feat(affinity_flow_chatter): 重构计划器以支持多动作并优化思考逻辑

本次提交对亲和流聊天器（AFC）的计划与决策核心进行了重大重构和功能增强，旨在提升其响应的灵活性、鲁棒性和可观测性。主要变更包括： 1. **多动作支持与解析重构**: - `PlanFilter` 现在能够正确解析并处理 LLM 返回的动作列表（`"actions": [...]`），而不仅限于单个动作，这使得机器人能够执行更复杂的组合行为。 - 增强了动作解析的鲁棒性，当找不到 `target_message_id` 时会优雅降级（如 `reply` 变为 `no_action`），并会根据当前实际可用的动作列表对 LLM 的选择进行验证。 2. **提示词工程与思考模式优化**: - 重新设计了核心 Planner 提示词，将 `thinking` 字段定义为“思绪流”，引导 LLM 生成更自然、更符合角色的内心独白，而非简单的决策理由，从而提升决策质量和角色扮演的沉浸感。 - 强制要求 LLM 为需要目标消息的动作提供 `target_message_id`，提高了动作执行的准确性。 3. **上下文构建与鲁棒性增强**: - 在 `PlanFilter` 中增加了上下文回退机制，当内存中缺少历史消息时（如冷启动），会自动从数据库加载最近的消息记录，确保决策所需上下文的完整性。 - 简化了提供给 LLM 的未读消息格式，移除了兴趣度分数等内部信息，并加入了用户昵称，使其更易于理解和处理。 4. **可观测性与日志改进**: - 在 AFC 的多个关键节点（消息接收、决策、动作执行）增加了彩色的详细日志，使其决策流程像 HFC 一样清晰可见，极大地方便了调试。 - 将系统中多个模块（视频分析、兴趣度匹配、情绪管理）的常规日志级别从 `INFO` 调整为 `DEBUG`，以减少在生产环境中的日志噪音。 5. **动作描述优化**: - 优化了 `set_emoji_like` 和 `emoji` 等动作的描述，使其意图更清晰，帮助 LLM 做出更准确的动作选择。
2025-09-24 01:41:04 +08:00
parent df5e68abe9
commit b5342376eb
13 changed files with 278 additions and 103 deletions
--- a/src/chat/interest_system/bot_interest_manager.py
+++ b/src/chat/interest_system/bot_interest_manager.py
@@ -464,7 +464,7 @@ class BotInterestManager:
                    low_similarity_count += 1
                    result.add_match(tag.tag_name, enhanced_score, [tag.tag_name])

-        logger.info(
+        logger.debug(
            f"匹配统计: {match_count}/{len(active_tags)} 个标签命中 | "
            f"高(>{high_threshold}): {high_similarity_count}, "
            f"中(>{medium_threshold}): {medium_similarity_count}, "
@@ -492,9 +492,9 @@ class BotInterestManager:
        if result.matched_tags:
            top_tag_name = max(result.match_scores.items(), key=lambda x: x[1])[0]
            result.top_tag = top_tag_name
-            logger.info(f"最佳匹配: '{top_tag_name}' (分数: {result.match_scores[top_tag_name]:.3f})")
+            logger.debug(f"最佳匹配: '{top_tag_name}' (分数: {result.match_scores[top_tag_name]:.3f})")

-        logger.info(
+        logger.debug(
            f"最终结果: 总分={result.overall_score:.3f}, 置信度={result.confidence:.3f}, 匹配标签数={len(result.matched_tags)}"
        )
        return result
--- a/src/chat/utils/utils_video.py
+++ b/src/chat/utils/utils_video.py
@@ -59,10 +59,59 @@ class VideoAnalyzer:

        # 人格与提示模板
        try:
-            persona = global_config.personality
-            self.personality_core = getattr(persona, "personality_core", "是一个积极向上的女大学生")
-            self.personality_side = getattr(persona, "personality_side", "用一句话或几句话描述人格的侧面特点")
-        except Exception:  # pragma: no cover
+            import cv2
+
+            opencv_available = True
+        except ImportError:
+            pass
+
+        if not RUST_VIDEO_AVAILABLE and not opencv_available:
+            logger.error("❌ 没有可用的视频处理实现，视频分析器将被禁用")
+            self.disabled = True
+            return
+        elif not RUST_VIDEO_AVAILABLE:
+            logger.warning("⚠️ Rust视频处理模块不可用，将使用Python降级实现")
+        elif not opencv_available:
+            logger.warning("⚠️ OpenCV不可用，仅支持Rust关键帧模式")
+
+        self.disabled = False
+
+        # 使用专用的视频分析配置
+        try:
+            self.video_llm = LLMRequest(
+                model_set=model_config.model_task_config.video_analysis, request_type="video_analysis"
+            )
+            logger.debug("✅ 使用video_analysis模型配置")
+        except (AttributeError, KeyError) as e:
+            # 如果video_analysis不存在，使用vlm配置
+            self.video_llm = LLMRequest(model_set=model_config.model_task_config.vlm, request_type="vlm")
+            logger.warning(f"video_analysis配置不可用({e})，回退使用vlm配置")
+
+        # 从配置文件读取参数，如果配置不存在则使用默认值
+        config = global_config.video_analysis
+
+        # 使用 getattr 统一获取配置参数，如果配置不存在则使用默认值
+        self.max_frames = getattr(config, "max_frames", 6)
+        self.frame_quality = getattr(config, "frame_quality", 85)
+        self.max_image_size = getattr(config, "max_image_size", 600)
+        self.enable_frame_timing = getattr(config, "enable_frame_timing", True)
+
+        # Rust模块相关配置
+        self.rust_keyframe_threshold = getattr(config, "rust_keyframe_threshold", 2.0)
+        self.rust_use_simd = getattr(config, "rust_use_simd", True)
+        self.rust_block_size = getattr(config, "rust_block_size", 8192)
+        self.rust_threads = getattr(config, "rust_threads", 0)
+        self.ffmpeg_path = getattr(config, "ffmpeg_path", "ffmpeg")
+
+        # 从personality配置中获取人格信息
+        try:
+            personality_config = global_config.personality
+            self.personality_core = getattr(personality_config, "personality_core", "是一个积极向上的女大学生")
+            self.personality_side = getattr(
+                personality_config, "personality_side", "用一句话或几句话描述人格的侧面特点"
+            )
+        except AttributeError:
+            # 如果没有personality配置，使用默认值
            self.personality_core = "是一个积极向上的女大学生"
            self.personality_side = "用一句话或几句话描述人格的侧面特点"

@@ -72,12 +121,76 @@ class VideoAnalyzer:
            """请以第一人称视角阅读这些按时间顺序提取的关键帧。\n核心：{personality_core}\n人格：{personality_side}\n请详细描述视频(主题/人物与场景/动作与时间线/视觉风格/情绪氛围/特殊元素)。""",
        )

+        # 新增的线程池配置
+        self.use_multiprocessing = getattr(config, "use_multiprocessing", True)
+        self.max_workers = getattr(config, "max_workers", 2)
+        self.frame_extraction_mode = getattr(config, "frame_extraction_mode", "fixed_number")
+        self.frame_interval_seconds = getattr(config, "frame_interval_seconds", 2.0)
+
+        # 将配置文件中的模式映射到内部使用的模式名称
+        config_mode = getattr(config, "analysis_mode", "auto")
+        if config_mode == "batch_frames":
+            self.analysis_mode = "batch"
+        elif config_mode == "frame_by_frame":
+            self.analysis_mode = "sequential"
+        elif config_mode == "auto":
+            self.analysis_mode = "auto"
+        else:
+            logger.warning(f"无效的分析模式: {config_mode}，使用默认的auto模式")
+            self.analysis_mode = "auto"
+
+        self.frame_analysis_delay = 0.3  # API调用间隔（秒）
+        self.frame_interval = 1.0  # 抽帧时间间隔（秒）
+        self.batch_size = 3  # 批处理时每批处理的帧数
+        self.timeout = 60.0  # 分析超时时间（秒）
+
+        if config:
+            logger.debug("✅ 从配置文件读取视频分析参数")
+        else:
+            logger.warning("配置文件中缺少video_analysis配置，使用默认值")
+
+        # 系统提示词
+        self.system_prompt = "你是一个专业的视频内容分析助手。请仔细观察用户提供的视频关键帧，详细描述视频内容。"
+
+        logger.debug(f"✅ 视频分析器初始化完成，分析模式: {self.analysis_mode}, 线程池: {self.use_multiprocessing}")
+
+        # 获取Rust模块系统信息
+        self._log_system_info()
+
+    def _log_system_info(self):
+        """记录系统信息"""
+        if not RUST_VIDEO_AVAILABLE:
+            logger.info("⚠️ Rust模块不可用，跳过系统信息获取")
+            return
+
        try:
-            self.video_llm = LLMRequest(
-                model_set=model_config.model_task_config.video_analysis, request_type="video_analysis"
-            )
-        except Exception:
-            self.video_llm = LLMRequest(model_set=model_config.model_task_config.vlm, request_type="vlm")
+            system_info = rust_video.get_system_info()
+            logger.debug(f"🔧 系统信息: 线程数={system_info.get('threads', '未知')}")
+
+            # 记录CPU特性
+            features = []
+            if system_info.get("avx2_supported"):
+                features.append("AVX2")
+            if system_info.get("sse2_supported"):
+                features.append("SSE2")
+            if system_info.get("simd_supported"):
+                features.append("SIMD")
+
+            if features:
+                logger.debug(f"🚀 CPU特性: {', '.join(features)}")
+            else:
+                logger.debug("⚠️ 未检测到SIMD支持")
+
+            logger.debug(f"📦 Rust模块版本: {system_info.get('version', '未知')}")
+
+        except Exception as e:
+            logger.warning(f"获取系统信息失败: {e}")
+
+    def _calculate_video_hash(self, video_data: bytes) -> str:
+        """计算视频文件的hash值"""
+        hash_obj = hashlib.sha256()
+        hash_obj.update(video_data)
+        return hash_obj.hexdigest()

        self._log_system()