feat: 新增HFC处理器自定义项和思考间隔项

新增了 HFC不同处理器的开启关闭可选项
新增了思考间隔调整
移除无用工具

src/tools/tool_use.py

@@ -3,56 +3,14 @@ from src.config.config import global_config
 import json
 from src.common.logger_manager import get_logger
 from src.tools.tool_can_use import get_all_tool_definitions, get_tool_instance
-import traceback
-from src.chat.person_info.relationship_manager import relationship_manager
-from src.chat.utils.utils import parse_text_timestamps
-from src.chat.message_receive.chat_stream import ChatStream
-from src.chat.heart_flow.observation.chatting_observation import ChattingObservation
 
 logger = get_logger("tool_use")
-
-
 class ToolUser:
     def __init__(self):
         self.llm_model_tool = LLMRequest(
             model=global_config.model.tool_use, temperature=0.2, max_tokens=1000, request_type="tool_use"
         )
-
-    @staticmethod
-    async def _build_tool_prompt(
-        message_txt: str, chat_stream: ChatStream = None, observation: ChattingObservation = None
-    ):
-        """构建工具使用的提示词
-
-        Args:
-            message_txt: 用户消息文本
-            subheartflow: 子心流对象
-
-        Returns:
-            str: 构建好的提示词
-        """
-
-        if observation:
-            mid_memory_info = observation.mid_memory_info
-            # print(f"intol111111111111111111111111111111111222222222222mid_memory_info：{mid_memory_info}")
-
-        # 这些信息应该从调用者传入，而不是从self获取
-        bot_name = global_config.bot.nickname
-        prompt = ""
-        prompt += mid_memory_info
-        prompt += "你正在思考如何回复群里的消息。\n"
-        prompt += "之前群里进行了如下讨论:\n"
-        prompt += message_txt
-        # prompt += f"你注意到{sender_name}刚刚说：{message_txt}\n"
-        prompt += f"注意你就是{bot_name}，{bot_name}是你的名字。根据之前的聊天记录补充问题信息，搜索时避开你的名字。\n"
-        # prompt += "必须调用 'lpmm_get_knowledge' 工具来获取知识。\n"
-        prompt += "你现在需要对群里的聊天内容进行回复，请你思考应该使用什么工具，然后选择工具来对消息和你的回复进行处理，你是否需要额外的信息，比如回忆或者搜寻已有的知识，改变关系和情感，或者了解你现在正在做什么。"
-
-        prompt = await relationship_manager.convert_all_person_sign_to_person_name(prompt)
-        prompt = parse_text_timestamps(prompt, mode="lite")
-
-        return prompt
-
+        
     @staticmethod
     def _define_tools():
         """获取所有已注册工具的定义
@@ -100,93 +58,3 @@ class ToolUser:
         except Exception as e:
             logger.error(f"执行工具调用时发生错误: {str(e)}")
             return None
-
-    async def use_tool(self, message_txt: str, chat_stream: ChatStream = None, observation: ChattingObservation = None):
-        """使用工具辅助思考，判断是否需要额外信息
-
-        Args:
-            message_txt: 用户消息文本
-            chat_stream: 聊天流对象
-            observation: 观察对象（可选）
-
-        Returns:
-            dict: 工具使用结果，包含结构化的信息
-        """
-        try:
-            # 构建提示词
-            prompt = await self._build_tool_prompt(
-                message_txt=message_txt,
-                chat_stream=chat_stream,
-                observation=observation,
-            )
-
-            # 定义可用工具
-            tools = self._define_tools()
-            logger.trace(f"工具定义: {tools}")
-
-            # 使用llm_model_tool发送带工具定义的请求
-            payload = {
-                "model": self.llm_model_tool.model_name,
-                "messages": [{"role": "user", "content": prompt}],
-                "tools": tools,
-                "temperature": 0.2,
-            }
-
-            logger.trace(f"发送工具调用请求，模型: {self.llm_model_tool.model_name}")
-            # 发送请求获取模型是否需要调用工具
-            response = await self.llm_model_tool._execute_request(
-                endpoint="/chat/completions", payload=payload, prompt=prompt
-            )
-
-            # 根据返回值数量判断是否有工具调用
-            if len(response) == 3:
-                content, reasoning_content, tool_calls = response
-                # logger.info(f"工具思考: {tool_calls}")
-                # logger.debug(f"工具思考: {content}")
-
-                # 检查响应中工具调用是否有效
-                if not tool_calls:
-                    logger.debug("模型返回了空的tool_calls列表")
-                    return {"used_tools": False}
-
-                tool_calls_str = ""
-                for tool_call in tool_calls:
-                    tool_calls_str += f"{tool_call['function']['name']}\n"
-                logger.info(
-                    f"根据:\n{prompt}\n\n内容：{content}\n\n模型请求调用{len(tool_calls)}个工具: {tool_calls_str}"
-                )
-                tool_results = []
-                structured_info = {}  # 动态生成键
-
-                # 执行所有工具调用
-                for tool_call in tool_calls:
-                    result = await self._execute_tool_call(tool_call)
-                    if result:
-                        tool_results.append(result)
-                        # 使用工具名称作为键
-                        tool_name = result["name"]
-                        if tool_name not in structured_info:
-                            structured_info[tool_name] = []
-                        structured_info[tool_name].append({"name": result["name"], "content": result["content"]})
-
-                # 如果有工具结果，返回结构化的信息
-                if structured_info:
-                    logger.debug(f"工具调用收集到结构化信息: {json.dumps(structured_info, ensure_ascii=False)}")
-                    return {"used_tools": True, "structured_info": structured_info}
-            else:
-                # 没有工具调用
-                content, reasoning_content = response
-                logger.debug("模型没有请求调用任何工具")
-
-            # 如果没有工具调用或处理失败，直接返回原始思考
-            return {
-                "used_tools": False,
-            }
-
-        except Exception as e:
-            logger.error(f"工具调用过程中出错: {str(e)}")
-            logger.error(f"工具调用过程中出错: {traceback.format_exc()}")
-            return {
-                "used_tools": False,
-                "error": str(e),
-            }