From f01de48d304651599178f6f728ef2ec3719811e3 Mon Sep 17 00:00:00 2001 From: Windpicker-owo <3431391539@qq.com> Date: Sun, 2 Nov 2025 12:43:44 +0800 Subject: [PATCH] =?UTF-8?q?refactor(tool=5Fuse):=20=E6=B7=BB=E5=8A=A0?= =?UTF-8?q?=E5=B7=A5=E5=85=B7=E8=B0=83=E7=94=A8=E5=8E=86=E5=8F=B2=E8=AE=B0?= =?UTF-8?q?=E5=BD=95=E5=8A=9F=E8=83=BD=EF=BC=8C=E4=BC=98=E5=8C=96=E5=B7=A5?= =?UTF-8?q?=E5=85=B7=E6=89=A7=E8=A1=8C=E5=99=A8=E7=9A=84=E6=8F=90=E7=A4=BA?= =?UTF-8?q?=E8=AF=8D=E5=92=8C=E5=8E=86=E5=8F=B2=E7=AE=A1=E7=90=86=20refact?= =?UTF-8?q?or(chat=5Fstream=5Fimpression=5Ftool):=20=E7=AE=80=E5=8C=96?= =?UTF-8?q?=E8=81=8A=E5=A4=A9=E6=B5=81=E5=8D=B0=E8=B1=A1=E6=9B=B4=E6=96=B0?= =?UTF-8?q?=E9=80=BB=E8=BE=91=EF=BC=8C=E7=9B=B4=E6=8E=A5=E4=BD=BF=E7=94=A8?= =?UTF-8?q?=E4=BC=A0=E5=85=A5=E5=8F=82=E6=95=B0=E6=9B=B4=E6=96=B0=20refact?= =?UTF-8?q?or(user=5Fprofile=5Ftool):=20=E4=BC=98=E5=8C=96=E7=94=A8?= =?UTF-8?q?=E6=88=B7=E7=94=BB=E5=83=8F=E6=9B=B4=E6=96=B0=E9=80=BB=E8=BE=91?= =?UTF-8?q?=EF=BC=8C=E7=9B=B4=E6=8E=A5=E8=A6=86=E7=9B=96=E6=9B=B4=E6=96=B0?= =?UTF-8?q?=E5=B9=B6=E7=A7=BB=E9=99=A4=E4=BA=8C=E6=AD=A5=E8=B0=83=E7=94=A8?= =?UTF-8?q?=E6=9C=BA=E5=88=B6?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- src/plugin_system/core/tool_use.py | 139 ++++++++++++- .../chat_stream_impression_tool.py | 195 ++---------------- .../user_profile_tool.py | 171 ++------------- 3 files changed, 172 insertions(+), 333 deletions(-) diff --git a/src/plugin_system/core/tool_use.py b/src/plugin_system/core/tool_use.py index 14e6fcd7c..0e97fa593 100644 --- a/src/plugin_system/core/tool_use.py +++ b/src/plugin_system/core/tool_use.py @@ -26,6 +26,10 @@ def init_tool_executor_prompt(): 请仔细分析聊天内容，考虑以下几点： 1. 内容中是否包含需要查询信息的问题 2. 是否有明确的工具使用指令 +3. 之前的工具调用是否提供了有用的信息 +4. 是否需要基于之前的工具结果进行进一步的查询 + +{tool_history} If you need to use a tool, please directly call the corresponding tool function. If you do not need to use any tool, simply output "No tool needed". """ @@ -61,6 +65,10 @@ class ToolExecutor: """待处理的第二步工具调用，格式为 {tool_name: step_two_definition}""" self._log_prefix_initialized = False + # 工具调用历史 + self.tool_call_history: list[dict[str, Any]] = [] + """工具调用历史，包含工具名称、参数和结果""" + # logger.info(f"{self.log_prefix}工具执行器初始化完成") # 移到异步初始化中 async def _initialize_log_prefix(self): @@ -100,6 +108,9 @@ class ToolExecutor: bot_name = global_config.bot.nickname + # 构建工具调用历史文本 + tool_history = self._format_tool_history() + # 构建工具调用提示词 prompt = await global_prompt_manager.format_prompt( "tool_executor_prompt", @@ -108,6 +119,7 @@ class ToolExecutor: sender=sender, bot_name=bot_name, time_now=time_now, + tool_history=tool_history, ) logger.debug(f"{self.log_prefix}开始LLM工具调用分析") @@ -149,6 +161,83 @@ class ToolExecutor: return tool_definitions + def _format_tool_history(self, max_history: int = 5) -> str: + """格式化工具调用历史为文本 + + Args: + max_history: 最多显示的历史记录数量 + + Returns: + 格式化的工具历史文本 + """ + if not self.tool_call_history: + return "" + + # 只取最近的几条历史 + recent_history = self.tool_call_history[-max_history:] + + history_lines = ["历史工具调用记录："] + for i, record in enumerate(recent_history, 1): + tool_name = record.get("tool_name", "unknown") + args = record.get("args", {}) + result_preview = record.get("result_preview", "") + status = record.get("status", "success") + + # 格式化参数 + args_str = ", ".join([f"{k}={v}" for k, v in args.items()]) + + # 格式化记录 + status_emoji = "✓" if status == "success" else "✗" + history_lines.append(f"{i}. {status_emoji} {tool_name}({args_str})") + + if result_preview: + # 限制结果预览长度 + if len(result_preview) > 200: + result_preview = result_preview[:200] + "..." + history_lines.append(f" 结果: {result_preview}") + + return "\n".join(history_lines) + + def _add_tool_to_history(self, tool_name: str, args: dict, result: dict | None, status: str = "success"): + """添加工具调用到历史记录 + + Args: + tool_name: 工具名称 + args: 工具参数 + result: 工具结果 + status: 执行状态 (success/error) + """ + # 生成结果预览 + result_preview = "" + if result: + content = result.get("content", "") + if isinstance(content, str): + result_preview = content + elif isinstance(content, list | dict): + import json + + try: + result_preview = json.dumps(content, ensure_ascii=False) + except Exception: + result_preview = str(content) + else: + result_preview = str(content) + + record = { + "tool_name": tool_name, + "args": args, + "result_preview": result_preview, + "status": status, + "timestamp": time.time(), + } + + self.tool_call_history.append(record) + + # 限制历史记录数量，避免内存溢出 + max_history_size = 5 + if len(self.tool_call_history) > max_history_size: + self.tool_call_history = self.tool_call_history[-max_history_size:] + async def execute_tool_calls(self, tool_calls: list[ToolCall] | None) -> tuple[list[dict[str, Any]], list[str]]: """执行工具调用 @@ -183,6 +272,7 @@ class ToolExecutor: # 执行每个工具调用 for tool_call in tool_calls: tool_name = getattr(tool_call, "func_name", "unknown_tool") + tool_args = getattr(tool_call, "args", {}) try: logger.debug(f"{self.log_prefix}执行工具: {tool_name}") @@ -204,8 +294,15 @@ class ToolExecutor: tool_results.append(tool_info) used_tools.append(tool_name) logger.info(f"{self.log_prefix}工具{tool_name}执行成功，类型: {tool_info['type']}") - preview = content[:200] + preview = content[:200] if isinstance(content, str) else str(content)[:200] logger.debug(f"{self.log_prefix}工具{tool_name}结果内容: {preview}...") + + # 记录到历史 + self._add_tool_to_history(tool_name, tool_args, result, status="success") + else: + # 工具返回空结果也记录到历史 + self._add_tool_to_history(tool_name, tool_args, None, status="success") + except Exception as e: logger.error(f"{self.log_prefix}工具{tool_name}执行失败: {e}") # 添加错误信息到结果中 @@ -218,6 +315,9 @@ class ToolExecutor: } tool_results.append(error_info) + # 记录失败到历史 + self._add_tool_to_history(tool_name, tool_args, None, status="error") + return tool_results, used_tools async def execute_tool_call( @@ -404,13 +504,32 @@ class ToolExecutor: "timestamp": time.time(), } logger.info(f"{self.log_prefix}直接工具执行成功: {tool_name}") + + # 记录到历史 + self._add_tool_to_history(tool_name, tool_args, result, status="success") + return tool_info except Exception as e: logger.error(f"{self.log_prefix}直接工具执行失败 {tool_name}: {e}") + # 记录失败到历史 + self._add_tool_to_history(tool_name, tool_args, None, status="error") return None + def clear_tool_history(self): + """清除工具调用历史""" + self.tool_call_history.clear() + logger.debug(f"{self.log_prefix}已清除工具调用历史") + + def get_tool_history(self) -> list[dict[str, Any]]: + """获取工具调用历史 + + Returns: + 工具调用历史列表 + """ + return self.tool_call_history.copy() + """ ToolExecutor使用示例： @@ -436,4 +555,22 @@ result = await executor.execute_specific_tool_simple( tool_name="get_knowledge", tool_args={"query": "机器学习"} ) + +# 4. 使用工具历史 - 连续对话中的工具调用 +# 第一次调用 +await executor.execute_from_chat_message( + target_message="查询今天的天气", + chat_history="", + sender="用户" +) +# 第二次调用时会自动包含上次的工具调用历史 +await executor.execute_from_chat_message( + target_message="那明天呢？", + chat_history="", + sender="用户" +) + +# 5. 获取和清除历史 +history = executor.get_tool_history() # 获取历史记录 +executor.clear_tool_history() # 清除历史记录 """ diff --git a/src/plugins/built_in/affinity_flow_chatter/chat_stream_impression_tool.py b/src/plugins/built_in/affinity_flow_chatter/chat_stream_impression_tool.py index 70dce2119..e9357670c 100644 --- a/src/plugins/built_in/affinity_flow_chatter/chat_stream_impression_tool.py +++ b/src/plugins/built_in/affinity_flow_chatter/chat_stream_impression_tool.py @@ -1,19 +1,16 @@ """ 聊天流印象更新工具 -通过LLM二步调用机制更新对聊天流（如QQ群）的整体印象，包括主观描述、聊天风格、话题关键词和兴趣分数 +直接更新对聊天流（如QQ群）的整体印象，包括主观描述、聊天风格、话题关键词和兴趣分数 +现在依赖工具调用历史记录，LLM可以看到之前的调用结果，因此直接覆盖更新即可 """ -import json from typing import Any, ClassVar from src.common.database.api.crud import CRUDBase from src.common.database.core.models import ChatStreams from src.common.logger import get_logger -from src.config.config import model_config -from src.llm_models.utils_model import LLMRequest from src.plugin_system import BaseTool, ToolParamType -from src.utils.json_parser import extract_and_parse_json logger = get_logger("chat_stream_impression_tool") @@ -21,9 +18,8 @@ logger = get_logger("chat_stream_impression_tool") class ChatStreamImpressionTool(BaseTool): """聊天流印象更新工具 - 使用二步调用机制： - 1. LLM决定是否调用工具并传入初步参数（stream_id会自动传入） - 2. 工具内部调用LLM，结合现有数据和传入参数，决定最终更新内容 + 直接使用LLM传入的参数更新聊天流印象。 + 由于工具执行器现在支持历史记录，LLM可以看到之前的调用结果，因此无需再次调用LLM进行合并。 """ name = "update_chat_stream_impression" @@ -61,33 +57,6 @@ class ChatStreamImpressionTool(BaseTool): available_for_llm = True history_ttl = 5 - def __init__(self, plugin_config: dict | None = None, chat_stream: Any = None): - super().__init__(plugin_config, chat_stream) - - # 初始化用于二步调用的LLM - try: - self.impression_llm = LLMRequest( - model_set=model_config.model_task_config.relationship_tracker, - request_type="chat_stream_impression_update", - ) - except AttributeError: - # 降级处理 - available_models = [ - attr - for attr in dir(model_config.model_task_config) - if not attr.startswith("_") and attr != "model_dump" - ] - if available_models: - fallback_model = available_models[0] - logger.warning(f"relationship_tracker配置不存在，使用降级模型: {fallback_model}") - self.impression_llm = LLMRequest( - model_set=getattr(model_config.model_task_config, fallback_model), - request_type="chat_stream_impression_update", - ) - else: - logger.error("无可用的模型配置") - self.impression_llm = None - async def execute(self, function_args: dict[str, Any]) -> dict[str, Any]: """执行聊天流印象更新 @@ -120,7 +89,7 @@ class ChatStreamImpressionTool(BaseTool): new_topics = function_args.get("topic_keywords", "") new_score = function_args.get("interest_score") - # 从数据库获取现有聊天流印象 + # 从数据库获取现有聊天流印象（用于返回信息） existing_impression = await self._get_stream_impression(stream_id) # 如果LLM没有传入任何有效参数，返回提示 @@ -131,22 +100,16 @@ class ChatStreamImpressionTool(BaseTool): "content": "提示：需要提供至少一项更新内容（印象描述、聊天风格、话题关键词或兴趣分数）", } - # 调用LLM进行二步决策 - if self.impression_llm is None: - logger.error("LLM未正确初始化，无法执行二步调用") - return {"type": "error", "id": stream_id, "content": "系统错误：LLM未正确初始化"} + # 直接使用LLM传入的值进行覆盖更新（保留未更新的字段） + final_impression = { + "stream_impression_text": new_impression if new_impression else existing_impression.get("stream_impression_text", ""), + "stream_chat_style": new_style if new_style else existing_impression.get("stream_chat_style", ""), + "stream_topic_keywords": new_topics if new_topics else existing_impression.get("stream_topic_keywords", ""), + "stream_interest_score": new_score if new_score is not None else existing_impression.get("stream_interest_score", 0.5), + } - final_impression = await self._llm_decide_final_impression( - stream_id=stream_id, - existing_impression=existing_impression, - new_impression=new_impression, - new_style=new_style, - new_topics=new_topics, - new_score=new_score, - ) - - if not final_impression: - return {"type": "error", "id": stream_id, "content": "LLM决策失败，无法更新聊天流印象"} + # 确保分数在有效范围内 + final_impression["stream_interest_score"] = max(0.0, min(1.0, float(final_impression["stream_interest_score"]))) # 更新数据库 await self._update_stream_impression_in_db(stream_id, final_impression) @@ -218,121 +181,7 @@ class ChatStreamImpressionTool(BaseTool): "group_name": "未知", } - async def _llm_decide_final_impression( - self, - stream_id: str, - existing_impression: dict[str, Any], - new_impression: str, - new_style: str, - new_topics: str, - new_score: float | None, - ) -> dict[str, Any] | None: - """使用LLM决策最终的聊天流印象内容 - Args: - stream_id: 聊天流ID - existing_impression: 现有印象数据 - new_impression: LLM传入的新印象 - new_style: LLM传入的新风格 - new_topics: LLM传入的新话题 - new_score: LLM传入的新分数 - - Returns: - dict: 最终决定的印象数据，如果失败返回None - """ - try: - # 获取bot人设 - from src.individuality.individuality import Individuality - - individuality = Individuality() - bot_personality = await individuality.get_personality_block() - - prompt = f""" -你现在是一个有着特定性格和身份的AI助手。你的人设是：{bot_personality} - -你正在更新对聊天流 {stream_id} 的整体印象。 - -【当前聊天流信息】 -- 聊天环境: {existing_impression.get("group_name", "未知")} -- 当前印象: {existing_impression.get("stream_impression_text", "暂无印象")} -- 聊天风格: {existing_impression.get("stream_chat_style", "未知")} -- 常见话题: {existing_impression.get("stream_topic_keywords", "未知")} -- 当前兴趣分: {existing_impression.get("stream_interest_score", 0.5):.2f} - -【本次想要更新的内容】 -- 新的印象描述: {new_impression if new_impression else "不更新"} -- 新的聊天风格: {new_style if new_style else "不更新"} -- 新的话题关键词: {new_topics if new_topics else "不更新"} -- 新的兴趣分数: {new_score if new_score is not None else "不更新"} - -请综合考虑现有信息和新信息，决定最终的聊天流印象内容。注意： -1. 印象描述：如果提供了新印象，应该综合现有印象和新印象，形成对这个聊天环境的整体认知（100-200字） -2. 聊天风格：如果提供了新风格，应该用简洁的词语概括，如"活跃轻松"、"严肃专业"、"幽默随性"等 -3. 话题关键词：如果提供了新话题，应该与现有话题合并（去重），保留最核心和频繁的话题 -4. 兴趣分数：如果提供了新分数，需要结合现有分数合理调整（0.0表示完全不感兴趣，1.0表示非常感兴趣） - -请以JSON格式返回最终决定： -{{ - "stream_impression_text": "最终的印象描述（100-200字），整体性的对这个聊天环境的认知", - "stream_chat_style": "最终的聊天风格，简洁概括", - "stream_topic_keywords": "最终的话题关键词，逗号分隔", - "stream_interest_score": 最终的兴趣分数（0.0-1.0）, - "reasoning": "你的决策理由" -}} -""" - - # 调用LLM - if not self.impression_llm: - logger.info("未初始化impression_llm") - return None - llm_response, _ = await self.impression_llm.generate_response_async(prompt=prompt) - - if not llm_response: - logger.warning("LLM未返回有效响应") - return None - - # 使用统一的 JSON 解析工具 - response_data = extract_and_parse_json(llm_response, strict=False) - if not response_data or not isinstance(response_data, dict): - logger.warning("解析LLM响应失败") - return None - - # 提取最终决定的数据 - final_impression = { - "stream_impression_text": response_data.get( - "stream_impression_text", existing_impression.get("stream_impression_text", "") - ), - "stream_chat_style": response_data.get( - "stream_chat_style", existing_impression.get("stream_chat_style", "") - ), - "stream_topic_keywords": response_data.get( - "stream_topic_keywords", existing_impression.get("stream_topic_keywords", "") - ), - "stream_interest_score": max( - 0.0, - min( - 1.0, - float( - response_data.get( - "stream_interest_score", existing_impression.get("stream_interest_score", 0.5) - ) - ), - ), - ), - } - - logger.info(f"LLM决策完成: {stream_id}") - logger.debug(f"决策理由: {response_data.get('reasoning', '无')}") - - return final_impression - - except json.JSONDecodeError as e: - logger.error(f"LLM响应JSON解析失败: {e}") - logger.debug(f"LLM原始响应: {llm_response if 'llm_response' in locals() else 'N/A'}") - return None - except Exception as e: - logger.error(f"LLM决策失败: {e}", exc_info=True) - return None async def _update_stream_impression_in_db(self, stream_id: str, impression: dict[str, Any]): """更新数据库中的聊天流印象 @@ -376,18 +225,4 @@ class ChatStreamImpressionTool(BaseTool): logger.error(f"更新聊天流印象到数据库失败: {e}", exc_info=True) raise - # 已移除自定义的 _clean_llm_json_response 方法，统一使用 src.utils.json_parser.extract_and_parse_json - - def _clean_llm_json_response_deprecated(self, response: str) -> str: - """已废弃，保留仅用于兼容性 - - 请使用 src.utils.json_parser.extract_and_parse_json 替代 - """ - from src.utils.json_parser import extract_and_parse_json - try: - import json - result = extract_and_parse_json(response, strict=False) - return json.dumps(result) if result else response - except Exception as e: - logger.warning(f"清理LLM响应失败: {e}") - return response + diff --git a/src/plugins/built_in/affinity_flow_chatter/user_profile_tool.py b/src/plugins/built_in/affinity_flow_chatter/user_profile_tool.py index c43902bb1..95cf3a4f8 100644 --- a/src/plugins/built_in/affinity_flow_chatter/user_profile_tool.py +++ b/src/plugins/built_in/affinity_flow_chatter/user_profile_tool.py @@ -1,22 +1,20 @@ """ 用户画像更新工具 -通过LLM二步调用机制更新用户画像信息，包括别名、主观印象、偏好关键词和好感分数 +直接更新用户画像信息，包括别名、主观印象、偏好关键词和好感分数 +现在依赖工具调用历史记录，LLM可以看到之前的调用结果，因此直接覆盖更新即可 """ import time -from typing import Any, ClassVar +from typing import Any -import orjson from sqlalchemy import select from src.common.database.compatibility import get_db_session from src.common.database.core.models import UserRelationships from src.common.logger import get_logger -from src.config.config import global_config, model_config -from src.llm_models.utils_model import LLMRequest +from src.config.config import global_config from src.plugin_system import BaseTool, ToolParamType -from src.utils.json_parser import extract_and_parse_json logger = get_logger("user_profile_tool") @@ -24,14 +22,13 @@ logger = get_logger("user_profile_tool") class UserProfileTool(BaseTool): """用户画像更新工具 - 使用二步调用机制： - 1. LLM决定是否调用工具并传入初步参数 - 2. 工具内部调用LLM，结合现有数据和传入参数，决定最终更新内容 + 直接使用LLM传入的参数更新用户画像。 + 由于工具执行器现在支持历史记录，LLM可以看到之前的调用结果，因此无需再次调用LLM进行合并。 """ name = "update_user_profile" description = "当你通过聊天记录对某个用户产生了新的认识或印象时使用此工具，更新该用户的画像信息。包括：用户别名、你对TA的主观印象、TA的偏好兴趣、你对TA的好感程度。调用时机：当你发现用户透露了新的个人信息、展现了性格特点、表达了兴趣偏好，或者你们的互动让你对TA的看法发生变化时。" - parameters: ClassVar = [ + parameters = [ ("target_user_id", ToolParamType.STRING, "目标用户的ID（必须）", True, None), ("user_aliases", ToolParamType.STRING, "该用户的昵称或别名，如果发现用户自称或被他人称呼的其他名字时填写，多个别名用逗号分隔（可选）", False, None), ("impression_description", ToolParamType.STRING, "你对该用户的整体印象和性格感受，例如'这个用户很幽默开朗'、'TA对技术很有热情'等。当你通过对话了解到用户的性格、态度、行为特点时填写（可选）", False, None), @@ -41,32 +38,6 @@ class UserProfileTool(BaseTool): available_for_llm = True history_ttl = 5 - def __init__(self, plugin_config: dict | None = None, chat_stream: Any = None): - super().__init__(plugin_config, chat_stream) - - # 初始化用于二步调用的LLM - try: - self.profile_llm = LLMRequest( - model_set=model_config.model_task_config.relationship_tracker, - request_type="user_profile_update" - ) - except AttributeError: - # 降级处理 - available_models: ClassVar = [ - attr for attr in dir(model_config.model_task_config) - if not attr.startswith("_") and attr != "model_dump" - ] - if available_models: - fallback_model = available_models[0] - logger.warning(f"relationship_tracker配置不存在，使用降级模型: {fallback_model}") - self.profile_llm = LLMRequest( - model_set=getattr(model_config.model_task_config, fallback_model), - request_type="user_profile_update" - ) - else: - logger.error("无可用的模型配置") - self.profile_llm = None - async def execute(self, function_args: dict[str, Any]) -> dict[str, Any]: """执行用户画像更新 @@ -92,7 +63,7 @@ class UserProfileTool(BaseTool): new_keywords = function_args.get("preference_keywords", "") new_score = function_args.get("affection_score") - # 从数据库获取现有用户画像 + # 从数据库获取现有用户画像（用于返回信息） existing_profile = await self._get_user_profile(target_user_id) # 如果LLM没有传入任何有效参数，返回提示 @@ -103,36 +74,22 @@ class UserProfileTool(BaseTool): "content": "提示：需要提供至少一项更新内容（别名、印象描述、偏好关键词或好感分数）" } - # 调用LLM进行二步决策 - if self.profile_llm is None: - logger.error("LLM未正确初始化，无法执行二步调用") - return { - "type": "error", - "id": target_user_id, - "content": "系统错误：LLM未正确初始化" - } + # 直接使用LLM传入的值进行覆盖更新（保留未更新的字段） + final_profile = { + "user_aliases": new_aliases if new_aliases else existing_profile.get("user_aliases", ""), + "relationship_text": new_impression if new_impression else existing_profile.get("relationship_text", ""), + "preference_keywords": new_keywords if new_keywords else existing_profile.get("preference_keywords", ""), + "relationship_score": new_score if new_score is not None else existing_profile.get("relationship_score", global_config.affinity_flow.base_relationship_score), + } - final_profile = await self._llm_decide_final_profile( - target_user_id=target_user_id, - existing_profile=existing_profile, - new_aliases=new_aliases, - new_impression=new_impression, - new_keywords=new_keywords, - new_score=new_score - ) - - if not final_profile: - return { - "type": "error", - "id": target_user_id, - "content": "LLM决策失败，无法更新用户画像" - } + # 确保分数在有效范围内 + final_profile["relationship_score"] = max(0.0, min(1.0, float(final_profile["relationship_score"]))) # 更新数据库 await self._update_user_profile_in_db(target_user_id, final_profile) # 构建返回信息 - updates: ClassVar = [] + updates = [] if final_profile.get("user_aliases"): updates.append(f"别名: {final_profile['user_aliases']}") if final_profile.get("relationship_text"): @@ -201,97 +158,7 @@ class UserProfileTool(BaseTool): "relationship_score": global_config.affinity_flow.base_relationship_score, } - async def _llm_decide_final_profile( - self, - target_user_id: str, - existing_profile: dict[str, Any], - new_aliases: str, - new_impression: str, - new_keywords: str, - new_score: float | None - ) -> dict[str, Any] | None: - """使用LLM决策最终的用户画像内容 - Args: - target_user_id: 目标用户ID - existing_profile: 现有画像数据 - new_aliases: LLM传入的新别名 - new_impression: LLM传入的新印象 - new_keywords: LLM传入的新关键词 - new_score: LLM传入的新分数 - - Returns: - dict: 最终决定的画像数据，如果失败返回None - """ - try: - # 获取bot人设 - from src.individuality.individuality import Individuality - individuality = Individuality() - bot_personality = await individuality.get_personality_block() - - prompt = f""" -你现在是一个有着特定性格和身份的AI助手。你的人设是：{bot_personality} - -你正在更新对用户 {target_user_id} 的画像认识。 - -【当前画像信息】 -- 用户名: {existing_profile.get('user_name', target_user_id)} -- 已知别名: {existing_profile.get('user_aliases', '无')} -- 当前印象: {existing_profile.get('relationship_text', '暂无印象')} -- 偏好关键词: {existing_profile.get('preference_keywords', '未知')} -- 当前好感分: {existing_profile.get('relationship_score', 0.3):.2f} - -【本次想要更新的内容】 -- 新增/更新别名: {new_aliases if new_aliases else '不更新'} -- 新的印象描述: {new_impression if new_impression else '不更新'} -- 新的偏好关键词: {new_keywords if new_keywords else '不更新'} -- 新的好感分数: {new_score if new_score is not None else '不更新'} - -请综合考虑现有信息和新信息，决定最终的用户画像内容。注意： -1. 别名：如果提供了新别名，应该与现有别名合并（去重），而不是替换 -2. 印象描述：如果提供了新印象，应该综合现有印象和新印象，形成更完整的认识（100-200字） -3. 偏好关键词：如果提供了新关键词，应该与现有关键词合并（去重），每个关键词简短 -4. 好感分数：如果提供了新分数，需要结合现有分数合理调整（变化不宜过大，遵循现实逻辑） - -请以JSON格式返回最终决定： -{{ - "user_aliases": "最终的别名列表，逗号分隔", - "relationship_text": "最终的印象描述（100-200字），整体性、泛化的理解", - "preference_keywords": "最终的偏好关键词，逗号分隔", - "relationship_score": 最终的好感分数（0.0-1.0）, - "reasoning": "你的决策理由" -}} -""" - - # 调用LLM - llm_response, _ = await self.profile_llm.generate_response_async(prompt=prompt) - - if not llm_response: - logger.warning("LLM未返回有效响应") - return None - - # 使用统一的 JSON 解析工具 - response_data = extract_and_parse_json(llm_response, strict=False) - if not response_data or not isinstance(response_data, dict): - logger.error("LLM响应JSON解析失败") - logger.debug(f"LLM原始响应: {llm_response[:500] if llm_response else 'N/A'}") - return None - - # 提取最终决定的数据 - final_profile = { - "user_aliases": response_data.get("user_aliases", existing_profile.get("user_aliases", "")), - "relationship_text": response_data.get("relationship_text", existing_profile.get("relationship_text", "")), - "preference_keywords": response_data.get("preference_keywords", existing_profile.get("preference_keywords", "")), - "relationship_score": max(0.0, min(1.0, float(response_data.get("relationship_score", existing_profile.get("relationship_score", 0.3))))), - } - - logger.info(f"LLM决策完成: {target_user_id}") - logger.debug(f"决策理由: {response_data.get('reasoning', '无')}") - - return final_profile - except Exception as e: - logger.error(f"LLM决策失败: {e}", exc_info=True) - return None async def _update_user_profile_in_db(self, user_id: str, profile: dict[str, Any]): """更新数据库中的用户画像 @@ -335,4 +202,4 @@ class UserProfileTool(BaseTool): logger.error(f"更新用户画像到数据库失败: {e}", exc_info=True) raise - # 已移除自定义的 _clean_llm_json_response 方法，统一使用 src.utils.json_parser.extract_and_parse_json +