重构：移除过时的napcat_adapter_plugin组件

- 从napcat_adapter_plugin中删除了stream_router.py、utils.py、video_handler.py、websocket_manager.py和todo.md文件。 - 在napcat_cache.json中为组和成员信息引入了一种新的缓存结构。 - 通过移除未使用的模块和整合功能，简化了插件的架构。
2025-11-26 16:40:31 +08:00
parent 8a6b141017
commit 8fc4cd4c3b
35 changed files with 162 additions and 9624 deletions
--- a/src/chat/interest_system/bot_interest_manager.py
+++ b/src/chat/interest_system/bot_interest_manager.py
@@ -45,7 +45,6 @@ class BotInterestManager:
        """初始化兴趣标签系统"""
        try:
            logger.info("机器人兴趣系统开始初始化...")
-            logger.info(f"人设ID: {personality_id}, 描述长度: {len(personality_description)}")

            # 初始化embedding模型
            await self._initialize_embedding_model()
@@ -74,19 +73,14 @@ class BotInterestManager:

    async def _initialize_embedding_model(self):
        """初始化embedding模型"""
-        logger.info("🔧 正在配置embedding客户端...")
-
        # 使用项目配置的embedding模型
        from src.config.config import model_config
        from src.llm_models.utils_model import LLMRequest

-        logger.debug("✅ 成功导入embedding相关模块")
-
        # 检查embedding配置是否存在
        if not hasattr(model_config.model_task_config, "embedding"):
            raise RuntimeError("❌ 未找到embedding模型配置")

-        logger.info("📋 找到embedding模型配置")
        self.embedding_config = model_config.model_task_config.embedding

        if self.embedding_dimension:
@@ -96,36 +90,20 @@ class BotInterestManager:

        # 创建LLMRequest实例用于embedding
        self.embedding_request = LLMRequest(model_set=self.embedding_config, request_type="interest_embedding")
-        logger.info("✅ Embedding请求客户端初始化成功")
-        logger.info(f"🔗 客户端类型: {type(self.embedding_request).__name__}")
-
-        # 获取第一个embedding模型的ModelInfo
-        if hasattr(self.embedding_config, "model_list") and self.embedding_config.model_list:
-            first_model_name = self.embedding_config.model_list[0]
-            logger.info(f"🎯 使用embedding模型: {first_model_name}")
-        else:
-            logger.warning("⚠️  未找到embedding模型列表")
-
-        logger.info("✅ Embedding模型初始化完成")

    async def _load_or_generate_interests(self, personality_description: str, personality_id: str):
        """加载或生成兴趣标签"""
-        logger.info(f"📚 正在为 '{personality_id}' 加载或生成兴趣标签...")

        # 首先尝试从数据库加载
-        logger.info("尝试从数据库加载兴趣标签...")
        loaded_interests = await self._load_interests_from_database(personality_id)

        if loaded_interests:
            self.current_interests = loaded_interests
-            active_count = len(loaded_interests.get_active_tags())
-            logger.info(f"成功从数据库加载 {active_count} 个兴趣标签 (版本: {loaded_interests.version})")
+            active_count = len(loaded_interests.get_active_tags())        
            tags_info = [f"  - '{tag.tag_name}' (权重: {tag.weight:.2f})" for tag in loaded_interests.get_active_tags()]
            tags_str = "\n".join(tags_info)
-            logger.info(f"当前兴趣标签:\n{tags_str}")

            # 为加载的标签生成embedding（数据库不存储embedding，启动时动态生成）
-            logger.info("🧠 为加载的标签生成embedding向量...")
            await self._generate_embeddings_for_tags(loaded_interests)
        else:
            # 生成新的兴趣标签
@@ -163,7 +141,6 @@ class BotInterestManager:
                raise RuntimeError("❌ Embedding客户端未初始化，无法生成兴趣标签")

            # 构建提示词
-            logger.info("📝 构建LLM提示词...")
            prompt = f"""
 基于以下机器人人设描述，生成一套合适的兴趣标签：

@@ -218,13 +195,11 @@ class BotInterestManager:
 """

            # 调用LLM生成兴趣标签
-            logger.info("🤖 正在调用LLM生成兴趣标签...")
            response = await self._call_llm_for_interest_generation(prompt)

            if not response:
                raise RuntimeError("❌ LLM未返回有效响应")

-            logger.info("✅ LLM响应成功，开始解析兴趣标签...")
            # 使用统一的 JSON 解析工具
            interests_data = extract_and_parse_json(response, strict=False)
            if not interests_data or not isinstance(interests_data, dict):
@@ -290,7 +265,6 @@ class BotInterestManager:
            replyer_config = model_config.model_task_config.replyer

            # 调用LLM API
-            logger.info("🚀 正在通过LLM API发送请求...")
            success, response, reasoning_content, model_name = await llm_api.generate_with_model(
                prompt=full_prompt,
                model_config=replyer_config,
@@ -300,13 +274,6 @@ class BotInterestManager:
            )

            if success and response:
-                logger.info(f"✅ LLM响应成功，模型: {model_name}, 响应长度: {len(response)} 字符")
-                logger.debug(
-                    f"📄 LLM响应内容: {response[:200]}..." if len(response) > 200 else f"📄 LLM响应内容: {response}"
-                )
-                if reasoning_content:
-                    logger.debug(f"🧠 推理内容: {reasoning_content[:100]}...")
-
                # 直接返回原始响应，后续使用统一的 JSON 解析工具
                return response
            else:
@@ -329,11 +296,8 @@ class BotInterestManager:
        # 尝试从文件加载缓存
        file_cache = await self._load_embedding_cache_from_file(interests.personality_id)
        if file_cache:
-            logger.info(f"📂 从文件加载 {len(file_cache)} 个embedding缓存")
            self.embedding_cache.update(file_cache)

-        logger.info(f"🧠 开始为 {total_tags} 个兴趣标签生成embedding向量...")
-
        memory_cached_count = 0
        file_cached_count = 0
        generated_count = 0
@@ -352,8 +316,6 @@ class BotInterestManager:
            else:
                # 动态生成新的embedding
                embedding_text = tag.tag_name
-
-                logger.debug(f"   [{i}/{total_tags}] 🔄 正在为 '{tag.tag_name}' 动态生成embedding...")
                embedding = await self._get_embedding(embedding_text)

                if embedding:
@@ -371,18 +333,8 @@ class BotInterestManager:
        # 如果有新生成的embedding，保存到文件
        if generated_count > 0:
            await self._save_embedding_cache_to_file(interests.personality_id)
-            logger.info(f"💾 已将 {generated_count} 个新生成的embedding保存到缓存文件")

        interests.last_updated = datetime.now()
-        logger.info("=" * 50)
-        logger.info("✅ Embedding生成完成!")
-        logger.info(f"📊 总标签数: {total_tags}")
-        logger.info(f"<EFBFBD> 文件缓存命中: {file_cached_count}")
-        logger.info(f"<EFBFBD>💾 内存缓存命中: {memory_cached_count}")
-        logger.info(f"🆕 新生成: {generated_count}")
-        logger.info(f"❌ 失败: {failed_count}")
-        logger.info(f"🗃️  总缓存大小: {len(self.embedding_cache)}")
-        logger.info("=" * 50)

    async def _get_embedding(self, text: str) -> list[float]:
        """获取文本的embedding向量"""
@@ -391,11 +343,9 @@ class BotInterestManager:

        # 检查缓存
        if text in self.embedding_cache:
-            logger.debug(f"💾 使用缓存的embedding: '{text[:30]}...'")
            return self.embedding_cache[text]

        # 使用LLMRequest获取embedding
-        logger.debug(f"🔄 正在获取embedding: '{text[:30]}...'")
        if not self.embedding_request:
            raise RuntimeError("❌ Embedding客户端未初始化")
        embedding, model_name = await self.embedding_request.get_embedding(text)
@@ -414,16 +364,12 @@ class BotInterestManager:
                    )
                else:
                    self.embedding_dimension = current_dim
-                logger.info(f"📏 检测到embedding维度: {current_dim}")
            elif current_dim != self.embedding_dimension:
                logger.warning(
                    "⚠️ 收到的embedding维度发生变化: 之前=%d, 当前=%d。请确认模型配置是否正确。",
                    self.embedding_dimension,
                    current_dim,
                )
-
-            logger.debug(f"✅ Embedding获取成功，维度: {current_dim}, 模型: {model_name}")
-            return embedding
        else:
            raise RuntimeError(f"❌ 返回的embedding为空: {embedding}")

@@ -435,11 +381,8 @@ class BotInterestManager:
        else:
            combined_text = message_text

-        logger.debug(f"🔄 正在为消息生成embedding，输入长度: {len(combined_text)}")
-
        # 生成embedding
        embedding = await self._get_embedding(combined_text)
-        logger.debug(f"✅ 消息embedding生成成功，维度: {len(embedding)}")
        return embedding

    async def generate_embeddings_for_texts(
--- a/src/chat/message_receive/message_handler.py
+++ b/src/chat/message_receive/message_handler.py
@@ -258,6 +258,10 @@ class MessageHandler:
            group_info = message_info.get("group_info")
            user_info = message_info.get("user_info")

+            if not user_info and not group_info:
+                logger.debug("消息缺少用户信息，已跳过处理")
+                return None
+            
            # 获取或创建聊天流
            platform = message_info.get("platform", "unknown")