generator修改与文档

docs/plugins/api/generator-api.md

@@ -6,241 +6,150 @@
 
 ```python
 from src.plugin_system.apis import generator_api
+# 或者
+from src.plugin_system import generator_api
 ```
 
 ## 主要功能
 
 ### 1. 回复器获取
-
+```python
-#### `get_replyer(chat_stream=None, platform=None, chat_id=None, is_group=True)`
+def get_replyer(
+    chat_stream: Optional[ChatStream] = None,
+    chat_id: Optional[str] = None,
+    model_configs: Optional[List[Dict[str, Any]]] = None,
+    request_type: str = "replyer",
+) -> Optional[DefaultReplyer]:
+```
 获取回复器对象
 
-**参数：**
+优先使用chat_stream，如果没有则使用chat_id直接查找。
-- `chat_stream`：聊天流对象（优先）
-- `platform`：平台名称，如"qq"
-- `chat_id`：聊天ID（群ID或用户ID）
-- `is_group`：是否为群聊
 
-**返回：**
+使用 ReplyerManager 来管理实例，避免重复创建。
-- `DefaultReplyer`：回复器对象，如果获取失败则返回None
 
-**示例：**
+**Args:**
+- `chat_stream`: 聊天流对象
+- `chat_id`: 聊天ID（实际上就是`stream_id`）
+- `model_configs`: 模型配置
+- `request_type`: 请求类型，用于记录LLM使用情况，可以不写
+
+**Returns:**
+- `DefaultReplyer`: 回复器对象，如果获取失败则返回None
+
+#### 示例
 ```python
 # 使用聊天流获取回复器
 replyer = generator_api.get_replyer(chat_stream=chat_stream)
 
 # 使用平台和ID获取回复器
-replyer = generator_api.get_replyer(
+replyer = generator_api.get_replyer(chat_id="123456789")
-    platform="qq",
-    chat_id="123456789",
-    is_group=True
-)
 ```
 
 ### 2. 回复生成
-
+```python
-#### `generate_reply(chat_stream=None, action_data=None, platform=None, chat_id=None, is_group=True)`
+async def generate_reply(
+    chat_stream: Optional[ChatStream] = None,
+    chat_id: Optional[str] = None,
+    action_data: Optional[Dict[str, Any]] = None,
+    reply_to: str = "",
+    extra_info: str = "",
+    available_actions: Optional[Dict[str, ActionInfo]] = None,
+    enable_tool: bool = False,
+    enable_splitter: bool = True,
+    enable_chinese_typo: bool = True,
+    return_prompt: bool = False,
+    model_configs: Optional[List[Dict[str, Any]]] = None,
+    request_type: str = "",
+) -> Tuple[bool, List[Tuple[str, Any]], Optional[str]]:
+```
 生成回复
 
-**参数：**
+优先使用chat_stream，如果没有则使用chat_id直接查找。
-- `chat_stream`：聊天流对象（优先）
-- `action_data`：动作数据
-- `platform`：平台名称（备用）
-- `chat_id`：聊天ID（备用）
-- `is_group`：是否为群聊（备用）
 
-**返回：**
+**Args:**
-- `Tuple[bool, List[Tuple[str, Any]]]`：(是否成功, 回复集合)
+- `chat_stream`: 聊天流对象
+- `chat_id`: 聊天ID（实际上就是`stream_id`）
+- `action_data`: 动作数据（向下兼容，包含`reply_to`和`extra_info`）
+- `reply_to`: 回复目标，格式为 `{发送者的person_name:消息内容}`
+- `extra_info`: 附加信息
+- `available_actions`: 可用动作字典，格式为 `{"action_name": ActionInfo}`
+- `enable_tool`: 是否启用工具
+- `enable_splitter`: 是否启用分割器
+- `enable_chinese_typo`: 是否启用中文错别字
+- `return_prompt`: 是否返回提示词
+- `model_configs`: 模型配置，可选
+- `request_type`: 请求类型，用于记录LLM使用情况
 
-**示例：**
+**Returns:**
+- `Tuple[bool, List[Tuple[str, Any]], Optional[str]]`: (是否成功, 回复集合, 提示词)
+
+#### 示例
 ```python
-success, reply_set = await generator_api.generate_reply(
+success, reply_set, prompt = await generator_api.generate_reply(
     chat_stream=chat_stream,
-    action_data={"message": "你好", "intent": "greeting"}
+    action_data=action_data,
+    reply_to="麦麦:你好",
+    available_actions=action_info,
+    enable_tool=True,
+    return_prompt=True
 )
-
 if success:
     for reply_type, reply_content in reply_set:
         print(f"回复类型: {reply_type}, 内容: {reply_content}")
+    if prompt:
+        print(f"使用的提示词: {prompt}")
 ```
 
-#### `rewrite_reply(chat_stream=None, reply_data=None, platform=None, chat_id=None, is_group=True)`
+### 3. 回复重写
-重写回复
-
-**参数：**
-- `chat_stream`：聊天流对象（优先）
-- `reply_data`：回复数据
-- `platform`：平台名称（备用）
-- `chat_id`：聊天ID（备用）
-- `is_group`：是否为群聊（备用）
-
-**返回：**
-- `Tuple[bool, List[Tuple[str, Any]]]`：(是否成功, 回复集合)
-
-**示例：**
 ```python
-success, reply_set = await generator_api.rewrite_reply(
+async def rewrite_reply(
-    chat_stream=chat_stream,
+    chat_stream: Optional[ChatStream] = None,
-    reply_data={"original_text": "原始回复", "style": "more_friendly"}
+    reply_data: Optional[Dict[str, Any]] = None,
-)
+    chat_id: Optional[str] = None,
+    enable_splitter: bool = True,
+    enable_chinese_typo: bool = True,
+    model_configs: Optional[List[Dict[str, Any]]] = None,
+    raw_reply: str = "",
+    reason: str = "",
+    reply_to: str = "",
+    return_prompt: bool = False,
+) -> Tuple[bool, List[Tuple[str, Any]], Optional[str]]:
 ```
+重写回复，使用新的内容替换旧的回复内容。
 
-## 使用示例
+优先使用chat_stream，如果没有则使用chat_id直接查找。
 
-### 1. 基础回复生成
+**Args:**
+- `chat_stream`: 聊天流对象
+- `reply_data`: 回复数据，包含`raw_reply`, `reason`和`reply_to`，**（向下兼容备用，当其他参数缺失时从此获取）**
+- `chat_id`: 聊天ID（实际上就是`stream_id`）
+- `enable_splitter`: 是否启用分割器
+- `enable_chinese_typo`: 是否启用中文错别字
+- `model_configs`: 模型配置，可选
+- `raw_reply`: 原始回复内容
+- `reason`: 重写原因
+- `reply_to`: 回复目标，格式为 `{发送者的person_name:消息内容}`
 
+**Returns:**
+- `Tuple[bool, List[Tuple[str, Any]], Optional[str]]`: (是否成功, 回复集合, 提示词)
+
+#### 示例
 ```python
-from src.plugin_system.apis import generator_api
+success, reply_set, prompt = await generator_api.rewrite_reply(
-
-async def generate_greeting_reply(chat_stream, user_name):
-    """生成问候回复"""
-    
-    action_data = {
-        "intent": "greeting",
-        "user_name": user_name,
-        "context": "morning_greeting"
-    }
-    
-    success, reply_set = await generator_api.generate_reply(
     chat_stream=chat_stream,
-        action_data=action_data
+    raw_reply="原始回复内容",
+    reason="重写原因",
+    reply_to="麦麦:你好",
+    return_prompt=True
 )
-    
-    if success and reply_set:
-        # 获取第一个回复
-        reply_type, reply_content = reply_set[0]
-        return reply_content
-    
-    return "你好！"  # 默认回复
-```
-
-### 2. 在Action中使用回复生成器
-
-```python
-from src.plugin_system.base import BaseAction
-
-class ChatAction(BaseAction):
-    async def execute(self, action_data, chat_stream):
-        # 准备回复数据
-        reply_context = {
-            "message_type": "response",
-            "user_input": action_data.get("user_message", ""),
-            "intent": action_data.get("intent", ""),
-            "entities": action_data.get("entities", {}),
-            "context": self.get_conversation_context(chat_stream)
-        }
-        
-        # 生成回复
-        success, reply_set = await generator_api.generate_reply(
-            chat_stream=chat_stream,
-            action_data=reply_context
-        )
-        
 if success:
-            return {
+    for reply_type, reply_content in reply_set:
-                "success": True,
+        print(f"回复类型: {reply_type}, 内容: {reply_content}")
-                "replies": reply_set,
+    if prompt:
-                "generated_count": len(reply_set)
+        print(f"使用的提示词: {prompt}")
-            }
-        
-        return {
-            "success": False,
-            "error": "回复生成失败",
-            "fallback_reply": "抱歉，我现在无法理解您的消息。"
-        }
 ```
 
-### 3. 多样化回复生成
+## 回复集合`reply_set`格式
-
-```python
-async def generate_diverse_replies(chat_stream, topic, count=3):
-    """生成多个不同风格的回复"""
-    
-    styles = ["formal", "casual", "humorous"]
-    all_replies = []
-    
-    for i, style in enumerate(styles[:count]):
-        action_data = {
-            "topic": topic,
-            "style": style,
-            "variation": i
-        }
-        
-        success, reply_set = await generator_api.generate_reply(
-            chat_stream=chat_stream,
-            action_data=action_data
-        )
-        
-        if success and reply_set:
-            all_replies.extend(reply_set)
-    
-    return all_replies
-```
-
-### 4. 回复重写功能
-
-```python
-async def improve_reply(chat_stream, original_reply, improvement_type="more_friendly"):
-    """改进原始回复"""
-    
-    reply_data = {
-        "original_text": original_reply,
-        "improvement_type": improvement_type,
-        "target_audience": "young_users",
-        "tone": "positive"
-    }
-    
-    success, improved_replies = await generator_api.rewrite_reply(
-        chat_stream=chat_stream,
-        reply_data=reply_data
-    )
-    
-    if success and improved_replies:
-        # 返回改进后的第一个回复
-        _, improved_content = improved_replies[0]
-        return improved_content
-    
-    return original_reply  # 如果改进失败，返回原始回复
-```
-
-### 5. 条件回复生成
-
-```python
-async def conditional_reply_generation(chat_stream, user_message, user_emotion):
-    """根据用户情感生成条件回复"""
-    
-    # 根据情感调整回复策略
-    if user_emotion == "sad":
-        action_data = {
-            "intent": "comfort",
-            "tone": "empathetic",
-            "style": "supportive"
-        }
-    elif user_emotion == "angry":
-        action_data = {
-            "intent": "calm",
-            "tone": "peaceful",
-            "style": "understanding"
-        }
-    else:
-        action_data = {
-            "intent": "respond",
-            "tone": "neutral",
-            "style": "helpful"
-        }
-    
-    action_data["user_message"] = user_message
-    action_data["user_emotion"] = user_emotion
-    
-    success, reply_set = await generator_api.generate_reply(
-        chat_stream=chat_stream,
-        action_data=action_data
-    )
-    
-    return reply_set if success else []
-```
-
-## 回复集合格式
 
 ### 回复类型
 生成的回复集合包含多种类型的回复：
@@ -260,82 +169,32 @@ reply_set = [
 ]
 ```
 
-## 高级用法
+### 4. 自定义提示词回复
-
-### 1. 自定义回复器配置
-
 ```python
-async def generate_with_custom_config(chat_stream, action_data):
+async def generate_response_custom(
-    """使用自定义配置生成回复"""
+    chat_stream: Optional[ChatStream] = None,
-    
+    chat_id: Optional[str] = None,
-    # 获取回复器
+    model_configs: Optional[List[Dict[str, Any]]] = None,
-    replyer = generator_api.get_replyer(chat_stream=chat_stream)
+    prompt: str = "",
-    
+) -> Optional[str]:
-    if replyer:
-        # 可以访问回复器的内部方法
-        success, reply_set = await replyer.generate_reply_with_context(
-            reply_data=action_data,
-            # 可以传递额外的配置参数
-        )
-        return success, reply_set
-    
-    return False, []
 ```
+生成自定义提示词回复
 
-### 2. 回复质量评估
+优先使用chat_stream，如果没有则使用chat_id直接查找。
 
-```python
+**Args:**
-async def generate_and_evaluate_replies(chat_stream, action_data):
+- `chat_stream`: 聊天流对象
-    """生成回复并评估质量"""
+- `chat_id`: 聊天ID（备用）
+- `model_configs`: 模型配置列表
+- `prompt`: 自定义提示词
 
-    success, reply_set = await generator_api.generate_reply(
+**Returns:**
-        chat_stream=chat_stream,
+- `Optional[str]`: 生成的自定义回复内容，如果生成失败则返回None
-        action_data=action_data
-    )
-    
-    if success:
-        evaluated_replies = []
-        for reply_type, reply_content in reply_set:
-            # 简单的质量评估
-            quality_score = evaluate_reply_quality(reply_content)
-            evaluated_replies.append({
-                "type": reply_type,
-                "content": reply_content,
-                "quality": quality_score
-            })
-        
-        # 按质量排序
-        evaluated_replies.sort(key=lambda x: x["quality"], reverse=True)
-        return evaluated_replies
-    
-    return []
-
-def evaluate_reply_quality(reply_content):
-    """简单的回复质量评估"""
-    if not reply_content:
-        return 0
-    
-    score = 50  # 基础分
-    
-    # 长度适中加分
-    if 5 <= len(reply_content) <= 100:
-        score += 20
-    
-    # 包含积极词汇加分
-    positive_words = ["好", "棒", "不错", "感谢", "开心"]
-    for word in positive_words:
-        if word in reply_content:
-            score += 10
-            break
-    
-    return min(score, 100)
-```
 
 ## 注意事项
 
-1. **异步操作**：所有生成函数都是异步的，必须使用`await`
+1. **异步操作**：部分函数是异步的，须使用`await`
-2. **错误处理**：函数内置错误处理，失败时返回False和空列表
+2. **聊天流依赖**：需要有效的聊天流对象才能正常工作
-3. **聊天流依赖**：需要有效的聊天流对象才能正常工作
+3. **性能考虑**：回复生成可能需要一些时间，特别是使用LLM时
-4. **性能考虑**：回复生成可能需要一些时间，特别是使用LLM时
+4. **回复格式**：返回的回复集合是元组列表，包含类型和内容
-5. **回复格式**：返回的回复集合是元组列表，包含类型和内容
+5. **上下文感知**：生成器会考虑聊天上下文和历史消息，除非你用的是自定义提示词。
-6. **上下文感知**：生成器会考虑聊天上下文和历史消息 

src/chat/replyer/default_generator.py

@@ -155,7 +155,6 @@ class DefaultReplyer:
         extra_info: str = "",
         available_actions: Optional[Dict[str, ActionInfo]] = None,
         enable_tool: bool = True,
-        enable_timeout: bool = False,
     ) -> Tuple[bool, Optional[str], Optional[str]]:
         """
         回复器 (Replier): 负责生成回复文本的核心逻辑。
@@ -165,7 +164,6 @@ class DefaultReplyer:
             extra_info: 额外信息，用于补充上下文
             available_actions: 可用的动作信息字典
             enable_tool: 是否启用工具调用
-            enable_timeout: 是否启用超时处理
 
         Returns:
             Tuple[bool, Optional[str], Optional[str]]: (是否成功, 生成的回复内容, 使用的prompt)
@@ -180,7 +178,6 @@ class DefaultReplyer:
                     reply_to=reply_to,
                     extra_info=extra_info,
                     available_actions=available_actions,
-                    enable_timeout=enable_timeout,
                     enable_tool=enable_tool,
                 )
 
@@ -190,29 +187,12 @@ class DefaultReplyer:
 
             # 4. 调用 LLM 生成回复
             content = None
-            reasoning_content = None
+            # TODO: 复活这里
-            model_name = "unknown_model"
+            # reasoning_content = None
+            # model_name = "unknown_model"
 
             try:
-                with Timer("LLM生成", {}):  # 内部计时器，可选保留
+                content = await self.llm_generate_content(prompt)
-                    # 加权随机选择一个模型配置
-                    selected_model_config = self._select_weighted_model_config()
-                    logger.info(
-                        f"使用模型生成回复: {selected_model_config.get('name', 'N/A')} (选中概率: {selected_model_config.get('weight', 1.0)})"
-                    )
-
-                    express_model = LLMRequest(
-                        model=selected_model_config,
-                        request_type=self.request_type,
-                    )
-
-                    if global_config.debug.show_prompt:
-                        logger.info(f"\n{prompt}\n")
-                    else:
-                        logger.debug(f"\n{prompt}\n")
-
-                    content, (reasoning_content, model_name) = await express_model.generate_response_async(prompt)
-
                 logger.debug(f"replyer生成内容: {content}")
 
             except Exception as llm_e:
@@ -232,7 +212,8 @@ class DefaultReplyer:
         raw_reply: str = "",
         reason: str = "",
         reply_to: str = "",
-    ) -> Tuple[bool, Optional[str]]:
+        return_prompt: bool = False,
+    ) -> Tuple[bool, Optional[str], Optional[str]]:
         """
         表达器 (Expressor): 负责重写和优化回复文本。
 
@@ -246,8 +227,6 @@ class DefaultReplyer:
             Tuple[bool, Optional[str]]: (是否成功, 重写后的回复内容)
         """
         try:
-
-            
             with Timer("构建Prompt", {}):  # 内部计时器，可选保留
                 prompt = await self.build_prompt_rewrite_context(
                     raw_reply=raw_reply,
@@ -256,40 +235,28 @@ class DefaultReplyer:
                 )
 
             content = None
-            reasoning_content = None
+            # TODO: 复活这里
-            model_name = "unknown_model"
+            # reasoning_content = None
+            # model_name = "unknown_model"
             if not prompt:
                 logger.error("Prompt 构建失败，无法生成回复。")
-                return False, None
+                return False, None, None
 
             try:
-                with Timer("LLM生成", {}):  # 内部计时器，可选保留
+                content = await self.llm_generate_content(prompt)
-                    # 加权随机选择一个模型配置
-                    selected_model_config = self._select_weighted_model_config()
-                    logger.info(
-                        f"使用模型重写回复: {selected_model_config.get('name', 'N/A')} (选中概率: {selected_model_config.get('weight', 1.0)})"
-                    )
-
-                    express_model = LLMRequest(
-                        model=selected_model_config,
-                        request_type=self.request_type,
-                    )
-
-                    content, (reasoning_content, model_name) = await express_model.generate_response_async(prompt)
-
                 logger.info(f"想要表达：{raw_reply}||理由：{reason}||生成回复: {content}\n")
 
             except Exception as llm_e:
                 # 精简报错信息
                 logger.error(f"LLM 生成失败: {llm_e}")
-                return False, None  # LLM 调用失败则无法生成回复
+                return False, None, prompt if return_prompt else None  # LLM 调用失败则无法生成回复
 
-            return True, content
+            return True, content, prompt if return_prompt else None
 
         except Exception as e:
             logger.error(f"回复生成意外失败: {e}")
             traceback.print_exc()
-            return False, None
+            return False, None, prompt if return_prompt else None
 
     async def build_relation_info(self, reply_to: str = ""):
         if not global_config.relationship.enable_relationship:
@@ -366,9 +333,7 @@ class DefaultReplyer:
         if style_habits_str.strip() and grammar_habits_str.strip():
             expression_habits_title = "你可以参考以下的语言习惯和句法，如果情景合适就使用，不要盲目使用,不要生硬使用，以合理的方式结合到你的回复中："
 
-        expression_habits_block = f"{expression_habits_title}\n{expression_habits_block}"
+        return f"{expression_habits_title}\n{expression_habits_block}"
-
-        return expression_habits_block
 
     async def build_memory_block(self, chat_history: str, target: str) -> str:
         """构建记忆块
@@ -537,7 +502,9 @@ class DefaultReplyer:
         duration = end_time - start_time
         return name, result, duration
 
-    def build_s4u_chat_history_prompts(self, message_list_before_now: List[Dict[str, Any]], target_user_id: str) -> Tuple[str, str]:
+    def build_s4u_chat_history_prompts(
+        self, message_list_before_now: List[Dict[str, Any]], target_user_id: str
+    ) -> Tuple[str, str]:
         """
         构建 s4u 风格的分离对话 prompt
 
@@ -647,19 +614,17 @@ class DefaultReplyer:
         reply_to: str,
         extra_info: str = "",
         available_actions: Optional[Dict[str, ActionInfo]] = None,
-        enable_timeout: bool = False,
         enable_tool: bool = True,
     ) -> str:  # sourcery skip: merge-else-if-into-elif, remove-redundant-if
         """
         构建回复器上下文
 
         Args:
-            reply_data: 回复数据
+            reply_to: 回复对象，格式为 "发送者:消息内容"
-                replay_data 包含以下字段：
+            extra_info: 额外信息，用于补充上下文
-                    structured_info: 结构化信息，一般是工具调用获得的信息
-                    reply_to: 回复对象
-                    extra_info/extra_info_block: 额外信息
             available_actions: 可用动作
+            enable_timeout: 是否启用超时处理
+            enable_tool: 是否启用工具调用
 
         Returns:
             str: 构建好的上下文
@@ -1011,6 +976,30 @@ class DefaultReplyer:
             display_message=display_message,
         )
 
+    async def llm_generate_content(self, prompt: str) -> str:
+        with Timer("LLM生成", {}):  # 内部计时器，可选保留
+            # 加权随机选择一个模型配置
+            selected_model_config = self._select_weighted_model_config()
+            logger.info(
+                f"使用模型生成回复: {selected_model_config.get('name', 'N/A')} (选中概率: {selected_model_config.get('weight', 1.0)})"
+            )
+
+            express_model = LLMRequest(
+                model=selected_model_config,
+                request_type=self.request_type,
+            )
+
+            if global_config.debug.show_prompt:
+                logger.info(f"\n{prompt}\n")
+            else:
+                logger.debug(f"\n{prompt}\n")
+
+            # TODO: 这里的_应该做出替换
+            content, _ = await express_model.generate_response_async(prompt)
+
+            logger.debug(f"replyer生成内容: {content}")
+        return content
+
 
 def weighted_sample_no_replacement(items, weights, k) -> list:
     """
@@ -1069,9 +1058,7 @@ async def get_prompt_info(message: str, threshold: float):
             logger.debug(f"获取知识库内容耗时: {(end_time - start_time):.3f}秒")
             logger.debug(f"获取知识库内容，相关信息：{related_info[:100]}...，信息长度: {len(related_info)}")
 
-            # 格式化知识信息
+            return f"你有以下这些**知识**：\n{related_info}\n请你**记住上面的知识**，之后可能会用到。\n"
-            formatted_prompt_info = f"你有以下这些**知识**：\n{related_info}\n请你**记住上面的知识**，之后可能会用到。\n"
-            return formatted_prompt_info
         else:
             logger.debug("从LPMM知识库获取知识失败，可能是从未导入过知识，返回空知识...")
             return ""

src/llm_models/utils_model.py

@@ -851,7 +851,7 @@ class LLMRequest:
 
     def _default_response_handler(
         self, result: dict, user_id: str = "system", request_type: str = None, endpoint: str = "/chat/completions"
-    ) -> Tuple:
+    ):
         """默认响应解析"""
         if "choices" in result and result["choices"]:
             message = result["choices"][0]["message"]

src/plugin_system/apis/generator_api.py

@@ -84,18 +84,23 @@ async def generate_reply(
     enable_chinese_typo: bool = True,
     return_prompt: bool = False,
     model_configs: Optional[List[Dict[str, Any]]] = None,
-    request_type: str = "",
+    request_type: str = "generator_api",
-    enable_timeout: bool = False,
 ) -> Tuple[bool, List[Tuple[str, Any]], Optional[str]]:
     """生成回复
 
     Args:
         chat_stream: 聊天流对象（优先）
         chat_id: 聊天ID（备用）
-        action_data: 动作数据
+        action_data: 动作数据（向下兼容，包含reply_to和extra_info）
+        reply_to: 回复对象，格式为 "发送者:消息内容"
+        extra_info: 额外信息，用于补充上下文
+        available_actions: 可用动作
+        enable_tool: 是否启用工具调用
         enable_splitter: 是否启用消息分割器
         enable_chinese_typo: 是否启用错字生成器
         return_prompt: 是否返回提示词
+        model_configs: 模型配置列表
+        request_type: 请求类型（可选，记录LLM使用）
     Returns:
         Tuple[bool, List[Tuple[str, Any]], Optional[str]]: (是否成功, 回复集合, 提示词)
     """
@@ -118,7 +123,6 @@ async def generate_reply(
             reply_to=reply_to,
             extra_info=extra_info,
             available_actions=available_actions,
-            enable_timeout=enable_timeout,
             enable_tool=enable_tool,
         )
         reply_set = []
@@ -154,12 +158,13 @@ async def rewrite_reply(
     raw_reply: str = "",
     reason: str = "",
     reply_to: str = "",
-) -> Tuple[bool, List[Tuple[str, Any]]]:
+    return_prompt: bool = False,
+) -> Tuple[bool, List[Tuple[str, Any]], Optional[str]]:
     """重写回复
 
     Args:
         chat_stream: 聊天流对象（优先）
-        reply_data: 回复数据字典（备用，当其他参数缺失时从此获取）
+        reply_data: 回复数据字典（向下兼容备用，当其他参数缺失时从此获取）
         chat_id: 聊天ID（备用）
         enable_splitter: 是否启用消息分割器
         enable_chinese_typo: 是否启用错字生成器
@@ -167,6 +172,7 @@ async def rewrite_reply(
         raw_reply: 原始回复内容
         reason: 回复原因
         reply_to: 回复对象
+        return_prompt: 是否返回提示词
 
     Returns:
         Tuple[bool, List[Tuple[str, Any]]]: (是否成功, 回复集合)
@@ -176,7 +182,7 @@ async def rewrite_reply(
         replyer = get_replyer(chat_stream, chat_id, model_configs=model_configs)
         if not replyer:
             logger.error("[GeneratorAPI] 无法获取回复器")
-            return False, []
+            return False, [], None
 
         logger.info("[GeneratorAPI] 开始重写回复")
 
@@ -187,10 +193,11 @@ async def rewrite_reply(
             reply_to = reply_to or reply_data.get("reply_to", "")
 
         # 调用回复器重写回复
-        success, content = await replyer.rewrite_reply_with_context(
+        success, content, prompt = await replyer.rewrite_reply_with_context(
             raw_reply=raw_reply,
             reason=reason,
             reply_to=reply_to,
+            return_prompt=return_prompt,
         )
         reply_set = []
         if content:
@@ -201,14 +208,14 @@ async def rewrite_reply(
         else:
             logger.warning("[GeneratorAPI] 重写回复失败")
 
-        return success, reply_set
+        return success, reply_set, prompt if return_prompt else None
 
     except ValueError as ve:
         raise ve
 
     except Exception as e:
         logger.error(f"[GeneratorAPI] 重写回复时出错: {e}")
-        return False, []
+        return False, [], None
 
 
 async def process_human_text(content: str, enable_splitter: bool, enable_chinese_typo: bool) -> List[Tuple[str, Any]]:
@@ -234,3 +241,27 @@ async def process_human_text(content: str, enable_splitter: bool, enable_chinese
     except Exception as e:
         logger.error(f"[GeneratorAPI] 处理人形文本时出错: {e}")
         return []
+
+async def generate_response_custom(
+    chat_stream: Optional[ChatStream] = None,
+    chat_id: Optional[str] = None,
+    model_configs: Optional[List[Dict[str, Any]]] = None,
+    prompt: str = "",
+) -> Optional[str]:
+    replyer = get_replyer(chat_stream, chat_id, model_configs=model_configs)
+    if not replyer:
+        logger.error("[GeneratorAPI] 无法获取回复器")
+        return None
+
+    try:
+        logger.debug("[GeneratorAPI] 开始生成自定义回复")
+        response = await replyer.llm_generate_content(prompt)
+        if response:
+            logger.debug("[GeneratorAPI] 自定义回复生成成功")
+            return response
+        else:
+            logger.warning("[GeneratorAPI] 自定义回复生成失败")
+            return None
+    except Exception as e:
+        logger.error(f"[GeneratorAPI] 生成自定义回复时出错: {e}")
+        return None