feat: 为Kokoro Flow Chatter实现统一模式，支持模块化提示生成

新增统一模式：通过单次LLM调用同时处理推理与响应生成
采用模块化提示组件：系统提示与用户提示分离，提升灵活性和可维护性
日志更新：更清晰地记录生成响应与执行动作
版本更新：在机器人配置模板中递增版本号以反映变更
上下文处理优化：改进用户交互与记忆管理

src/chat/planner_actions/action_manager.py

@@ -172,9 +172,9 @@ class ChatterActionManager:
             # 设置正在处理的状态
             chat_stream.context.is_replying = True
 
-            # no_action 特殊处理
-            if action_name == "no_action":
-                return {"action_type": "no_action", "success": True, "reply_text": ""}
+            # no_action / do_nothing 特殊处理
+            if action_name in ("no_action", "do_nothing"):
+                return {"action_type": action_name, "success": True, "reply_text": ""}
 
             # 创建并执行动作
             action_handler = self.create_action(

src/common/logger.py

@@ -638,6 +638,12 @@ 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
@@ -682,6 +688,7 @@ DEFAULT_MODULE_COLORS = {
     "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 = {
@@ -818,6 +825,7 @@ DEFAULT_MODULE_ALIASES = {
     "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/plugins/built_in/kokoro_flow_chatter/__init__.py

@@ -1,7 +1,13 @@
 """
-Kokoro Flow Chatter - 私聊特化的心流聊天器
+Kokoro Flow Chatter (KFC) - 私聊特化的心流聊天器
 
-重构版本，核心设计理念：
+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
@@ -21,6 +27,7 @@ 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,
@@ -28,6 +35,7 @@ from .proactive_thinker import (
     stop_proactive_thinker,
 )
 from .config import (
+    KFCMode,
     KokoroFlowChatterConfig,
     get_config,
     load_config,
@@ -38,11 +46,11 @@ 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，实现心理状态驱动的对话体验",
-    usage="在私聊场景中自动启用，可通过 [kokoro_flow_chatter].enable 配置开关",
-    version="2.0.0",
+    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"],
+    keywords=["chatter", "kokoro", "private", "emotional", "narrative", "dual-mode"],
     categories=["Chat", "AI", "Emotional"],
     extra={"is_built_in": True, "chat_type": "private"},
 )
@@ -63,12 +71,14 @@ __all__ = [
     "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",

src/plugins/built_in/kokoro_flow_chatter/chatter.py

@@ -1,11 +1,19 @@
 """
 Kokoro Flow Chatter - Chatter 主类
 
-极简设计，只负责：
-1. 收到消息
-2. 调用 Planner 生成规划
-3. 执行动作（回复在 Action.execute() 中生成）
-4. 更新 Session
+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
@@ -18,8 +26,8 @@ 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 .planner import generate_plan
 from .session import get_session_manager
 
 if TYPE_CHECKING:
@@ -27,15 +35,15 @@ if TYPE_CHECKING:
 
 logger = get_logger("kfc_chatter")
 
-# 控制台颜色
-SOFT_PURPLE = "\033[38;5;183m"
-RESET = "\033[0m"
-
 
 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
@@ -62,18 +70,24 @@ class KokoroFlowChatter(BaseChatter):
         # 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 = {
+        self._stats: dict[str, Any] = {
             "messages_processed": 0,
             "successful_responses": 0,
             "failed_responses": 0,
         }
         
-        logger.info(f"{SOFT_PURPLE}[KFC]{RESET} 初始化完成: stream_id={stream_id}")
+        # 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:
         """
@@ -84,7 +98,7 @@ class KokoroFlowChatter(BaseChatter):
         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. 调用 Replyer 生成响应
+        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
@@ -115,7 +129,6 @@ class KokoroFlowChatter(BaseChatter):
                 situation_type = self._determine_situation_type(session)
                 
                 # 5. **立即**结束等待状态，防止 ProactiveThinker 并发处理
-                # 在调用 LLM 之前就结束等待，避免 ProactiveThinker 检测到超时后也开始处理
                 if session.status == SessionStatus.WAITING:
                     session.end_waiting()
                     await self.session_manager.save_session(user_id)
@@ -143,25 +156,26 @@ class KokoroFlowChatter(BaseChatter):
                 # 8. 获取聊天流
                 chat_stream = await self._get_chat_stream()
                 
-                # 9. 调用 Planner 生成行动计划
-                plan_response = await generate_plan(
+                # 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. 为 kfc_reply 动作注入必要的上下文信息
-                for action in plan_response.actions:
-                    if action.type == "kfc_reply":
-                        # 注入回复生成所需的上下文
-                        action.params["user_id"] = user_id
-                        action.params["user_name"] = user_name
-                        action.params["thought"] = plan_response.thought
-                        action.params["situation_type"] = situation_type
-                
-                # 11. 执行动作（回复生成在 Action.execute() 中完成）
+                # 10. 执行动作
                 exec_results = []
                 has_reply = False
                 for action in plan_response.actions:
@@ -178,7 +192,7 @@ class KokoroFlowChatter(BaseChatter):
                     if result.get("success") and action.type in ("kfc_reply", "respond"):
                         has_reply = True
                 
-                # 12. 记录 Bot 规划到 mental_log
+                # 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],
@@ -186,7 +200,7 @@ class KokoroFlowChatter(BaseChatter):
                     max_wait_seconds=plan_response.max_wait_seconds,
                 )
                 
-                # 13. 更新 Session 状态
+                # 12. 更新 Session 状态
                 if plan_response.max_wait_seconds > 0:
                     session.start_waiting(
                         expected_reaction=plan_response.expected_reaction,
@@ -195,20 +209,22 @@ class KokoroFlowChatter(BaseChatter):
                 else:
                     session.end_waiting()
                 
-                # 14. 标记消息为已读
+                # 13. 标记消息为已读
                 for msg in unread_messages:
                     context.mark_message_as_read(str(msg.message_id))
                 
-                # 15. 保存 Session
+                # 14. 保存 Session
                 await self.session_manager.save_session(user_id)
                 
-                # 16. 更新统计
+                # 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"{SOFT_PURPLE}[KFC]{RESET} 处理完成: "
+                    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"
@@ -220,6 +236,7 @@ class KokoroFlowChatter(BaseChatter):
                     has_reply=has_reply,
                     thought=plan_response.thought,
                     situation_type=situation_type,
+                    mode=mode_str,
                 )
                 
             except Exception as e:
@@ -232,6 +249,68 @@ class KokoroFlowChatter(BaseChatter):
             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
@@ -282,9 +361,16 @@ class KokoroFlowChatter(BaseChatter):
     
     def get_stats(self) -> dict[str, Any]:
         """获取统计信息"""
-        return self._stats.copy()
+        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

@@ -2,12 +2,39 @@
 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"""
@@ -47,12 +74,6 @@ class ProactiveConfig:
     # 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
 
-    # 是否启用早安问候
-    enable_morning_greeting: bool = True
-    
-    # 是否启用晚安问候
-    enable_night_greeting: bool = True
-
 
 @dataclass
 class PromptConfig:
@@ -109,6 +130,11 @@ class KokoroFlowChatterConfig:
     # 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"])
     
@@ -165,6 +191,10 @@ def load_config() -> KokoroFlowChatterConfig:
             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
@@ -188,8 +218,6 @@ def load_config() -> KokoroFlowChatterConfig:
                     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),
-                    enable_morning_greeting=getattr(pro_cfg, 'enable_morning_greeting', True),
-                    enable_night_greeting=getattr(pro_cfg, 'enable_night_greeting', True),
                 )
             
             # 提示词配置

src/plugins/built_in/kokoro_flow_chatter/planner.py

@@ -102,11 +102,12 @@ def _parse_response(raw_response: str) -> LLMResponse:
     response = LLMResponse.from_dict(data)
     
     if response.thought:
-        logger.info(
-            f"[KFC Planner] 解析成功: thought={response.thought[:50]}..., "
-            f"actions={[a.type for a in response.actions]}"
-        )
+        # 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("[KFC Planner] 响应缺少 thought")
+        logger.warning("响应缺少 thought")
     
     return response

src/plugins/built_in/kokoro_flow_chatter/proactive_thinker.py

@@ -7,6 +7,10 @@ Kokoro Flow Chatter - 主动思考器
 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
@@ -20,9 +24,8 @@ 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 .planner import generate_plan
-from .replyer import _clean_reply_text
 from .session import KokoroSession, get_session_manager
 
 if TYPE_CHECKING:
@@ -44,6 +47,10 @@ class ProactiveThinker:
     - 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）
@@ -74,11 +81,12 @@ class ProactiveThinker:
     
     def _load_config(self) -> None:
         """加载配置 - 使用统一的配置系统"""
-        from .config import get_config
-        
         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）
@@ -92,13 +100,11 @@ class ProactiveThinker:
         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
-        self.enable_morning_greeting = proactive_cfg.enable_morning_greeting
-        self.enable_night_greeting = proactive_cfg.enable_night_greeting
     
     async def start(self) -> None:
         """启动主动思考器"""
         if self._running:
-            logger.warning("[ProactiveThinker] 已在运行中")
+            logger.info("已在运行中")
             return
         
         self._running = True
@@ -324,6 +330,7 @@ class ProactiveThinker:
                 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]}...")
@@ -369,7 +376,7 @@ class ProactiveThinker:
             return None
     
     async def _handle_timeout(self, session: KokoroSession) -> None:
-        """处理等待超时"""
+        """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
@@ -385,7 +392,7 @@ class ProactiveThinker:
             )
             return
         
-        logger.info(f"[ProactiveThinker] 等待超时: user={session.user_id}")
+        logger.info(f"等待超时: user={session.user_id}")
         
         try:
             # 获取用户名
@@ -403,7 +410,20 @@ class ProactiveThinker:
             action_modifier = ActionModifier(action_manager, session.stream_id)
             await action_modifier.modify_actions(chatter_name="KokoroFlowChatter")
             
-            # 调用 Planner 生成超时决策
+            # 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,
@@ -412,7 +432,7 @@ class ProactiveThinker:
                     available_actions=action_manager.get_using_actions(),
                 )
                 
-            # 为 kfc_reply 动作注入必要的上下文信息
+                # 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
@@ -539,7 +559,7 @@ class ProactiveThinker:
         session: KokoroSession,
         trigger_reason: str,
     ) -> None:
-        """处理主动思考"""
+        """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
@@ -550,7 +570,7 @@ class ProactiveThinker:
             )
             return
         
-        logger.info(f"[ProactiveThinker] 主动思考触发: user={session.user_id}, reason={trigger_reason}")
+        logger.info(f"主动思考触发: user={session.user_id}, reason={trigger_reason}")
         
         try:
             # 获取用户名
@@ -580,7 +600,21 @@ class ProactiveThinker:
                 "silence_duration": silence_duration,
             }
             
-            # 调用 Planner
+            # 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,
@@ -597,12 +631,13 @@ class ProactiveThinker:
             )
             
             if is_do_nothing:
-                logger.info(f"[ProactiveThinker] 决定不打扰: user={session.user_id}")
+                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
             
-            # 为 kfc_reply 动作注入必要的上下文信息
+            # 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

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

@@ -827,6 +827,202 @@ class PromptBuilder:
             target_message=target_message or "（无消息内容）",
         )
     
+    async def build_unified_prompt(
+        self,
+        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,
+    ) -> str:
+        """
+        构建统一模式提示词（单次 LLM 调用完成思考 + 回复生成）
+        
+        与 planner_prompt 的区别：
+        - 使用完整的输出格式（要求填写 content 字段）
+        - 不使用分离的 replyer 提示词
+        
+        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:
+            完整的统一模式提示词
+        """
+        extra_context = extra_context or {}
+        
+        # 获取 user_id
+        user_id = session.user_id if session else None
+        
+        # 1. 构建人设块
+        persona_block = self._build_persona_block()
+        
+        # 2. 使用 context_builder 获取关系、记忆、表达习惯等
+        context_data = await self._build_context_data(user_name, chat_stream, user_id)
+        relation_block = context_data.get("relation_info", f"你与 {user_name} 还不太熟悉，这是早期的交流阶段。")
+        memory_block = context_data.get("memory_block", "")
+        expression_habits = self._build_combined_expression_block(context_data.get("expression_habits", ""))
+        
+        # 3. 构建活动流
+        activity_stream = await self._build_activity_stream(session, user_name)
+        
+        # 4. 构建当前情况
+        current_situation = await self._build_current_situation(
+            session, user_name, situation_type, extra_context
+        )
+        
+        # 5. 构建聊天历史总览
+        chat_history_block = await self._build_chat_history_block(chat_stream)
+        
+        # 6. 构建可用动作（统一模式强调需要填写 content）
+        actions_block = self._build_unified_actions_block(available_actions)
+        
+        # 7. 获取统一模式输出格式（要求填写 content）
+        output_format = await self._get_unified_output_format()
+        
+        # 8. 使用统一的 prompt 管理系统格式化
+        prompt = await global_prompt_manager.format_prompt(
+            PROMPT_NAMES["main"],
+            user_name=user_name,
+            persona_block=persona_block,
+            relation_block=relation_block,
+            memory_block=memory_block or "（暂无相关记忆）",
+            expression_habits=expression_habits or "（根据自然对话风格回复即可）",
+            activity_stream=activity_stream or "（这是你们第一次聊天）",
+            current_situation=current_situation,
+            chat_history_block=chat_history_block,
+            available_actions=actions_block,
+            output_format=output_format,
+        )
+        
+        return prompt
+    
+    def _build_unified_actions_block(self, available_actions: Optional[dict]) -> str:
+        """
+        构建统一模式的可用动作块
+        
+        与 _build_actions_block 的区别：
+        - 强调 kfc_reply 需要填写 content 字段
+        """
+        if not available_actions:
+            return self._get_unified_default_actions_block()
+        
+        action_blocks = []
+        for action_name, action_info in available_actions.items():
+            block = self._format_unified_action(action_name, action_info)
+            if block:
+                action_blocks.append(block)
+        
+        return "\n".join(action_blocks) if action_blocks else self._get_unified_default_actions_block()
+    
+    def _format_unified_action(self, action_name: str, action_info) -> str:
+        """格式化统一模式的单个动作"""
+        description = getattr(action_info, "description", "") or f"执行 {action_name}"
+        action_require = getattr(action_info, "action_require", []) or []
+        require_text = "\n".join(f"  - {req}" for req in action_require) if action_require else "  - 根据情况使用"
+        
+        # 统一模式要求 kfc_reply 必须填写 content
+        if action_name == "kfc_reply":
+            return f"""### {action_name}
+**描述**: {description}
+
+**使用场景**:
+{require_text}
+
+**示例**:
+```json
+{{
+  "type": "{action_name}",
+  "content": "你要说的话（必填）"
+}}
+```
+"""
+        else:
+            action_parameters = getattr(action_info, "action_parameters", {}) or {}
+            params_example = self._build_params_example(action_parameters)
+            
+            return f"""### {action_name}
+**描述**: {description}
+
+**使用场景**:
+{require_text}
+
+**示例**:
+```json
+{{
+  "type": "{action_name}",
+  {params_example}
+}}
+```
+"""
+    
+    def _get_unified_default_actions_block(self) -> str:
+        """获取统一模式的默认动作列表"""
+        return """### kfc_reply
+**描述**: 发送回复消息
+
+**使用场景**:
+  - 需要回复对方消息时使用
+
+**示例**:
+```json
+{
+  "type": "kfc_reply",
+  "content": "你要说的话（必填）"
+}
+```
+
+
+### do_nothing
+**描述**: 什么都不做
+
+**使用场景**:
+  - 当前不需要回应时使用
+
+**示例**:
+```json
+{
+  "type": "do_nothing"
+}
+```"""
+    
+    async def _get_unified_output_format(self) -> str:
+        """获取统一模式的输出格式模板"""
+        try:
+            prompt = await global_prompt_manager.get_prompt_async(
+                PROMPT_NAMES["unified_output_format"]
+            )
+            return prompt.template
+        except KeyError:
+            # 如果模板未注册，返回默认格式
+            return """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
+
+### 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"""
+
 
 # 全局单例
 _prompt_builder: Optional[PromptBuilder] = None

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

@@ -361,11 +361,42 @@ kfc_WAITING_THOUGHT = Prompt(
 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",

src/plugins/built_in/kokoro_flow_chatter/prompt_modules_unified.py

@@ -0,0 +1,607 @@
+"""
+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。
+
+**重要**：像真人发微信一样，把你想说的话拆成几条短消息，每条用一个 kfc_reply 动作。
+
+什么时候分？
+- 说完一句话后想补充一句 → 分
+- 语气转折了 → 分
+- 想让对方先看到前面的，再看到后面的 → 分
+- 一个意思说完了 → 分
+
+不需要分的时候：
+- 就一句话的事 → 一条就够
+- 话很短，不用拆 → 一条就够
+
+示例：
+```json
+{
+  "actions": [
+    {"type": "kfc_reply", "content": "嗯嗯~"},
+    {"type": "kfc_reply", "content": "我知道了"}
+  ]
+}
+```
+
+### `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

@@ -82,7 +82,8 @@ async def generate_reply_text(
         # 3. 清理并返回回复文本
         reply_text = _clean_reply_text(raw_response)
         
-        logger.info(f"[KFC Replyer] 生成成功 (model={model_name}): {reply_text[:50]}...")
+        # 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
         

src/plugins/built_in/kokoro_flow_chatter/unified.py

@@ -0,0 +1,578 @@
+"""
+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"
+            # 统一模式下模型已经自己分段了，禁用回复分割器
+            if action.get("type") == "kfc_reply":
+                action["enable_splitter"] = False
+    
+    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()}")

template/bot_config_template.toml

@@ -1,5 +1,5 @@
 [inner]
-version = "7.9.4"
+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
@@ -648,6 +648,12 @@ log_decisions = false # 是否记录每次决策的详细日志
 # 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
@@ -676,7 +682,3 @@ 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
-
-# 6. 自然问候：在特定的时间，她会像朋友一样送上问候。
-enable_morning_greeting = true # 是否启用早安问候 (例如: 8:00 - 9:00)
-enable_night_greeting = true # 是否启用晚安问候 (例如: 22:00 - 23:00)