
+                score = answers[q['id']]
+                # 处理反向计分题目
+                if q['reverse_scoring']:
+                    score = 7 - score  # 6分量表反向计分为7减原始分
+                total_score += score
+            
+            # 计算平均分
+            avg_score = round(total_score / len(questions), 2)
+            results[factor] = {
+                "得分": avg_score,
+                "题目数": len(questions),
+                "总分": total_score
+            }
+        
+        return results
+        
+    def run_scenario_test(self):
+        """运行情景测试部分"""
+        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()}
+
+        # 随机打乱场景顺序
+        scenarios = self.scenario_test.scenarios.copy()
+        random.shuffle(scenarios)
+
+        for i, scenario_data in enumerate(scenarios, 1):
+            print(f"\n场景 [{i}/{len(scenarios)}] - {scenario_data['场景编号']}")
+            print("-" * 50)
+            print(scenario_data["场景"])
+            print("\n请描述您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 = self.scenario_test.evaluate_response(
+                scenario_data["场景"], 
+                response, 
+                scenario_data["评估维度"]
+            )
+
+            # 更新分数
+            for dimension, score in scores.items():
+                final_scores[dimension] += score
+                dimension_counts[dimension] += 1
+
+            # print("\n当前场景评估结果：")
+            # print("-" * 30)
+            # for dimension, score in scores.items():
+            #     print(f"{dimension}: {score}/6")
+
+            # 每5个场景显示一次总进度
+            if i % 5 == 0:
+                print(f"\n已完成 {i}/{len(scenarios)} 个场景 ({int(i/len(scenarios)*100)}%)")
+
+            if i < len(scenarios):
+                input("\n按回车继续下一个场景...")
+
+        # 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
+                )
+                
+        return final_scores
+
+    def compare_and_display_results(self, questionnaire_scores: Dict, scenario_scores: Dict):
+        """比较和展示两种测试的结果"""
+        print("\n=== 测评结果对比分析 ===")
+        print("\n" + "=" * 60)
+        print(f"{'维度':<8} {'问卷得分':>10} {'情景得分':>10} {'差异':>10} {'差异程度':>10}")
+        print("-" * 60)
+        
+        # 收集每个维度的得分用于统计分析
+        questionnaire_values = []
+        scenario_values = []
+        diffs = []
+        
+        for dimension in self.dimensions:
+            q_score = questionnaire_scores[dimension]
+            s_score = scenario_scores[dimension]
+            diff = round(abs(q_score - s_score), 2)
+            
+            questionnaire_values.append(q_score)
+            scenario_values.append(s_score)
+            diffs.append(diff)
+            
+            # 计算差异程度
+            diff_level = "低" if diff < 0.5 else "中" if diff < 1.0 else "高"
+            print(f"{dimension:<8} {q_score:>10.2f} {s_score:>10.2f} {diff:>10.2f} {diff_level:>10}")
+        
+        print("=" * 60)
+        
+        # 计算整体统计指标
+        mean_diff = sum(diffs) / len(diffs)
+        std_diff = (sum((x - mean_diff) ** 2 for x in diffs) / (len(diffs) - 1)) ** 0.5
+        
+        # 计算效应量 (Cohen's d)
+        pooled_std = ((sum((x - sum(questionnaire_values)/len(questionnaire_values))**2 for x in questionnaire_values) +
+                      sum((x - sum(scenario_values)/len(scenario_values))**2 for x in scenario_values)) /
+                     (2 * len(self.dimensions) - 2)) ** 0.5
+        
+        if pooled_std != 0:
+            cohens_d = abs(mean_diff / pooled_std)
+            
+            # 解释效应量
+            if cohens_d < 0.2:
+                effect_size = "微小"
+            elif cohens_d < 0.5:
+                effect_size = "小"
+            elif cohens_d < 0.8:
+                effect_size = "中等"
+            else:
+                effect_size = "大"
+        
+        # 对所有维度进行整体t检验
+        t_stat, p_value = stats.ttest_rel(questionnaire_values, scenario_values)
+        print(f"\n整体统计分析:")
+        print(f"平均差异: {mean_diff:.3f}")
+        print(f"差异标准差: {std_diff:.3f}")
+        print(f"效应量(Cohen's d): {cohens_d:.3f}")
+        print(f"效应量大小: {effect_size}")
+        print(f"t统计量: {t_stat:.3f}")
+        print(f"p值: {p_value:.3f}")
+        
+        if p_value < 0.05:
+            print("结论: 两种测评方法的结果存在显著差异 (p < 0.05)")
+        else:
+            print("结论: 两种测评方法的结果无显著差异 (p >= 0.05)")
+            
+        print("\n维度说明：")
+        for dimension in self.dimensions:
+            print(f"\n{dimension}:")
+            desc = FACTOR_DESCRIPTIONS[dimension]
+            print(f"定义：{desc['description']}")
+            print(f"特征词：{', '.join(desc['trait_words'])}")
+            
+        # 分析显著差异
+        significant_diffs = []
+        for dimension in self.dimensions:
+            diff = abs(questionnaire_scores[dimension] - scenario_scores[dimension])
+            if diff >= 1.0:  # 差异大于等于1分视为显著
+                significant_diffs.append({
+                    "dimension": dimension,
+                    "diff": diff,
+                    "questionnaire": questionnaire_scores[dimension],
+                    "scenario": scenario_scores[dimension]
+                })
+        
+        if significant_diffs:
+            print("\n\n显著差异分析：")
+            print("-" * 40)
+            for diff in significant_diffs:
+                print(f"\n{diff['dimension']}维度的测评结果存在显著差异：")
+                print(f"问卷得分：{diff['questionnaire']:.2f}")
+                print(f"情景得分：{diff['scenario']:.2f}")
+                print(f"差异值：{diff['diff']:.2f}")
+                
+                # 分析可能的原因
+                if diff['questionnaire'] > diff['scenario']:
+                    print("可能原因：在问卷中的自我评价较高，但在具体情景中的表现较为保守。")
+                else:
+                    print("可能原因：在具体情景中表现出更多该维度特征，而在问卷自评时较为保守。")
+
+    def save_results(self, questionnaire_scores: Dict, scenario_scores: Dict):
+        """保存测试结果"""
+        results = {
+            "测试时间": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
+            "问卷测评结果": questionnaire_scores,
+            "情景测评结果": scenario_scores,
+            "维度说明": FACTOR_DESCRIPTIONS
+        }
+        
+        # 确保目录存在
+        os.makedirs("results", exist_ok=True)
+        
+        # 生成带时间戳的文件名
+        filename = f"results/personality_combined_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
+        
+        # 保存到文件
+        with open(filename, "w", encoding="utf-8") as f:
+            json.dump(results, f, ensure_ascii=False, indent=2)
+            
+        print(f"\n完整的测评结果已保存到：{filename}")
+
+def load_existing_results():
+    """检查并加载已有的测试结果"""
+    results_dir = "results"
+    if not os.path.exists(results_dir):
+        return None
+        
+    # 获取所有personality_combined开头的文件
+    result_files = [f for f in os.listdir(results_dir) 
+                   if f.startswith("personality_combined_") and f.endswith(".json")]
+    
+    if not result_files:
+        return None
+        
+    # 按文件修改时间排序，获取最新的结果文件
+    latest_file = max(result_files, 
+                     key=lambda f: os.path.getmtime(os.path.join(results_dir, f)))
+    
+    print(f"\n发现已有的测试结果：{latest_file}")
+    try:
+        with open(os.path.join(results_dir, latest_file), "r", encoding="utf-8") as f:
+            results = json.load(f)
+        return results
+    except Exception as e:
+        print(f"读取结果文件时出错：{str(e)}")
+        return None
+
+def main():
+    test = CombinedPersonalityTest()
+    
+    # 检查是否存在已有结果
+    existing_results = load_existing_results()
+    
+    if existing_results:
+        print("\n=== 使用已有测试结果进行分析 ===")
+        print(f"测试时间：{existing_results['测试时间']}")
+        
+        questionnaire_scores = existing_results["问卷测评结果"]
+        scenario_scores = existing_results["情景测评结果"]
+        
+        # 直接进行结果对比分析
+        test.compare_and_display_results(questionnaire_scores, scenario_scores)
+    else:
+        print("\n未找到已有的测试结果，开始新的测试...")
+        test.run_combined_test()
+
+if __name__ == "__main__":
+    main() 

src/plugins/personality/renqingziji.py

@@ -1,3 +1,11 @@
+'''
+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
@@ -35,17 +43,28 @@ class PersonalityEvaluator_direct:
         
         # 为每个人格特质获取对应的场景
         for trait in PERSONALITY_SCENES:
-            scene = get_scene_by_factor(trait)
+            scenes = get_scene_by_factor(trait)
-            # 为每个场景添加评估维度
+            if not scenes:
-            # 主维度是当前特质，次维度随机选择一个其他特质
+                continue
-            other_traits = [t for t in PERSONALITY_SCENES if t != trait]
-            import random
-            secondary_trait = random.choice(other_traits)
                 
-            self.scenarios.append({
+            # 从每个维度选择3个场景
-                "场景": scene["scenario"],
+            import random
-                "评估维度": [trait, secondary_trait]
+            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()
 
@@ -53,34 +72,41 @@ class PersonalityEvaluator_direct:
         """
         使用 DeepSeek AI 评估用户对特定场景的反应
         """
-        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）。
+        # 构建维度描述
-场景：{scenario}
+        dimension_descriptions = []
-用户描述：{response}
+        for dim in dimensions:
+            desc = FACTOR_DESCRIPTIONS.get(dim, "")
+            if desc:
+                dimension_descriptions.append(f"- {dim}：{desc}")
         
-需要评估的维度：{", ".join(dimensions)}
+        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）：
 {{
-    "维度1": 分数,
+    "{dimensions[0]}": 分数,
-    "维度2": 分数
+    "{dimensions[1]}": 分数
 }}
 
 评分标准：
-1 = 非常不符合
+1 = 非常不符合该维度特征
-2 = 比较不符合
+2 = 比较不符合该维度特征
-3 = 有点不符合
+3 = 有点不符合该维度特征
-4 = 有点符合
+4 = 有点符合该维度特征
-5 = 比较符合
+5 = 比较符合该维度特征
-6 = 非常符合
+6 = 非常符合该维度特征
 
-评估维度说明：
+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。"""
-- 开放性：对新事物的接受程度和创造性思维
-- 严谨性：计划性、组织性和责任感
-- 外向性：社交倾向和能量水平
-- 宜人性：同理心、合作性和友善程度
-- 神经质：情绪稳定性和压力应对能力
-
-请确保分数在1-6之间，并给出合理的评估理由。"""
 
         try:
             ai_response, _ = self.llm.generate_response(prompt)
@@ -102,7 +128,7 @@ class PersonalityEvaluator_direct:
 
 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。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("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...")
@@ -113,7 +139,7 @@ def main():
     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)}:")
+        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：")
@@ -149,9 +175,14 @@ def main():
     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, "scenarios": evaluator.scenarios}
+    result = {
+        "final_scores": final_scores, 
+        "dimension_counts": dimension_counts,
+        "scenarios": evaluator.scenarios
+    }
 
     # 确保目录存在
     os.makedirs("results", exist_ok=True)

src/plugins/personality/scene.py

@@ -2,45 +2,190 @@ from typing import Dict, List
 
 PERSONALITY_SCENES = {
     "外向性": {
-        "scenario": """你刚刚搬到一个新的城市工作。今天是你入职的第一天，在公司的电梯里，一位同事微笑着和你打招呼：
+        "场景1": {
+            "scenario": """你刚刚搬到一个新的城市工作。今天是你入职的第一天，在公司的电梯里，一位同事微笑着和你打招呼：
             
 同事：「嗨！你是新来的同事吧？我是市场部的小林。」
 
 同事看起来很友善，还主动介绍说：「待会午饭时间，我们部门有几个人准备一起去楼下新开的餐厅，你要一起来吗？可以认识一下其他同事。」""",
-        "explanation": "这个场景通过职场社交情境，观察个体对于新环境、新社交圈的态度和反应倾向。"
+            "explanation": "这个场景通过职场社交情境，观察个体对于新环境、新社交圈的态度和反应倾向。"
+        },
+        "场景2": {
+            "scenario": """在大学班级群里，班长发起了一个组织班级联谊活动的投票：
+
+班长：「大家好！下周末我们准备举办一次班级联谊活动，地点在学校附近的KTV。想请大家报名参加，也欢迎大家邀请其他班级的同学！」
+
+已经有几个同学在群里积极响应，有人@你问你要不要一起参加。""",
+            "explanation": "通过班级活动场景，观察个体对群体社交活动的参与意愿。"
+        },
+        "场景3": {
+            "scenario": """你在社交平台上发布了一条动态，收到了很多陌生网友的评论和私信：
+
+网友A：「你说的这个观点很有意思！想和你多交流一下。」
+
+网友B：「我也对这个话题很感兴趣，要不要建个群一起讨论？」""",
+            "explanation": "通过网络社交场景，观察个体对线上社交的态度。"
+        },
+        "场景4": {
+            "scenario": """你暗恋的对象今天主动来找你：
+
+对方：「那个...我最近在准备一个演讲比赛，听说你口才很好。能不能请你帮我看看演讲稿，顺便给我一些建议？如果你有时间的话，可以一起吃个饭聊聊。」""",
+            "explanation": "通过恋爱情境，观察个体在面对心仪对象时的社交表现。"
+        },
+        "场景5": {
+            "scenario": """在一次线下读书会上，主持人突然点名让你分享读后感：
+
+主持人：「听说你对这本书很有见解，能不能和大家分享一下你的想法？」
+
+现场有二十多个陌生的读书爱好者，都期待地看着你。""",
+            "explanation": "通过即兴发言场景，观察个体的社交表现欲和公众表达能力。"
+        }
     },
     
     "神经质": {
-        "scenario": """你正在准备一个重要的项目演示，这关系到你的晋升机会。就在演示前30分钟，你收到了主管发来的消息：
+        "场景1": {
+            "scenario": """你正在准备一个重要的项目演示，这关系到你的晋升机会。就在演示前30分钟，你收到了主管发来的消息：
 
 主管：「临时有个变动，CEO也会来听你的演示。他对这个项目特别感兴趣。」
 
 正当你准备回复时，主管又发来一条：「对了，能不能把演示时间压缩到15分钟？CEO下午还有其他安排。你之前准备的是30分钟的版本对吧？」""",
-        "explanation": "这个场景通过突发的压力情境，观察个体在面对计划外变化时的情绪反应和调节能力。"
+            "explanation": "这个场景通过突发的压力情境，观察个体在面对计划外变化时的情绪反应和调节能力。"
+        },
+        "场景2": {
+            "scenario": """期末考试前一天晚上，你收到了好朋友发来的消息：
+
+好朋友：「不好意思这么晚打扰你...我看你平时成绩很好，能不能帮我解答几个问题？我真的很担心明天的考试。」
+
+你看了看时间，已经是晚上11点，而你原本计划的复习还没完成。""",
+            "explanation": "通过考试压力场景，观察个体在时间紧张时的情绪管理。"
+        },
+        "场景3": {
+            "scenario": """你在社交媒体上发表的一个观点引发了争议，有不少人开始批评你：
+
+网友A：「这种观点也好意思说出来，真是无知。」
+
+网友B：「建议楼主先去补补课再来发言。」
+
+评论区里的负面评论越来越多，还有人开始人身攻击。""",
+            "explanation": "通过网络争议场景，观察个体面对批评时的心理承受能力。"
+        },
+        "场景4": {
+            "scenario": """你和恋人约好今天一起看电影，但在约定时间前半小时，对方发来消息：
+
+恋人：「对不起，我临时有点事，可能要迟到一会儿。」
+
+二十分钟后，对方又发来消息：「可能要再等等，抱歉！」
+
+电影快要开始了，但对方还是没有出现。""",
+            "explanation": "通过恋爱情境，观察个体对不确定性的忍耐程度。"
+        },
+        "场景5": {
+            "scenario": """在一次重要的小组展示中，你的组员在演示途中突然卡壳了：
+
+组员小声对你说：「我忘词了，接下来的部分是什么来着...」
+
+台下的老师和同学都在等待，气氛有些尴尬。""",
+            "explanation": "通过公开场合的突发状况，观察个体的应急反应和压力处理能力。"
+        }
     },
     
     "严谨性": {
-        "scenario": """你是团队的项目负责人，刚刚接手了一个为期两个月的重要项目。在第一次团队会议上：
+        "场景1": {
+            "scenario": """你是团队的项目负责人，刚刚接手了一个为期两个月的重要项目。在第一次团队会议上：
 
 小王：「老大，我觉得两个月时间很充裕，我们先做着看吧，遇到问题再解决。」
 
 小张：「要不要先列个时间表？不过感觉太详细的计划也没必要，点到为止就行。」
 
 小李：「客户那边说如果能提前完成有奖励，我觉得我们可以先做快一点的部分。」""",
-        "explanation": "这个场景通过项目管理情境，体现个体在工作方法、计划性和责任心方面的特征。"
+            "explanation": "这个场景通过项目管理情境，体现个体在工作方法、计划性和责任心方面的特征。"
+        },
+        "场景2": {
+            "scenario": """期末小组作业，组长让大家分工完成一份研究报告。在截止日期前三天：
+
+组员A：「我的部分大概写完了，感觉还行。」
+
+组员B：「我这边可能还要一天才能完成，最近太忙了。」
+
+组员C发来一份没有任何引用出处、可能存在抄袭的内容：「我写完了，你们看看怎么样？」""",
+            "explanation": "通过学习场景，观察个体对学术规范和质量要求的重视程度。"
+        },
+        "场景3": {
+            "scenario": """你在一个兴趣小组的群聊中，大家正在讨论举办一次线下活动：
+
+成员A：「到时候见面就知道具体怎么玩了！」
+
+成员B：「对啊，随意一点挺好的。」
+
+成员C：「人来了自然就热闹了。」""",
+            "explanation": "通过活动组织场景，观察个体对活动计划的态度。"
+        },
+        "场景4": {
+            "scenario": """你和恋人计划一起去旅游，对方说：
+
+恋人：「我们就随心而行吧！订个目的地，其他的到了再说，这样更有意思。」
+
+距离出发还有一周时间，但机票、住宿和具体行程都还没有确定。""",
+            "explanation": "通过旅行规划场景，观察个体的计划性和对不确定性的接受程度。"
+        },
+        "场景5": {
+            "scenario": """在一个重要的团队项目中，你发现一个同事的工作存在明显错误：
+
+同事：「差不多就行了，反正领导也看不出来。」
+
+这个错误可能不会立即造成问题，但长期来看可能会影响项目质量。""",
+            "explanation": "通过工作质量场景，观察个体对细节和标准的坚持程度。"
+        }
     },
     
     "开放性": {
-        "scenario": """周末下午，你的好友小美兴致勃勃地给你打电话：
+        "场景1": {
+            "scenario": """周末下午，你的好友小美兴致勃勃地给你打电话：
 
 小美：「我刚发现一个特别有意思的沉浸式艺术展！不是传统那种挂画的展览，而是把整个空间都变成了艺术品。观众要穿特制的服装，还要带上VR眼镜，好像还有AI实时互动！」
 
 小美继续说：「虽然票价不便宜，但听说体验很独特。网上评价两极分化，有人说是前所未有的艺术革新，也有人说是哗众取宠。要不要周末一起去体验一下？」""",
-        "explanation": "这个场景通过新型艺术体验，反映个体对创新事物的接受程度和尝试意愿。"
+            "explanation": "这个场景通过新型艺术体验，反映个体对创新事物的接受程度和尝试意愿。"
+        },
+        "场景2": {
+            "scenario": """在一节创意写作课上，老师提出了一个特别的作业：
+
+老师：「下周的作业是用AI写作工具协助创作一篇小说。你们可以自由探索如何与AI合作，打破传统写作方式。」
+
+班上随即展开了激烈讨论，有人认为这是对创作的亵渎，也有人对这种新形式感到兴奋。""",
+            "explanation": "通过新技术应用场景，观察个体对创新学习方式的态度。"
+        },
+        "场景3": {
+            "scenario": """在社交媒体上，你看到一个朋友分享了一种新的生活方式：
+
+「最近我在尝试'数字游牧'生活，就是一边远程工作一边环游世界。没有固定住所，住青旅或短租，认识来自世界各地的朋友。虽然有时会很不稳定，但这种自由的生活方式真的很棒！」
+
+评论区里争论不断，有人向往这种生活，也有人觉得太冒险。""",
+            "explanation": "通过另类生活方式，观察个体对非传统选择的态度。"
+        },
+        "场景4": {
+            "scenario": """你的恋人突然提出了一个想法：
+
+恋人：「我们要不要尝试一下开放式关系？就是在保持彼此关系的同时，也允许和其他人发展感情。现在国外很多年轻人都这样。」
+
+这个提议让你感到意外，你之前从未考虑过这种可能性。""",
+            "explanation": "通过感情观念场景，观察个体对非传统关系模式的接受度。"
+        },
+        "场景5": {
+            "scenario": """在一次朋友聚会上，大家正在讨论未来职业规划：
+
+朋友A：「我准备辞职去做自媒体，专门介绍一些小众的文化和艺术。」
+
+朋友B：「我想去学习生物科技，准备转行做人造肉研发。」
+
+朋友C：「我在考虑加入一个区块链创业项目，虽然风险很大。」""",
+            "explanation": "通过职业选择场景，观察个体对新兴领域的探索意愿。"
+        }
     },
     
     "宜人性": {
-        "scenario": """在回家的公交车上，你遇到这样一幕：
+        "场景1": {
+            "scenario": """在回家的公交车上，你遇到这样一幕：
 
 一位老奶奶颤颤巍巍地上了车，车上座位已经坐满了。她站在你旁边，看起来很疲惫。这时你听到前排两个年轻人的对话：
 
@@ -49,7 +194,45 @@ PERSONALITY_SCENES = {
 年轻人B：「现在的老年人真是...我看她包里还有菜，肯定是去菜市场买完菜回来的，这么多人都不知道叫子女开车接送。」
 
 就在这时，老奶奶一个趔趄，差点摔倒。她扶住了扶手，但包里的东西洒了一些出来。""",
-        "explanation": "这个场景通过公共场合的助人情境，体现个体的同理心和对他人需求的关注程度。"
+            "explanation": "这个场景通过公共场合的助人情境，体现个体的同理心和对他人需求的关注程度。"
+        },
+        "场景2": {
+            "scenario": """在班级群里，有同学发起为生病住院的同学捐款：
+
+同学A：「大家好，小林最近得了重病住院，医药费很贵，家里负担很重。我们要不要一起帮帮他？」
+
+同学B：「我觉得这是他家里的事，我们不方便参与吧。」
+
+同学C：「但是都是同学一场，帮帮忙也是应该的。」""",
+            "explanation": "通过同学互助场景，观察个体的助人意愿和同理心。"
+        },
+        "场景3": {
+            "scenario": """在一个网络讨论组里，有人发布了求助信息：
+
+求助者：「最近心情很低落，感觉生活很压抑，不知道该怎么办...」
+
+评论区里已经有一些回复：
+「生活本来就是这样，想开点！」
+「你这样子太消极了，要积极面对。」
+「谁还没点烦心事啊，过段时间就好了。」""",
+            "explanation": "通过网络互助场景，观察个体的共情能力和安慰方式。"
+        },
+        "场景4": {
+            "scenario": """你的恋人向你倾诉工作压力：
+
+恋人：「最近工作真的好累，感觉快坚持不下去了...」
+
+但今天你也遇到了很多烦心事，心情也不太好。""",
+            "explanation": "通过感情关系场景，观察个体在自身状态不佳时的关怀能力。"
+        },
+        "场景5": {
+            "scenario": """在一次团队项目中，新来的同事小王因为经验不足，造成了一个严重的错误。在部门会议上：
+
+主管：「这个错误造成了很大的损失，是谁负责的这部分？」
+
+小王看起来很紧张，欲言又止。你知道是他造成的错误，同时你也是这个项目的共同负责人。""",
+            "explanation": "通过职场情境，观察个体在面对他人过错时的态度和处理方式。"
+        }
     }
 }
 

src/plugins/personality/看我.txt

@@ -0,0 +1 @@
+那是以后会用到的妙妙小工具.jpg

src/plugins/willing/mode_classical.py

@@ -54,7 +54,7 @@ class WillingManager:
 
         self.chat_reply_willing[chat_id] = min(current_willing, 3.0)
 
-        reply_probability = min(max((current_willing - 0.5), 0.03) * config.response_willing_amplifier * 2, 1)
+        reply_probability = min(max((current_willing - 0.5), 0.01) * config.response_willing_amplifier * 2, 1)
 
         # 检查群组权限（如果是群聊）
         if chat_stream.group_info and config:

template/bot_config_template.toml

@@ -16,7 +16,7 @@ version = "0.0.10"
 [bot]
 qq = 123
 nickname = "麦麦"
-alias_names = ["小麦", "阿麦"]
+alias_names = ["麦叠", "牢麦"]
 
 [personality]
 prompt_personality = [
@@ -37,7 +37,7 @@ thinking_timeout = 120 # 麦麦思考时间
 
 response_willing_amplifier = 1 # 麦麦回复意愿放大系数，一般为1
 response_interested_rate_amplifier = 1 # 麦麦回复兴趣度放大系数,听到记忆里的内容时放大系数
-down_frequency_rate = 3.5 # 降低回复频率的群组回复意愿降低系数
+down_frequency_rate = 3 # 降低回复频率的群组回复意愿降低系数 除法
 ban_words = [
     # "403","张三"
     ]
@@ -126,27 +126,14 @@ ban_user_id = []  #禁止回复消息的QQ号
 enable = true
 
 
-#V3
-#name = "deepseek-chat"
-#base_url = "DEEP_SEEK_BASE_URL"
-#key = "DEEP_SEEK_KEY"
-
-#R1
-#name = "deepseek-reasoner"
-#base_url = "DEEP_SEEK_BASE_URL"
-#key = "DEEP_SEEK_KEY"
-
 #下面的模型若使用硅基流动则不需要更改，使用ds官方则改成.env.prod自定义的宏，使用自定义模型则选择定位相似的模型自己填写
-
 #推理模型：
-
 [model.llm_reasoning] #回复模型1 主要回复模型
 name = "Pro/deepseek-ai/DeepSeek-R1"
 provider = "SILICONFLOW"
 pri_in = 0 #模型的输入价格（非必填，可以记录消耗）
 pri_out = 0 #模型的输出价格（非必填，可以记录消耗）
 
-
 [model.llm_reasoning_minor] #回复模型3 次要回复模型
 name = "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B"
 provider = "SILICONFLOW"