gardel/Mofox-Core
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Merge branch 'dev' of https://github.com/MoFox-Studio/MoFox-Core into dev

Browse Source
This commit is contained in:
Windpicker-owo
2025-12-16 13:50:31 +08:00
parent 5404a9c124 6acee258de
commit 7a500d15a1
11 changed files with 1019 additions and 292 deletions
Download Patch File Download Diff File Expand all files Collapse all files

36
docs/express_similarity.md Normal file
View File

@@ -0,0 +1,36 @@
# 表达相似度计算策略
本文档说明 `calculate_similarity` 的实现与配置，帮助在质量与性能间做权衡。
## 总览
- 支持两种路径：
1) **向量化路径（默认优先）**：TF-IDF + 余弦相似度（依赖 `scikit-learn`）
2) **回退路径**：`difflib.SequenceMatcher`
- 参数 `prefer_vector` 控制是否优先尝试向量化，默认 `True`。
- 依赖缺失或文本过短时，自动回退，无需额外配置。
## 调用方式
```python
from src.chat.express.express_utils import calculate_similarity
sim = calculate_similarity(text1, text2) # 默认优先向量化
sim_fast = calculate_similarity(text1, text2, prefer_vector=False) # 强制使用 SequenceMatcher
```
## 依赖与回退
- 可选依赖：`scikit-learn`
- 缺失时自动回退到 `SequenceMatcher`，不会抛异常。
- 文本过短（长度 < 2）时直接回退，避免稀疏向量噪声。
## 适用建议
- 文本较长、对鲁棒性/语义相似度有更高要求：保持默认（向量化优先）。
- 环境无 `scikit-learn` 或追求极简依赖：调用时设置 `prefer_vector=False`。
- 高并发性能敏感：可在调用点酌情关闭向量化或加缓存。
## 返回范围
- 相似度范围始终在 `[0, 1]`。
- 空字符串 → `0.0`；完全相同 → `1.0`。
## 额外建议
- 若需更强语义能力，可替换为向量数据库或句向量模型（需新增依赖与配置）。
- 对热路径可增加缓存（按文本哈希），或限制输入长度以控制向量维度与内存。

2
docs/changelogs/short_term_pressure_patch.md → docs/short_term_pressure_patch.md
View File

@@ -30,7 +30,7 @@
## 影响范围
- 默认行为保持与补丁前一致（开关默认 `on`）。
- 默认行为保持与补丁前一致（开关默认 `off`）。
- 如果关闭开关，短期层将不再做强制删除，只依赖自动转移机制。
## 回滚

60
docs/style_learner_resource_limit.md Normal file
View File

@@ -0,0 +1,60 @@
# StyleLearner 资源上限开关（默认开启）
## 概览
StyleLearner 支持资源上限控制，用于约束风格容量与清理行为。开关默认 **开启**，以防止模型无限膨胀；可在运行时动态关闭。
## 开关位置与用法（务必看这里）
开关在 **代码层**，默认开启，不依赖配置文件。
1) **全局运行时切换（推荐）**
路径：`src/chat/express/style_learner.py` 暴露的单例 `style_learner_manager`
```python
from src.chat.express.style_learner import style_learner_manager
# 关闭资源上限（放开容量，谨慎使用）
style_learner_manager.set_resource_limit(False)
# 再次开启资源上限
style_learner_manager.set_resource_limit(True)
```
- 影响范围：实时作用于已创建的全部 learner（逐个同步 `resource_limit_enabled`）。
- 生效时机：调用后立即生效，无需重启。
2) **构造时指定（不常用）**
- `StyleLearner(resource_limit_enabled: True|False, ...)`
- `StyleLearnerManager(resource_limit_enabled: True|False, ...)`
用于自定义实例化逻辑（通常保持默认即可）。
3) **默认行为**
- 开关默认 **开启**，即启用容量管理与清理。
- 没有配置文件项；若需持久化开关状态，可自行在启动代码中显式调用 `set_resource_limit`。
## 资源上限行为（开启时）
- 容量参数（每个 chat）：
- `max_styles = 2000`
- `cleanup_threshold = 0.9`（≥90% 容量触发清理）
- `cleanup_ratio = 0.2`（清理低价值风格约 20%）
- 价值评分：结合使用频率（log 平滑）与最近使用时间（指数衰减），得分低者优先清理。
- 仅对单个 learner 的容量管理生效；LRU 淘汰逻辑保持不变。
> ⚙️ 开关作用面：
> - **开启**：在 add_style 时会检查容量并触发 `_cleanup_styles`；预测/学习逻辑不变。
> - **关闭**：不再触发容量清理，但 LRU 管理器仍可能在进程层面淘汰不活跃 learner。
## I/O 与健壮性
- 模型与元数据保存采用原子写（`.tmp` + `os.replace`），避免部分写入。
- `pickle` 使用 `HIGHEST_PROTOCOL`，并执行 `fsync` 确保落盘。
## 兼容性
- 默认开启，无需修改配置文件；关闭后行为与旧版本类似。
- 已有模型文件可直接加载，开关仅影响运行时清理策略。
## 何时建议开启/关闭
- 开启（默认）：内存/磁盘受限，或聊天风格高频增长，需防止模型膨胀。
- 关闭：需要完整保留所有历史风格且资源充足，或进行一次性数据收集实验。
## 监控与调优建议
- 监控：每 chat 风格数量、清理触发次数、删除数量、预测延迟 p95。
- 如清理过于激进：提高 `cleanup_threshold` 或降低 `cleanup_ratio`。
- 如内存/磁盘依旧偏高：降低 `max_styles`，或增加定期持久化与压缩策略。

88
src/chat/express/express_utils.py
View File

@@ -7,11 +7,26 @@ import random
import re
from typing import Any
try:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity as _sk_cosine_similarity
HAS_SKLEARN = True
except Exception: # pragma: no cover - 依赖缺失时静默回退
HAS_SKLEARN = False
from src.common.logger import get_logger
logger = get_logger("express_utils")
# 预编译正则，减少重复编译开销
_RE_REPLY = re.compile(r"\[回复.*?\]，说：\s*")
_RE_AT = re.compile(r"@<[^>]*>")
_RE_IMAGE = re.compile(r"\[图片:[^\]]*\]")
_RE_EMOJI = re.compile(r"\[表情包：[^\]]*\]")
def filter_message_content(content: str | None) -> str:
"""
过滤消息内容，移除回复、@、图片等格式
@@ -25,29 +40,56 @@ def filter_message_content(content: str | None) -> str:
if not content:
return ""
# 移除以[回复开头、]结尾的部分，包括后面的"，说："部分
content = re.sub(r"\[回复.*?\]，说：\s*", "", content)
# 移除@<...>格式的内容
content = re.sub(r"@<[^>]*>", "", content)
# 移除[图片:...]格式的图片ID
content = re.sub(r"\[图片:[^\]]*\]", "", content)
# 移除[表情包：...]格式的内容
content = re.sub(r"\[表情包：[^\]]*\]", "", content)
# 使用预编译正则提升性能
content = _RE_REPLY.sub("", content)
content = _RE_AT.sub("", content)
content = _RE_IMAGE.sub("", content)
content = _RE_EMOJI.sub("", content)
return content.strip()
def calculate_similarity(text1: str, text2: str) -> float:
def _similarity_tfidf(text1: str, text2: str) -> float | None:
"""使用 TF-IDF + 余弦相似度；依赖 sklearn，缺失则返回 None。"""
if not HAS_SKLEARN:
return None
# 过短文本用传统算法更稳健
if len(text1) < 2 or len(text2) < 2:
return None
try:
vec = TfidfVectorizer(max_features=1024, ngram_range=(1, 2))
tfidf = vec.fit_transform([text1, text2])
sim = float(_sk_cosine_similarity(tfidf[0], tfidf[1])[0, 0])
return max(0.0, min(1.0, sim))
except Exception:
return None
def calculate_similarity(text1: str, text2: str, prefer_vector: bool = True) -> float:
"""
计算两个文本的相似度，返回0-1之间的值
- 当可用且文本足够长时，优先尝试 TF-IDF 向量相似度（更鲁棒）
- 不可用或失败时回退到 SequenceMatcher
Args:
text1: 第一个文本
text2: 第二个文本
prefer_vector: 是否优先使用向量化方案（默认是）
Returns:
相似度值 (0-1)
"""
if not text1 or not text2:
return 0.0
if text1 == text2:
return 1.0
if prefer_vector:
sim = _similarity_tfidf(text1, text2)
if sim is not None:
return sim
return difflib.SequenceMatcher(None, text1, text2).ratio()
@@ -79,18 +121,10 @@ def weighted_sample(population: list[dict], k: int, weight_key: str | None = Non
except (ValueError, TypeError) as e:
logger.warning(f"加权抽样失败，使用等概率抽样: {e}")
# 等概率抽样
selected = []
# 等概率抽样（无放回，保持去重）
population_copy = population.copy()
for _ in range(k):
if not population_copy:
break
# 随机选择一个元素
idx = random.randint(0, len(population_copy) - 1)
selected.append(population_copy.pop(idx))
return selected
# 使用 random.sample 提升可读性和性能
return random.sample(population_copy, k)
def normalize_text(text: str) -> str:
@@ -130,8 +164,9 @@ def extract_keywords(text: str, max_keywords: int = 10) -> list[str]:
return keywords
except ImportError:
logger.warning("rjieba未安装，无法提取关键词")
# 简单分词
# 简单分词，按长度降序优先输出较长词，提升粗略关键词质量
words = text.split()
words.sort(key=len, reverse=True)
return words[:max_keywords]
@@ -236,15 +271,18 @@ def merge_expressions_from_multiple_chats(
# 收集所有表达方式
for chat_id, expressions in expressions_dict.items():
for expr in expressions:
# 添加source_id标识
expr_with_source = expr.copy()
expr_with_source["source_id"] = chat_id
all_expressions.append(expr_with_source)
# 按count或last_active_time排序
if all_expressions and "count" in all_expressions[0]:
if not all_expressions:
return []
# 选择排序键（优先 count，其次 last_active_time），无则保持原序
sample = all_expressions[0]
if "count" in sample:
all_expressions.sort(key=lambda x: x.get("count", 0), reverse=True)
elif all_expressions and "last_active_time" in all_expressions[0]:
elif "last_active_time" in sample:
all_expressions.sort(key=lambda x: x.get("last_active_time", 0), reverse=True)
# 去重（基于situation和style）

307
src/chat/express/expression_learner.py
View File

@@ -358,7 +358,10 @@ class ExpressionLearner:
@staticmethod
@cached(ttl=600, key_prefix="chat_expressions")
async def _get_expressions_by_chat_id_cached(chat_id: str) -> tuple[list[dict[str, float]], list[dict[str, float]]]:
"""内部方法：从数据库获取表达方式（带缓存）"""
"""内部方法：从数据库获取表达方式（带缓存）
🔥 优化：使用列表推导式和更高效的数据处理
"""
learnt_style_expressions = []
learnt_grammar_expressions = []
@@ -366,67 +369,91 @@ class ExpressionLearner:
crud = CRUDBase(Expression)
all_expressions = await crud.get_multi(chat_id=chat_id, limit=10000)
# 🔥 优化：使用列表推导式批量处理，减少循环开销
for expr in all_expressions:
# 确保create_date存在，如果不存在则使用last_active_time
create_date = expr.create_date if expr.create_date is not None else expr.last_active_time
# 确保create_date存在，如果不存在则使用last_active_time
create_date = expr.create_date if expr.create_date is not None else expr.last_active_time
expr_data = {
"situation": expr.situation,
"style": expr.style,
"count": expr.count,
"last_active_time": expr.last_active_time,
"source_id": chat_id,
"type": expr.type,
"create_date": create_date,
}
expr_data = {
"situation": expr.situation,
"style": expr.style,
"count": expr.count,
"last_active_time": expr.last_active_time,
"source_id": chat_id,
"type": expr.type,
"create_date": create_date,
}
# 根据类型分类
if expr.type == "style":
learnt_style_expressions.append(expr_data)
elif expr.type == "grammar":
learnt_grammar_expressions.append(expr_data)
# 根据类型分类（避免多次类型检查）
if expr.type == "style":
learnt_style_expressions.append(expr_data)
elif expr.type == "grammar":
learnt_grammar_expressions.append(expr_data)
logger.debug(f"已加载 {len(learnt_style_expressions)} 个style和 {len(learnt_grammar_expressions)} 个grammar表达方式 (chat_id={chat_id})")
return learnt_style_expressions, learnt_grammar_expressions
async def _apply_global_decay_to_database(self, current_time: float) -> None:
"""
对数据库中的所有表达方式应用全局衰减
优化: 使用CRUD批量处理所有更改，最后统一提交
优化: 使用分批处理和原生 SQL 操作提升性能
"""
try:
# 使用CRUD查询所有表达方式
crud = CRUDBase(Expression)
all_expressions = await crud.get_multi(limit=100000) # 获取所有表达方式
BATCH_SIZE = 1000 # 分批处理，避免一次性加载过多数据
updated_count = 0
deleted_count = 0
offset = 0
# 需要手动操作的情况下使用session
async with get_db_session() as session:
# 批量处理所有修改
for expr in all_expressions:
# 计算时间差
last_active = expr.last_active_time
time_diff_days = (current_time - last_active) / (24 * 3600) # 转换为天
# 计算衰减值
decay_value = self.calculate_decay_factor(time_diff_days)
new_count = max(0.01, expr.count - decay_value)
if new_count <= 0.01:
# 如果count太小，删除这个表达方式
await session.delete(expr)
deleted_count += 1
else:
# 更新count
expr.count = new_count
updated_count += 1
# 优化: 统一提交所有更改（从N次提交减少到1次）
if updated_count > 0 or deleted_count > 0:
while True:
async with get_db_session() as session:
# 分批查询表达方式
batch_result = await session.execute(
select(Expression)
.order_by(Expression.id)
.limit(BATCH_SIZE)
.offset(offset)
)
batch_expressions = list(batch_result.scalars())
if not batch_expressions:
break # 没有更多数据
# 批量处理当前批次
to_delete = []
for expr in batch_expressions:
# 计算时间差
time_diff_days = (current_time - expr.last_active_time) / (24 * 3600)
# 计算衰减值
decay_value = self.calculate_decay_factor(time_diff_days)
new_count = max(0.01, expr.count - decay_value)
if new_count <= 0.01:
# 标记删除
to_delete.append(expr)
else:
# 更新count
expr.count = new_count
updated_count += 1
# 批量删除
if to_delete:
for expr in to_delete:
await session.delete(expr)
deleted_count += len(to_delete)
# 提交当前批次
await session.commit()
logger.info(f"全局衰减完成：更新了 {updated_count} 个表达方式，删除了 {deleted_count} 个表达方式")
# 如果批次不满，说明已经处理完所有数据
if len(batch_expressions) < BATCH_SIZE:
break
offset += BATCH_SIZE
if updated_count > 0 or deleted_count > 0:
logger.info(f"全局衰减完成：更新了 {updated_count} 个表达方式，删除了 {deleted_count} 个表达方式")
except Exception as e:
logger.error(f"数据库全局衰减失败: {e}")
@@ -509,88 +536,106 @@ class ExpressionLearner:
CRUDBase(Expression)
for chat_id, expr_list in chat_dict.items():
async with get_db_session() as session:
# 🔥 优化：批量查询所有现有表达方式，避免N次数据库查询
existing_exprs_result = await session.execute(
select(Expression).where(
(Expression.chat_id == chat_id)
& (Expression.type == type)
)
)
existing_exprs = list(existing_exprs_result.scalars())
# 构建快速查找索引
exact_match_map = {} # (situation, style) -> Expression
situation_map = {} # situation -> Expression
style_map = {} # style -> Expression
for expr in existing_exprs:
key = (expr.situation, expr.style)
exact_match_map[key] = expr
# 只保留第一个匹配（优先级：完全匹配 > 情景匹配 > 表达匹配）
if expr.situation not in situation_map:
situation_map[expr.situation] = expr
if expr.style not in style_map:
style_map[expr.style] = expr
# 批量处理所有新表达方式
for new_expr in expr_list:
# 🔥 改进1：检查是否存在相同情景或相同表达的数据
# 情况1：相同 chat_id + type + situation（相同情景，不同表达）
query_same_situation = await session.execute(
select(Expression).where(
(Expression.chat_id == chat_id)
& (Expression.type == type)
& (Expression.situation == new_expr["situation"])
)
)
same_situation_expr = query_same_situation.scalar()
# 情况2：相同 chat_id + type + style（相同表达，不同情景）
query_same_style = await session.execute(
select(Expression).where(
(Expression.chat_id == chat_id)
& (Expression.type == type)
& (Expression.style == new_expr["style"])
)
)
same_style_expr = query_same_style.scalar()
# 情况3：完全相同（相同情景+相同表达）
query_exact_match = await session.execute(
select(Expression).where(
(Expression.chat_id == chat_id)
& (Expression.type == type)
& (Expression.situation == new_expr["situation"])
& (Expression.style == new_expr["style"])
)
)
exact_match_expr = query_exact_match.scalar()
situation = new_expr["situation"]
style_val = new_expr["style"]
exact_key = (situation, style_val)
# 优先处理完全匹配的情况
if exact_match_expr:
if exact_key in exact_match_map:
# 完全相同：增加count，更新时间
expr_obj = exact_match_expr
expr_obj = exact_match_map[exact_key]
expr_obj.count = expr_obj.count + 1
expr_obj.last_active_time = current_time
logger.debug(f"完全匹配：更新count {expr_obj.count}")
elif same_situation_expr:
elif situation in situation_map:
# 相同情景，不同表达：覆盖旧的表达
logger.info(f"相同情景覆盖：'{same_situation_expr.situation}' 的表达从 '{same_situation_expr.style}' 更新为 '{new_expr['style']}'")
same_situation_expr.style = new_expr["style"]
same_situation_expr = situation_map[situation]
logger.info(f"相同情景覆盖：'{same_situation_expr.situation}' 的表达从 '{same_situation_expr.style}' 更新为 '{style_val}'")
# 更新映射
old_key = (same_situation_expr.situation, same_situation_expr.style)
if old_key in exact_match_map:
del exact_match_map[old_key]
same_situation_expr.style = style_val
same_situation_expr.count = same_situation_expr.count + 1
same_situation_expr.last_active_time = current_time
elif same_style_expr:
# 更新新的完全匹配映射
exact_match_map[exact_key] = same_situation_expr
elif style_val in style_map:
# 相同表达，不同情景：覆盖旧的情景
logger.info(f"相同表达覆盖：'{same_style_expr.style}' 的情景从 '{same_style_expr.situation}' 更新为 '{new_expr['situation']}'")
same_style_expr.situation = new_expr["situation"]
same_style_expr = style_map[style_val]
logger.info(f"相同表达覆盖：'{same_style_expr.style}' 的情景从 '{same_style_expr.situation}' 更新为 '{situation}'")
# 更新映射
old_key = (same_style_expr.situation, same_style_expr.style)
if old_key in exact_match_map:
del exact_match_map[old_key]
same_style_expr.situation = situation
same_style_expr.count = same_style_expr.count + 1
same_style_expr.last_active_time = current_time
# 更新新的完全匹配映射
exact_match_map[exact_key] = same_style_expr
situation_map[situation] = same_style_expr
else:
# 完全新的表达方式：创建新记录
new_expression = Expression(
situation=new_expr["situation"],
style=new_expr["style"],
situation=situation,
style=style_val,
count=1,
last_active_time=current_time,
chat_id=chat_id,
type=type,
create_date=current_time, # 手动设置创建日期
create_date=current_time,
)
session.add(new_expression)
logger.debug(f"新增表达方式：{new_expr['situation']} -> {new_expr['style']}")
# 更新映射
exact_match_map[exact_key] = new_expression
situation_map[situation] = new_expression
style_map[style_val] = new_expression
logger.debug(f"新增表达方式：{situation} -> {style_val}")
# 限制最大数量 - 使用 get_all_by_sorted 获取排序结果
exprs_result = await session.execute(
select(Expression)
.where((Expression.chat_id == chat_id) & (Expression.type == type))
.order_by(Expression.count.asc())
)
exprs = list(exprs_result.scalars())
if len(exprs) > MAX_EXPRESSION_COUNT:
# 删除count最小的多余表达方式
for expr in exprs[: len(exprs) - MAX_EXPRESSION_COUNT]:
# 🔥 优化：限制最大数量 - 使用已加载的数据避免重复查询
# existing_exprs 已包含该 chat_id 和 type 的所有表达方式
all_current_exprs = list(exact_match_map.values())
if len(all_current_exprs) > MAX_EXPRESSION_COUNT:
# 按 count 排序，删除 count 最小的多余表达方式
sorted_exprs = sorted(all_current_exprs, key=lambda e: e.count)
for expr in sorted_exprs[: len(all_current_exprs) - MAX_EXPRESSION_COUNT]:
await session.delete(expr)
# 从映射中移除
key = (expr.situation, expr.style)
if key in exact_match_map:
del exact_match_map[key]
logger.debug(f"已删除 {len(all_current_exprs) - MAX_EXPRESSION_COUNT} 个低频表达方式")
# 提交后清除相关缓存
# 提交数据库更改
await session.commit()
# 🔥 清除共享组内所有 chat_id 的表达方式缓存
# 🔥 优化：只在实际有更新时才清除缓存（移到外层，避免重复清除）
if chat_dict: # 只有当有数据更新时才清除缓存
from src.common.database.optimization.cache_manager import get_cache
from src.common.database.utils.decorators import generate_cache_key
cache = await get_cache()
@@ -602,53 +647,59 @@ class ExpressionLearner:
if len(related_chat_ids) > 1:
logger.debug(f"已清除共享组内 {len(related_chat_ids)} 个 chat_id 的表达方式缓存")
# 🔥 训练 StyleLearner（支持共享组）
# 只对 style 类型的表达方式进行训练（grammar 不需要训练到模型）
if type == "style":
try:
logger.debug(f"开始训练 StyleLearner: 源chat_id={chat_id}, 共享组包含 {len(related_chat_ids)} 个chat_id, 样本数={len(expr_list)}")
# 为每个共享组内的 chat_id 训练其 StyleLearner
for target_chat_id in related_chat_ids:
learner = style_learner_manager.get_learner(target_chat_id)
# 🔥 训练 StyleLearner（支持共享组）
# 只对 style 类型的表达方式进行训练（grammar 不需要训练到模型）
if type == "style" and chat_dict:
try:
related_chat_ids = self.get_related_chat_ids()
total_samples = sum(len(expr_list) for expr_list in chat_dict.values())
logger.debug(f"开始训练 StyleLearner: 共享组包含 {len(related_chat_ids)} 个chat_id, 总样本数={total_samples}")
# 为每个共享组内的 chat_id 训练其 StyleLearner
for target_chat_id in related_chat_ids:
learner = style_learner_manager.get_learner(target_chat_id)
# 收集该 target_chat_id 对应的所有表达方式
# 如果是源 chat_id，使用 chat_dict 中的数据；否则也要训练（共享组特性）
total_success = 0
total_samples = 0
for source_chat_id, expr_list in chat_dict.items():
# 为每个学习到的表达方式训练模型
# 使用 situation 作为输入，style 作为目标
# 这是最符合语义的方式：场景 -> 表达方式
success_count = 0
for expr in expr_list:
situation = expr["situation"]
style = expr["style"]
# 训练映射关系: situation -> style
if learner.learn_mapping(situation, style):
success_count += 1
else:
logger.warning(f"训练失败 (target={target_chat_id}): {situation} -> {style}")
# 保存模型
total_success += 1
total_samples += 1
# 保存模型
if total_samples > 0:
if learner.save(style_learner_manager.model_save_path):
logger.debug(f"StyleLearner 模型保存成功: {target_chat_id}")
else:
logger.error(f"StyleLearner 模型保存失败: {target_chat_id}")
if target_chat_id == chat_id:
# 只为源 chat_id 记录详细日志
if target_chat_id == self.chat_id:
# 只为当前 chat_id 记录详细日志
logger.info(
f"StyleLearner 训练完成 (源): {success_count}/{len(expr_list)} 成功, "
f"StyleLearner 训练完成: {total_success}/{total_samples} 成功, "
f"当前风格总数={len(learner.get_all_styles())}, "
f"总样本数={learner.learning_stats['total_samples']}"
)
else:
logger.debug(
f"StyleLearner 训练完成 (共享组成员 {target_chat_id}): {success_count}/{len(expr_list)} 成功"
f"StyleLearner 训练完成 (共享组成员 {target_chat_id}): {total_success}/{total_samples} 成功"
)
if len(related_chat_ids) > 1:
logger.info(f"共享组内共 {len(related_chat_ids)} 个 StyleLearner 已同步训练")
if len(related_chat_ids) > 1:
logger.info(f"共享组内共 {len(related_chat_ids)} 个 StyleLearner 已同步训练")
except Exception as e:
logger.error(f"训练 StyleLearner 失败: {e}")
except Exception as e:
logger.error(f"训练 StyleLearner 失败: {e}")
return learnt_expressions
return None

110
src/chat/express/expression_selector.py
View File

@@ -207,31 +207,20 @@ class ExpressionSelector:
select(Expression).where((Expression.chat_id.in_(related_chat_ids)) & (Expression.type == "grammar"))
)
style_exprs = [
{
# 🔥 优化：提前定义转换函数，避免重复代码
def expr_to_dict(expr, expr_type: str) -> dict[str, Any]:
return {
"situation": expr.situation,
"style": expr.style,
"count": expr.count,
"last_active_time": expr.last_active_time,
"source_id": expr.chat_id,
"type": "style",
"type": expr_type,
"create_date": expr.create_date if expr.create_date is not None else expr.last_active_time,
}
for expr in style_query.scalars()
]
grammar_exprs = [
{
"situation": expr.situation,
"style": expr.style,
"count": expr.count,
"last_active_time": expr.last_active_time,
"source_id": expr.chat_id,
"type": "grammar",
"create_date": expr.create_date if expr.create_date is not None else expr.last_active_time,
}
for expr in grammar_query.scalars()
]
style_exprs = [expr_to_dict(expr, "style") for expr in style_query.scalars()]
grammar_exprs = [expr_to_dict(expr, "grammar") for expr in grammar_query.scalars()]
style_num = int(total_num * style_percentage)
grammar_num = int(total_num * grammar_percentage)
@@ -251,9 +240,14 @@ class ExpressionSelector:
@staticmethod
async def update_expressions_count_batch(expressions_to_update: list[dict[str, Any]], increment: float = 0.1):
"""对一批表达方式更新count值，按chat_id+type分组后一次性写入数据库"""
"""对一批表达方式更新count值，按chat_id+type分组后一次性写入数据库
🔥 优化：合并所有更新到一个事务中，减少数据库连接开销
"""
if not expressions_to_update:
return
# 去重处理
updates_by_key = {}
affected_chat_ids = set()
for expr in expressions_to_update:
@@ -269,9 +263,15 @@ class ExpressionSelector:
updates_by_key[key] = expr
affected_chat_ids.add(source_id)
for chat_id, expr_type, situation, style in updates_by_key:
async with get_db_session() as session:
query = await session.execute(
if not updates_by_key:
return
# 🔥 优化：使用单个 session 批量处理所有更新
current_time = time.time()
async with get_db_session() as session:
updated_count = 0
for chat_id, expr_type, situation, style in updates_by_key:
query_result = await session.execute(
select(Expression).where(
(Expression.chat_id == chat_id)
& (Expression.type == expr_type)
@@ -279,25 +279,26 @@ class ExpressionSelector:
& (Expression.style == style)
)
)
query = query.scalar()
if query:
expr_obj = query
expr_obj = query_result.scalar()
if expr_obj:
current_count = expr_obj.count
new_count = min(current_count + increment, 5.0)
expr_obj.count = new_count
expr_obj.last_active_time = time.time()
expr_obj.last_active_time = current_time
updated_count += 1
logger.debug(
f"表达方式激活: 原count={current_count:.3f}, 增量={increment}, 新count={new_count:.3f} in db"
)
# 批量提交所有更改
if updated_count > 0:
await session.commit()
logger.debug(f"批量更新了 {updated_count} 个表达方式的count值")
# 清除所有受影响的chat_id的缓存
from src.common.database.optimization.cache_manager import get_cache
from src.common.database.utils.decorators import generate_cache_key
cache = await get_cache()
for chat_id in affected_chat_ids:
await cache.delete(generate_cache_key("chat_expressions", chat_id))
if affected_chat_ids:
from src.common.database.optimization.cache_manager import get_cache
from src.common.database.utils.decorators import generate_cache_key
cache = await get_cache()
for chat_id in affected_chat_ids:
await cache.delete(generate_cache_key("chat_expressions", chat_id))
async def select_suitable_expressions(
self,
@@ -518,29 +519,41 @@ class ExpressionSelector:
logger.warning("数据库中完全没有任何表达方式，需要先学习")
return []
# 🔥 使用模糊匹配而不是精确匹配
# 计算每个预测style与数据库style的相似度
# 🔥 优化：使用更高效的模糊匹配算法
from difflib import SequenceMatcher
# 预处理：提前计算所有预测 style 的小写版本，避免重复计算
predicted_styles_lower = [(s.lower(), score) for s, score in predicted_styles[:20]]
matched_expressions = []
for expr in all_expressions:
db_style = expr.style or ""
db_style_lower = db_style.lower()
max_similarity = 0.0
best_predicted = ""
# 与每个预测的style计算相似度
for predicted_style, pred_score in predicted_styles[:20]: # 考虑前20个预测
# 计算字符串相似度
similarity = SequenceMatcher(None, predicted_style, db_style).ratio()
# 也检查包含关系（如果一个是另一个的子串，给更高分）
if len(predicted_style) >= 2 and len(db_style) >= 2:
if predicted_style in db_style or db_style in predicted_style:
similarity = max(similarity, 0.7)
for predicted_style_lower, pred_score in predicted_styles_lower:
# 快速检查：完全匹配
if predicted_style_lower == db_style_lower:
max_similarity = 1.0
best_predicted = predicted_style_lower
break
# 快速检查：子串匹配
if len(predicted_style_lower) >= 2 and len(db_style_lower) >= 2:
if predicted_style_lower in db_style_lower or db_style_lower in predicted_style_lower:
similarity = 0.7
if similarity > max_similarity:
max_similarity = similarity
best_predicted = predicted_style_lower
continue
# 计算字符串相似度（较慢，只在必要时使用）
similarity = SequenceMatcher(None, predicted_style_lower, db_style_lower).ratio()
if similarity > max_similarity:
max_similarity = similarity
best_predicted = predicted_style
best_predicted = predicted_style_lower
# 🔥 降低阈值到30%，因为StyleLearner预测质量较差
if max_similarity >= 0.3: # 30%相似度阈值
@@ -573,14 +586,15 @@ class ExpressionSelector:
f"(候选 {len(matched_expressions)}，temperature={temperature})"
)
# 转换为字典格式
# 🔥 优化：使用列表推导式和预定义函数减少开销
expressions = [
{
"situation": expr.situation or "",
"style": expr.style or "",
"type": expr.type or "style",
"count": float(expr.count) if expr.count else 0.0,
"last_active_time": expr.last_active_time or 0.0
"last_active_time": expr.last_active_time or 0.0,
"source_id": expr.chat_id # 添加 source_id 以便后续更新
}
for expr in expressions_objs
]

8
src/chat/express/situation_extractor.py
View File

@@ -127,7 +127,8 @@ class SituationExtractor:
Returns:
情境描述列表
"""
situations = []
situations: list[str] = []
seen = set()
for line in response.splitlines():
line = line.strip()
@@ -150,6 +151,11 @@ class SituationExtractor:
if any(keyword in line.lower() for keyword in ["例如", "注意", "请", "分析", "总结"]):
continue
# 去重，保持原有顺序
if line in seen:
continue
seen.add(line)
situations.append(line)
if len(situations) >= max_situations:

137
src/chat/express/style_learner.py
View File

@@ -4,6 +4,7 @@
支持多聊天室独立建模和在线学习
"""
import os
import pickle
import time
from src.common.logger import get_logger
@@ -16,11 +17,12 @@ logger = get_logger("expressor.style_learner")
class StyleLearner:
"""单个聊天室的表达风格学习器"""
def __init__(self, chat_id: str, model_config: dict | None = None):
def __init__(self, chat_id: str, model_config: dict | None = None, resource_limit_enabled: bool = True):
"""
Args:
chat_id: 聊天室ID
model_config: 模型配置
resource_limit_enabled: 是否启用资源上限控制（默认关闭）
"""
self.chat_id = chat_id
self.model_config = model_config or {
@@ -34,6 +36,9 @@ class StyleLearner:
# 初始化表达模型
self.expressor = ExpressorModel(**self.model_config)
# 资源上限控制开关（默认开启，可按需关闭）
self.resource_limit_enabled = resource_limit_enabled
# 动态风格管理
self.max_styles = 2000 # 每个chat_id最多2000个风格
self.cleanup_threshold = 0.9 # 达到90%容量时触发清理
@@ -67,18 +72,15 @@ class StyleLearner:
if style in self.style_to_id:
return True
# 检查是否需要清理
current_count = len(self.style_to_id)
cleanup_trigger = int(self.max_styles * self.cleanup_threshold)
if current_count >= cleanup_trigger:
if current_count >= self.max_styles:
# 已经达到最大限制，必须清理
logger.warning(f"已达到最大风格数量限制 ({self.max_styles})，开始清理")
self._cleanup_styles()
elif current_count >= cleanup_trigger:
# 接近限制，提前清理
logger.info(f"风格数量达到 {current_count}/{self.max_styles}，触发预防性清理")
# 检查是否需要清理（仅计算一次阈值）
if self.resource_limit_enabled:
current_count = len(self.style_to_id)
cleanup_trigger = int(self.max_styles * self.cleanup_threshold)
if current_count >= cleanup_trigger:
if current_count >= self.max_styles:
logger.warning(f"已达到最大风格数量限制 ({self.max_styles})，开始清理")
else:
logger.info(f"风格数量达到 {current_count}/{self.max_styles}，触发预防性清理")
self._cleanup_styles()
# 生成新的style_id
@@ -95,7 +97,8 @@ class StyleLearner:
self.expressor.add_candidate(style_id, style, situation)
# 初始化统计
self.learning_stats["style_counts"][style_id] = 0
self.learning_stats.setdefault("style_counts", {})[style_id] = 0
self.learning_stats.setdefault("style_last_used", {})
logger.debug(f"添加风格成功: {style_id} -> {style}")
return True
@@ -114,64 +117,64 @@ class StyleLearner:
3. 默认清理 cleanup_ratio (20%) 的风格
"""
try:
total_styles = len(self.style_to_id)
if total_styles == 0:
return
# 只有在达到阈值时才执行昂贵的排序
cleanup_count = max(1, int(total_styles * self.cleanup_ratio))
if cleanup_count <= 0:
return
current_time = time.time()
cleanup_count = max(1, int(len(self.style_to_id) * self.cleanup_ratio))
# 局部引用加速频繁调用的函数
from math import exp, log1p
# 计算每个风格的价值分数
style_scores = []
for style_id in self.style_to_id.values():
# 使用次数
usage_count = self.learning_stats["style_counts"].get(style_id, 0)
# 最后使用时间（越近越好）
last_used = self.learning_stats["style_last_used"].get(style_id, 0)
time_since_used = current_time - last_used if last_used > 0 else float("inf")
usage_score = log1p(usage_count)
days_unused = time_since_used / 86400
time_score = exp(-days_unused / 30)
# 综合分数：使用次数越多越好，距离上次使用时间越短越好
# 使用对数来平滑使用次数的影响
import math
usage_score = math.log1p(usage_count) # log(1 + count)
# 时间分数：转换为天数，使用指数衰减
days_unused = time_since_used / 86400 # 转换为天
time_score = math.exp(-days_unused / 30) # 30天衰减因子
# 综合分数：80%使用频率 + 20%时间新鲜度
total_score = 0.8 * usage_score + 0.2 * time_score
style_scores.append((style_id, total_score, usage_count, days_unused))
if not style_scores:
return
# 按分数排序，分数低的先删除
style_scores.sort(key=lambda x: x[1])
# 删除分数最低的风格
deleted_styles = []
for style_id, score, usage, days in style_scores[:cleanup_count]:
style_text = self.id_to_style.get(style_id)
if style_text:
# 从映射中删除
del self.style_to_id[style_text]
del self.id_to_style[style_id]
if style_id in self.id_to_situation:
del self.id_to_situation[style_id]
if not style_text:
continue
# 从统计中删除
if style_id in self.learning_stats["style_counts"]:
del self.learning_stats["style_counts"][style_id]
if style_id in self.learning_stats["style_last_used"]:
del self.learning_stats["style_last_used"][style_id]
# 从映射中删除
self.style_to_id.pop(style_text, None)
self.id_to_style.pop(style_id, None)
self.id_to_situation.pop(style_id, None)
# 从expressor模型中删除
self.expressor.remove_candidate(style_id)
# 从统计中删除
self.learning_stats["style_counts"].pop(style_id, None)
self.learning_stats["style_last_used"].pop(style_id, None)
deleted_styles.append((style_text[:30], usage, f"{days:.1f}天"))
# 从expressor模型中删除
self.expressor.remove_candidate(style_id)
deleted_styles.append((style_text[:30], usage, f"{days:.1f}天"))
logger.info(
f"风格清理完成: 删除了 {len(deleted_styles)}/{len(style_scores)} 个风格，"
f"剩余 {len(self.style_to_id)} 个风格"
)
# 记录前5个被删除的风格（用于调试）
if deleted_styles:
logger.debug(f"被删除的风格样例(前5): {deleted_styles[:5]}")
@@ -204,7 +207,9 @@ class StyleLearner:
# 更新统计
current_time = time.time()
self.learning_stats["total_samples"] += 1
self.learning_stats["style_counts"][style_id] += 1
self.learning_stats.setdefault("style_counts", {})
self.learning_stats.setdefault("style_last_used", {})
self.learning_stats["style_counts"][style_id] = self.learning_stats["style_counts"].get(style_id, 0) + 1
self.learning_stats["style_last_used"][style_id] = current_time # 更新最后使用时间
self.learning_stats["last_update"] = current_time
@@ -349,11 +354,11 @@ class StyleLearner:
# 保存expressor模型
model_path = os.path.join(save_dir, "expressor_model.pkl")
self.expressor.save(model_path)
# 保存映射关系和统计信息
import pickle
tmp_model_path = f"{model_path}.tmp"
self.expressor.save(tmp_model_path)
os.replace(tmp_model_path, model_path)
# 保存映射关系和统计信息（原子写）
meta_path = os.path.join(save_dir, "meta.pkl")
# 确保 learning_stats 包含所有必要字段
@@ -368,8 +373,13 @@ class StyleLearner:
"learning_stats": self.learning_stats,
}
with open(meta_path, "wb") as f:
pickle.dump(meta_data, f)
tmp_meta_path = f"{meta_path}.tmp"
with open(tmp_meta_path, "wb") as f:
pickle.dump(meta_data, f, protocol=pickle.HIGHEST_PROTOCOL)
f.flush()
os.fsync(f.fileno())
os.replace(tmp_meta_path, meta_path)
return True
@@ -401,8 +411,6 @@ class StyleLearner:
self.expressor.load(model_path)
# 加载映射关系和统计信息
import pickle
meta_path = os.path.join(save_dir, "meta.pkl")
if os.path.exists(meta_path):
with open(meta_path, "rb") as f:
@@ -445,14 +453,16 @@ class StyleLearnerManager:
# 🔧 最大活跃 learner 数量
MAX_ACTIVE_LEARNERS = 50
def __init__(self, model_save_path: str = "data/expression/style_models"):
def __init__(self, model_save_path: str = "data/expression/style_models", resource_limit_enabled: bool = True):
"""
Args:
model_save_path: 模型保存路径
resource_limit_enabled: 是否启用资源上限控制（默认开启）
"""
self.learners: dict[str, StyleLearner] = {}
self.learner_last_used: dict[str, float] = {} # 🔧 记录最后使用时间
self.model_save_path = model_save_path
self.resource_limit_enabled = resource_limit_enabled
# 确保保存目录存在
os.makedirs(model_save_path, exist_ok=True)
@@ -475,7 +485,10 @@ class StyleLearnerManager:
for chat_id, last_used in sorted_by_time[:evict_count]:
if chat_id in self.learners:
# 先保存再淘汰
self.learners[chat_id].save(self.model_save_path)
try:
self.learners[chat_id].save(self.model_save_path)
except Exception as e:
logger.error(f"LRU淘汰时保存学习器失败: chat_id={chat_id}, error={e}")
del self.learners[chat_id]
del self.learner_last_used[chat_id]
evicted.append(chat_id)
@@ -502,7 +515,11 @@ class StyleLearnerManager:
self._evict_if_needed()
# 创建新的学习器
learner = StyleLearner(chat_id, model_config)
learner = StyleLearner(
chat_id,
model_config,
resource_limit_enabled=self.resource_limit_enabled,
)
# 尝试加载已保存的模型
learner.load(self.model_save_path)
@@ -511,6 +528,12 @@ class StyleLearnerManager:
return self.learners[chat_id]
def set_resource_limit(self, enabled: bool) -> None:
"""动态开启/关闭资源上限控制（默认关闭）。"""
self.resource_limit_enabled = enabled
for learner in self.learners.values():
learner.resource_limit_enabled = enabled
def learn_mapping(self, chat_id: str, up_content: str, style: str) -> bool:
"""
学习一个映射关系

346
src/chat/interest_system/interest_manager.py
View File

@@ -5,6 +5,7 @@
import asyncio
import time
from collections import OrderedDict
from typing import TYPE_CHECKING
from src.common.logger import get_logger
@@ -37,19 +38,50 @@ class InterestManager:
self._calculation_queue = asyncio.Queue()
self._worker_task = None
self._shutdown_event = asyncio.Event()
# 性能优化相关字段
self._result_cache: OrderedDict[str, InterestCalculationResult] = OrderedDict() # LRU缓存
self._cache_max_size = 1000 # 最大缓存数量
self._cache_ttl = 300 # 缓存TTL（秒）
self._batch_queue: asyncio.Queue = asyncio.Queue(maxsize=100) # 批处理队列
self._batch_size = 10 # 批处理大小
self._batch_timeout = 0.1 # 批处理超时（秒）
self._batch_task = None
self._is_warmed_up = False # 预热状态标记
# 性能统计
self._cache_hits = 0
self._cache_misses = 0
self._batch_calculations = 0
self._total_calculation_time = 0.0
self._initialized = True
async def initialize(self):
"""初始化管理器"""
pass
# 启动批处理工作线程
if self._batch_task is None or self._batch_task.done():
self._batch_task = asyncio.create_task(self._batch_processing_worker())
logger.info("批处理工作线程已启动")
async def shutdown(self):
"""关闭管理器"""
self._shutdown_event.set()
# 取消批处理任务
if self._batch_task and not self._batch_task.done():
self._batch_task.cancel()
try:
await self._batch_task
except asyncio.CancelledError:
pass
if self._current_calculator:
await self._current_calculator.cleanup()
self._current_calculator = None
# 清理缓存
self._result_cache.clear()
logger.info("兴趣值管理器已关闭")
@@ -91,12 +123,13 @@ class InterestManager:
logger.error(f"注册兴趣值计算组件失败: {e}")
return False
async def calculate_interest(self, message: "DatabaseMessages", timeout: float | None = None) -> InterestCalculationResult:
"""计算消息兴趣值
async def calculate_interest(self, message: "DatabaseMessages", timeout: float | None = None, use_cache: bool = True) -> InterestCalculationResult:
"""计算消息兴趣值（优化版，支持缓存）
Args:
message: 数据库消息对象
timeout: 最大等待时间（秒），超时则使用默认值返回；为None时不设置超时
use_cache: 是否使用缓存，默认True
Returns:
InterestCalculationResult: 计算结果或默认结果
@@ -109,37 +142,53 @@ class InterestManager:
interest_value=0.3,
error_message="没有可用的兴趣值计算组件",
)
message_id = getattr(message, "message_id", "")
# 缓存查询
if use_cache and message_id:
cached_result = self._get_from_cache(message_id)
if cached_result is not None:
self._cache_hits += 1
logger.debug(f"命中缓存: {message_id}, 兴趣值: {cached_result.interest_value:.3f}")
return cached_result
self._cache_misses += 1
# 使用 create_task 异步执行计算
task = asyncio.create_task(self._async_calculate(message))
if timeout is None:
return await task
try:
# 等待计算结果，但有超时限制
result = await asyncio.wait_for(task, timeout=timeout)
return result
except asyncio.TimeoutError:
# 超时返回默认结果，但计算仍在后台继续
logger.warning(f"兴趣值计算超时 ({timeout}s)，消息 {getattr(message, 'message_id', '')} 使用默认兴趣值 0.5")
return InterestCalculationResult(
success=True,
message_id=getattr(message, "message_id", ""),
interest_value=0.5, # 固定默认兴趣值
should_reply=False,
should_act=False,
error_message=f"计算超时({timeout}s)，使用默认值",
)
except Exception as e:
# 发生异常，返回默认结果
logger.error(f"兴趣值计算异常: {e}")
return InterestCalculationResult(
success=False,
message_id=getattr(message, "message_id", ""),
interest_value=0.3,
error_message=f"计算异常: {e!s}",
)
result = await task
else:
try:
# 等待计算结果，但有超时限制
result = await asyncio.wait_for(task, timeout=timeout)
except asyncio.TimeoutError:
# 超时返回默认结果，但计算仍在后台继续
logger.warning(f"兴趣值计算超时 ({timeout}s)，消息 {message_id} 使用默认兴趣值 0.5")
return InterestCalculationResult(
success=True,
message_id=message_id,
interest_value=0.5, # 固定默认兴趣值
should_reply=False,
should_act=False,
error_message=f"计算超时({timeout}s)，使用默认值",
)
except Exception as e:
# 发生异常，返回默认结果
logger.error(f"兴趣值计算异常: {e}")
return InterestCalculationResult(
success=False,
message_id=message_id,
interest_value=0.3,
error_message=f"计算异常: {e!s}",
)
# 缓存结果
if use_cache and result.success and message_id:
self._put_to_cache(message_id, result)
return result
async def _async_calculate(self, message: "DatabaseMessages") -> InterestCalculationResult:
"""异步执行兴趣值计算"""
@@ -161,6 +210,7 @@ class InterestManager:
if result.success:
self._last_calculation_time = time.time()
self._total_calculation_time += result.calculation_time
logger.debug(f"兴趣值计算完成: {result.interest_value:.3f} (耗时: {result.calculation_time:.3f}s)")
else:
self._failed_calculations += 1
@@ -170,13 +220,15 @@ class InterestManager:
except Exception as e:
self._failed_calculations += 1
calc_time = time.time() - start_time
self._total_calculation_time += calc_time
logger.error(f"兴趣值计算异常: {e}")
return InterestCalculationResult(
success=False,
message_id=getattr(message, "message_id", ""),
interest_value=0.0,
error_message=f"计算异常: {e!s}",
calculation_time=time.time() - start_time,
calculation_time=calc_time,
)
async def _calculation_worker(self):
@@ -197,6 +249,155 @@ class InterestManager:
break
except Exception as e:
logger.error(f"计算工作线程异常: {e}")
def _get_from_cache(self, message_id: str) -> InterestCalculationResult | None:
"""从缓存中获取结果（LRU策略）"""
if message_id not in self._result_cache:
return None
# 检查TTL
result = self._result_cache[message_id]
if time.time() - result.timestamp > self._cache_ttl:
# 过期，删除
del self._result_cache[message_id]
return None
# 更新访问顺序（LRU）
self._result_cache.move_to_end(message_id)
return result
def _put_to_cache(self, message_id: str, result: InterestCalculationResult):
"""将结果放入缓存（LRU策略）"""
# 如果已存在，更新
if message_id in self._result_cache:
self._result_cache.move_to_end(message_id)
self._result_cache[message_id] = result
# 限制缓存大小
while len(self._result_cache) > self._cache_max_size:
# 删除最旧的项
self._result_cache.popitem(last=False)
async def calculate_interest_batch(self, messages: list["DatabaseMessages"], timeout: float | None = None) -> list[InterestCalculationResult]:
"""批量计算消息兴趣值（并发优化）
Args:
messages: 消息列表
timeout: 单个计算的超时时间
Returns:
list[InterestCalculationResult]: 计算结果列表
"""
if not messages:
return []
# 并发计算所有消息
tasks = [self.calculate_interest(msg, timeout=timeout) for msg in messages]
results = await asyncio.gather(*tasks, return_exceptions=True)
# 处理异常
final_results = []
for i, result in enumerate(results):
if isinstance(result, Exception):
logger.error(f"批量计算消息 {i} 失败: {result}")
final_results.append(InterestCalculationResult(
success=False,
message_id=getattr(messages[i], "message_id", ""),
interest_value=0.3,
error_message=f"批量计算异常: {result!s}",
))
else:
final_results.append(result)
self._batch_calculations += 1
return final_results
async def _batch_processing_worker(self):
"""批处理工作线程"""
while not self._shutdown_event.is_set():
batch = []
deadline = time.time() + self._batch_timeout
try:
# 收集批次
while len(batch) < self._batch_size and time.time() < deadline:
remaining_time = deadline - time.time()
if remaining_time <= 0:
break
try:
item = await asyncio.wait_for(self._batch_queue.get(), timeout=remaining_time)
batch.append(item)
except asyncio.TimeoutError:
break
# 处理批次
if batch:
await self._process_batch(batch)
except asyncio.CancelledError:
break
except Exception as e:
logger.error(f"批处理工作线程异常: {e}")
async def _process_batch(self, batch: list):
"""处理批次消息"""
# 这里可以实现具体的批处理逻辑
# 当前版本只是占位，实际的批处理逻辑可以根据具体需求实现
pass
async def warmup(self, sample_messages: list["DatabaseMessages"] | None = None):
"""预热兴趣计算器
Args:
sample_messages: 样本消息列表，用于预热。如果为None，则只初始化计算器
"""
if not self._current_calculator:
logger.warning("无法预热：没有可用的兴趣值计算组件")
return
logger.info("开始预热兴趣值计算器...")
start_time = time.time()
# 如果提供了样本消息，进行预热计算
if sample_messages:
try:
# 批量计算样本消息
await self.calculate_interest_batch(sample_messages, timeout=5.0)
logger.info(f"预热完成：处理了 {len(sample_messages)} 条样本消息，耗时 {time.time() - start_time:.2f}s")
except Exception as e:
logger.error(f"预热过程中出现异常: {e}")
else:
logger.info(f"预热完成：计算器已就绪，耗时 {time.time() - start_time:.2f}s")
self._is_warmed_up = True
def clear_cache(self):
"""清空缓存"""
cleared_count = len(self._result_cache)
self._result_cache.clear()
logger.info(f"已清空 {cleared_count} 条缓存记录")
def set_cache_config(self, max_size: int | None = None, ttl: int | None = None):
"""设置缓存配置
Args:
max_size: 最大缓存数量
ttl: 缓存生存时间（秒）
"""
if max_size is not None:
self._cache_max_size = max_size
logger.info(f"缓存最大容量设置为: {max_size}")
if ttl is not None:
self._cache_ttl = ttl
logger.info(f"缓存TTL设置为: {ttl}秒")
# 如果当前缓存超过新的最大值，清理旧数据
if max_size is not None:
while len(self._result_cache) > self._cache_max_size:
self._result_cache.popitem(last=False)
def get_current_calculator(self) -> BaseInterestCalculator | None:
"""获取当前活跃的兴趣值计算组件"""
@@ -205,6 +406,8 @@ class InterestManager:
def get_statistics(self) -> dict:
"""获取管理器统计信息"""
success_rate = 1.0 - (self._failed_calculations / max(1, self._total_calculations))
cache_hit_rate = self._cache_hits / max(1, self._cache_hits + self._cache_misses)
avg_calc_time = self._total_calculation_time / max(1, self._total_calculations)
stats = {
"manager_statistics": {
@@ -213,6 +416,13 @@ class InterestManager:
"success_rate": success_rate,
"last_calculation_time": self._last_calculation_time,
"current_calculator": self._current_calculator.component_name if self._current_calculator else None,
"cache_hit_rate": cache_hit_rate,
"cache_hits": self._cache_hits,
"cache_misses": self._cache_misses,
"cache_size": len(self._result_cache),
"batch_calculations": self._batch_calculations,
"average_calculation_time": avg_calc_time,
"is_warmed_up": self._is_warmed_up,
}
}
@@ -236,6 +446,82 @@ class InterestManager:
def has_calculator(self) -> bool:
"""检查是否有可用的计算组件"""
return self._current_calculator is not None and self._current_calculator.is_enabled
async def adaptive_optimize(self):
"""自适应优化：根据性能统计自动调整参数"""
if not self._current_calculator:
return
stats = self.get_statistics()["manager_statistics"]
# 根据缓存命中率调整缓存大小
cache_hit_rate = stats["cache_hit_rate"]
if cache_hit_rate < 0.5 and self._cache_max_size < 5000:
# 命中率低，增加缓存容量
new_size = min(self._cache_max_size * 2, 5000)
logger.info(f"自适应优化：缓存命中率较低 ({cache_hit_rate:.2%})，扩大缓存容量 {self._cache_max_size} -> {new_size}")
self._cache_max_size = new_size
elif cache_hit_rate > 0.9 and self._cache_max_size > 100:
# 命中率高，可以适当减小缓存
new_size = max(self._cache_max_size // 2, 100)
logger.info(f"自适应优化：缓存命中率很高 ({cache_hit_rate:.2%})，缩小缓存容量 {self._cache_max_size} -> {new_size}")
self._cache_max_size = new_size
# 清理多余缓存
while len(self._result_cache) > self._cache_max_size:
self._result_cache.popitem(last=False)
# 根据平均计算时间调整批处理参数
avg_calc_time = stats["average_calculation_time"]
if avg_calc_time > 0.5 and self._batch_size < 50:
# 计算较慢，增加批次大小以提高吞吐量
new_batch_size = min(self._batch_size * 2, 50)
logger.info(f"自适应优化：平均计算时间较长 ({avg_calc_time:.3f}s)，增加批次大小 {self._batch_size} -> {new_batch_size}")
self._batch_size = new_batch_size
elif avg_calc_time < 0.1 and self._batch_size > 5:
# 计算较快，可以减小批次
new_batch_size = max(self._batch_size // 2, 5)
logger.info(f"自适应优化：平均计算时间较短 ({avg_calc_time:.3f}s)，减小批次大小 {self._batch_size} -> {new_batch_size}")
self._batch_size = new_batch_size
def get_performance_report(self) -> str:
"""生成性能报告"""
stats = self.get_statistics()["manager_statistics"]
report = [
"=" * 60,
"兴趣值管理器性能报告",
"=" * 60,
f"总计算次数: {stats['total_calculations']}",
f"失败次数: {stats['failed_calculations']}",
f"成功率: {stats['success_rate']:.2%}",
f"缓存命中率: {stats['cache_hit_rate']:.2%}",
f"缓存命中: {stats['cache_hits']}",
f"缓存未命中: {stats['cache_misses']}",
f"当前缓存大小: {stats['cache_size']} / {self._cache_max_size}",
f"批量计算次数: {stats['batch_calculations']}",
f"平均计算时间: {stats['average_calculation_time']:.4f}s",
f"是否已预热: {'是' if stats['is_warmed_up'] else '否'}",
f"当前计算器: {stats['current_calculator'] or '无'}",
"=" * 60,
]
# 添加计算器统计
if self._current_calculator:
calc_stats = self.get_statistics()["calculator_statistics"]
report.extend([
"",
"计算器统计:",
f" 组件名称: {calc_stats['component_name']}",
f" 版本: {calc_stats['component_version']}",
f" 已启用: {calc_stats['enabled']}",
f" 总计算: {calc_stats['total_calculations']}",
f" 失败: {calc_stats['failed_calculations']}",
f" 成功率: {calc_stats['success_rate']:.2%}",
f" 平均耗时: {calc_stats['average_calculation_time']:.4f}s",
"=" * 60,
])
return "\n".join(report)
# 全局实例

199
src/memory_graph/short_term_pressure_patch.md Normal file
View File

@@ -0,0 +1,199 @@
# 短期记忆压力泄压补丁
## 📋 概述
在高频消息场景下，短期记忆层（`ShortTermMemoryManager`）可能在自动转移机制触发前快速堆积大量记忆，当达到容量上限（`max_memories`）时可能阻塞后续写入。本功能提供一个**可选的泄压开关**，在容量溢出时自动删除低优先级记忆，防止系统阻塞。
**关键特性**：
- ✅ 默认关闭，保持向后兼容
- ✅ 基于重要性和时间的智能删除策略
- ✅ 异步持久化，不阻塞主流程
- ✅ 可通过配置文件或代码控制
---
## 🔧 配置方法
### 方法 1：代码配置（直接创建管理器）
如果您在代码中直接实例化 `UnifiedMemoryManager`：
```python
from src.memory_graph.unified_manager import UnifiedMemoryManager
manager = UnifiedMemoryManager(
short_term_enable_force_cleanup=True, # 开启泄压功能
short_term_max_memories=30, # 短期记忆容量上限
# ... 其他参数
)
```
### 方法 2：配置文件（通过单例获取）
**推荐方式**：如果您使用 `get_unified_memory_manager()` 单例，需修改配置文件。
#### ❌ 目前的问题
配置文件 `config/bot_config.toml` 的 `[memory]` 节**尚未包含**此开关参数。
#### ✅ 解决方案
在 `config/bot_config.toml` 的 `[memory]` 节添加：
```toml
[memory]
# ... 其他配置 ...
short_term_max_memories = 30 # 短期记忆容量上限
short_term_transfer_threshold = 0.6 # 转移到长期记忆的重要性阈值
short_term_enable_force_cleanup = true # 开启压力泄压（建议高频场景开启）
```
然后在 `src/memory_graph/manager_singleton.py` 第 157-175 行的 `get_unified_memory_manager()` 函数中添加读取逻辑：
```python
_unified_memory_manager = UnifiedMemoryManager(
# ... 其他参数 ...
short_term_enable_force_cleanup=getattr(config, "short_term_enable_force_cleanup", False), # 添加此行
)
```
---
## ⚙️ 核心实现位置
### 1. 参数定义
**文件**：`src/memory_graph/unified_manager.py` 第 47 行
```python
class UnifiedMemoryManager:
def __init__(
self,
short_term_enable_force_cleanup: bool = False, # 开关参数
):
```
### 2. 传递到短期层
**文件**：`src/memory_graph/unified_manager.py` 第 100 行
```python
"short_term": {
"enable_force_cleanup": short_term_enable_force_cleanup, # 传递给 ShortTermMemoryManager
}
```
### 3. 泄压逻辑实现
**文件**：`src/memory_graph/short_term_manager.py` 第 693-726 行
```python
def force_cleanup_overflow(self, keep_ratio: float = 0.9) -> int:
"""当短期记忆超过容量时，强制删除低重要性且最早的记忆以泄压"""
if not self.enable_force_cleanup: # 检查开关
return 0
# ... 删除逻辑
```
### 4. 触发条件
**文件**：`src/memory_graph/unified_manager.py` 第 618-621 行
```python
# 在自动转移循环中检测
if occupancy_ratio >= 1.0 and not transfer_cache:
removed = self.short_term_manager.force_cleanup_overflow()
if removed > 0:
logger.warning(f"短期记忆占用率 {occupancy_ratio:.0%}，已强制删除 {removed} 条低重要性记忆泄压")
```
---
## 🔄 运行机制
### 触发条件（同时满足）
1. ✅ 开关已开启（`enable_force_cleanup=True`）
2. ✅ 短期记忆占用率 ≥ 100%（`len(memories) >= max_memories`）
3. ✅ 当前没有待转移批次（`transfer_cache` 为空）
### 删除策略
**排序规则**：双重排序，先按重要性升序，再按创建时间升序
```python
sorted_memories = sorted(self.memories, key=lambda m: (m.importance, m.created_at))
```
**删除数量**：删除到容量的 90%
```python
current = len(self.memories) # 当前记忆数
limit = int(self.max_memories * 0.9) # 目标保留数
remove_count = current - limit # 需要删除的数量
```
**示例**：
- 容量上限 `max_memories=30`
- 当前记忆数 `35` → 删除 `35 - 27 = 8` 条最低优先级记忆
- 优先删除：重要性 0.1 且创建于 10 分钟前的记忆
### 持久化
- 使用 `asyncio.create_task(self._save_to_disk())` 异步保存
- **不阻塞**消息处理主流程
---
## 📊 性能影响
| 场景 | 开关状态 | 行为 | 适用场景 |
|------|---------|------|---------|
| 高频消息 | ✅ 开启 | 自动泄压，防止阻塞 | 群聊、客服场景 |
| 低频消息 | ❌ 关闭 | 仅依赖自动转移 | 私聊、低活跃群 |
| 调试阶段 | ❌ 关闭 | 便于观察记忆堆积 | 开发测试 |
**日志示例**（开启后）：
```
[WARNING] 短期记忆压力泄压: 移除 8 条 (当前 27/30)
[WARNING] 短期记忆占用率 100%，已强制删除 8 条低重要性记忆泄压
```
---
## 🚨 注意事项
### ⚠️ 何时开启
- ✅ **推荐开启**：高频群聊、客服机器人、24/7 运行场景
- ❌ **不建议开启**：需要完整保留所有短期记忆、调试阶段
### ⚠️ 潜在影响
- 低重要性记忆可能被删除，**不会转移到长期记忆**
- 如需保留所有记忆，应调大 `max_memories` 或关闭此功能
### ⚠️ 与自动转移的协同
本功能是**兜底机制**，正常情况下：
1. 优先触发自动转移（占用率 ≥ 50%）
2. 高重要性记忆转移到长期层
3. 仅当转移来不及时，泄压才会触发
---
## 🔙 回滚与禁用
### 临时禁用（无需重启）
```python
# 运行时修改（如果您能访问管理器实例）
unified_manager.short_term_manager.enable_force_cleanup = False
```
### 永久禁用
**配置文件方式**：
```toml
[memory]
short_term_enable_force_cleanup = false # 或直接删除此行
```
**代码方式**：
```python
manager = UnifiedMemoryManager(
short_term_enable_force_cleanup=False, # 显式关闭
)
```
---
## 📚 相关文档
- [三层记忆系统用户指南](../../docs/three_tier_memory_user_guide.md)
- [记忆图谱架构](../../docs/memory_graph_guide.md)
- [统一调度器指南](../../docs/unified_scheduler_guide.md)
---
**最后更新**：2025年12月16日

18
src/plugin_system/base/base_interest_calculator.py
View File

@@ -117,10 +117,17 @@ class BaseInterestCalculator(ABC):
"""
try:
self._enabled = True
# 子类可以重写此方法执行自定义初始化
await self.on_initialize()
return True
except Exception:
except Exception as e:
logger.error(f"初始化兴趣计算器失败: {e}")
self._enabled = False
return False
async def on_initialize(self):
"""子类可重写的初始化钩子"""
pass
async def cleanup(self) -> bool:
"""清理组件资源
@@ -129,10 +136,17 @@ class BaseInterestCalculator(ABC):
bool: 清理是否成功
"""
try:
# 子类可以重写此方法执行自定义清理
await self.on_cleanup()
self._enabled = False
return True
except Exception:
except Exception as e:
logger.error(f"清理兴趣计算器失败: {e}")
return False
async def on_cleanup(self):
"""子类可重写的清理钩子"""
pass
@property
def is_enabled(self) -> bool: