Merge branch 'dev'

src/chat/chat_loop/cycle_processor.py

@@ -311,6 +311,10 @@ class CycleProcessor:
         if reply_actions:
             logger.info(f"{self.log_prefix} 正在执行文本回复...")
             for action in reply_actions:
+                target_user_id = action.get("action_message",{}).get("chat_info_user_id","")
+                if target_user_id == global_config.bot.qq_account and not global_config.chat.allow_reply_self:
+                    logger.warning("选取的reply的目标为bot自己，跳过reply action")
+                    continue
                 result = await execute_action(action)
                 if isinstance(result, Exception):
                     logger.error(f"{self.log_prefix} 回复动作执行异常: {result}")

src/chat/chat_loop/heartFC_chat.py

@@ -379,6 +379,37 @@ class HeartFChatting:
             self.context.last_message_time = time.time()
             self.context.last_read_time = time.time()
 
+            # --- 专注模式安静群组检查 ---
+            quiet_groups = global_config.chat.focus_mode_quiet_groups
+            if quiet_groups and self.context.chat_stream:
+                is_group_chat = self.context.chat_stream.group_info is not None
+                if is_group_chat:
+                    try:
+                        platform = self.context.chat_stream.platform
+                        group_id = self.context.chat_stream.group_info.group_id
+                        
+                        # 兼容不同QQ适配器的平台名称
+                        is_qq_platform = platform in ["qq", "napcat"]
+                        
+                        current_chat_identifier = f"{platform}:{group_id}"
+                        config_identifier_for_qq = f"qq:{group_id}"
+                        
+                        is_in_quiet_list = (current_chat_identifier in quiet_groups or
+                                            (is_qq_platform and config_identifier_for_qq in quiet_groups))
+
+                        if is_in_quiet_list:
+                            is_mentioned_in_batch = False
+                            for msg in recent_messages:
+                                if msg.get("is_mentioned"):
+                                    is_mentioned_in_batch = True
+                                    break
+                            
+                            if not is_mentioned_in_batch:
+                                logger.info(f"{self.context.log_prefix} 在专注安静模式下，因未被提及而忽略了消息。")
+                                return True  # 消耗消息但不做回复
+                    except Exception as e:
+                        logger.error(f"{self.context.log_prefix} 检查专注安静群组时出错: {e}")
+
             # 处理唤醒度逻辑
             if current_sleep_state in [SleepState.SLEEPING, SleepState.PREPARING_SLEEP, SleepState.INSOMNIA]:
                 self._handle_wakeup_messages(recent_messages)

src/chat/chat_loop/proactive/event_scheduler.py

@@ -205,7 +205,7 @@ async def schedule_reminder(
     )
 
 
-async def _execute_reminder_callback(subheartflow_id: str, reminder_text: str):
+async def _execute_reminder_callback(subheartflow_id: str, reminder_text: str, original_message: str = None):
     """执行提醒回调函数"""
     try:
         # 获取对应的subheartflow实例
@@ -219,11 +219,15 @@ async def _execute_reminder_callback(subheartflow_id: str, reminder_text: str):
         # 创建主动思考事件，触发完整的思考流程
         from src.chat.chat_loop.proactive.events import ProactiveTriggerEvent
         
+        # 使用原始消息来构造reason，如果没有原始消息则使用处理后的内容
+        reason_content = original_message if original_message else reminder_text
+        
         event = ProactiveTriggerEvent(
             source="reminder_system",
-            reason=f"定时提醒：{reminder_text}",
+            reason=f"定时提醒：{reason_content}",  # 这里传递完整的原始消息
             metadata={
                 "reminder_text": reminder_text,
+                "original_message": original_message,
                 "trigger_time": datetime.now().isoformat()
             }
         )
@@ -231,7 +235,7 @@ async def _execute_reminder_callback(subheartflow_id: str, reminder_text: str):
         # 通过subflow的HeartFChatting实例触发主动思考
         await subflow.heart_fc_instance.proactive_thinker.think(event)
         
-        logger.info(f"已触发提醒的主动思考，内容: {reminder_text}")
+        logger.info(f"已触发提醒的主动思考，内容: {reminder_text},没有传递那条消息吗？{original_message}")
         
     except Exception as e:
         logger.error(f"执行提醒回调时发生错误: {e}")

src/chat/chat_loop/proactive/proactive_thinker.py

@@ -120,75 +120,61 @@ class ProactiveThinker:
             trigger_event (ProactiveTriggerEvent): 触发事件。
         """
         try:
-            # 如果是提醒事件，跳过规划器，直接构建默认动作
+            # 如果是提醒事件，直接使用当前上下文执行at_user动作
             if trigger_event.source == "reminder_system":
                 # 1. 获取上下文信息
                 metadata = trigger_event.metadata or {}
-                action_message = metadata 
                 reminder_content = trigger_event.reason.replace("定时提醒：", "").strip()
 
-                # 2. 确定目标用户名
+                # 2. 使用LLM智能解析目标用户名
                 target_user_name = None
-                match = re.search(r"艾特一下([^,，\s]+)", reminder_content)
-                if match:
-                    target_user_name = match.group(1)
-                else:
-                    from src.person_info.person_info import get_person_info_manager
-                    user_id = metadata.get("user_id")
-                    platform = metadata.get("platform")
-                    if user_id and platform:
-                        person_id = get_person_info_manager().get_person_id(platform, user_id)
-                        target_user_name = await get_person_info_manager().get_value(person_id, "person_name")
+                
+                # 首先尝试从完整的原始信息中解析（如果有的话）
+                full_content = trigger_event.reason
+                logger.info(f"{self.context.log_prefix} 解析提醒内容: '{full_content}'")
+                
+                sender_name = metadata.get("sender_name")
+                target_user_name = await self._extract_target_user_with_llm(full_content, sender_name)
 
                 if not target_user_name:
                     logger.warning(f"无法从提醒 '{reminder_content}' 中确定目标用户，回退")
-                    raise Exception("无法确定目标用户")
-
-                # 3. 构建动作
-                action_result = {
-                    "action_type": "at_user",
-                    "reasoning": "执行定时提醒",
-                    "action_data": {
-                        "user_name": target_user_name,
-                        "at_message": reminder_content
-                    },
-                    "action_message": action_message
-                }
-
-                # 4. 执行或回退
-                try:
-                    original_chat_id = metadata.get("chat_id")
-                    if not original_chat_id:
-                        if trigger_event.related_message_id:
-                            db_message = await db_get(Messages, {"message_id": trigger_event.related_message_id}, single_result=True) or {}
-                            original_chat_id = db_message.get("chat_id")
-
-                    if not original_chat_id:
-                        raise Exception("提醒事件中缺少chat_id")
-
-                    from src.chat.heart_flow.heartflow import heartflow
-                    subflow = await heartflow.get_or_create_subheartflow(original_chat_id)
-                    if not subflow:
-                        raise Exception(f"无法为chat_id {original_chat_id} 获取subflow")
-                    
-                    success, _, _ = await subflow.heart_fc_instance.cycle_processor._handle_action(
-                        action=action_result["action_type"],
-                        reasoning=action_result["reasoning"],
-                        action_data=action_result["action_data"],
-                        cycle_timers={},
-                        thinking_id="",
-                        action_message=action_result["action_message"],
-                    )
-                    if not success:
-                        raise Exception("at_user action failed")
-                except Exception as e:
-                    logger.warning(f"{self.context.log_prefix} at_user动作执行失败: {e}，回退到proactive_reply")
+                    # 回退到生成普通提醒消息
                     fallback_action = {
                         "action_type": "proactive_reply",
-                        "action_data": {"topic": trigger_event.reason},
-                        "action_message": action_message
+                        "action_data": {"topic": f"定时提醒：{reminder_content}"},
+                        "action_message": metadata
                     }
-                    await self._generate_proactive_content_and_send(fallback_action, trigger_event)
+                    await self._generate_reminder_proactive_reply(fallback_action, trigger_event, reminder_content)
+                    return
+
+                # 3. 直接使用当前上下文的cycle_processor执行at_user动作
+                try:
+                    success, _, _ = await self.cycle_processor._handle_action(
+                        action="at_user",
+                        reasoning="执行定时提醒",
+                        action_data={
+                            "user_name": target_user_name,
+                            "at_message": reminder_content
+                        },
+                        cycle_timers={},
+                        thinking_id="",
+                        action_message=metadata,
+                    )
+                    if success:
+                        logger.info(f"{self.context.log_prefix} 成功执行定时提醒艾特用户 {target_user_name}")
+                        return
+                    else:
+                        raise Exception("at_user action failed")
+                except Exception as e:
+                    logger.warning(f"{self.context.log_prefix} at_user动作执行失败: {e}，回退到专用提醒回复")
+                    # 回退到专用的定时提醒回复
+                    fallback_action = {
+                        "action_type": "proactive_reply",
+                        "action_data": {"topic": f"定时提醒：{reminder_content}"},
+                        "action_message": metadata
+                    }
+                    await self._generate_reminder_proactive_reply(fallback_action, trigger_event, reminder_content)
+                    return
 
             else:
                 # 对于其他来源的主动思考，正常调用规划器
@@ -213,6 +199,149 @@ class ProactiveThinker:
         except Exception as e:
             logger.error(f"{self.context.log_prefix} 主动思考执行异常: {e}")
             logger.error(traceback.format_exc())
+    async def _extract_target_user_with_llm(self, reminder_content: str, sender_name: str) -> str:
+        """
+        使用LLM从提醒内容中提取目标用户名
+
+        Args:
+            reminder_content: 完整的提醒内容
+            sender_name: 消息发送者的昵称
+
+        Returns:
+            提取出的用户名，如果找不到则返回None
+        """
+        try:
+            from src.llm_models.utils_model import LLMRequest
+            from src.config.config import model_config
+
+            bot_name = global_config.bot.nickname
+            user_extraction_prompt = f'''
+从以下提醒消息中提取需要被提醒的目标用户名。
+
+**重要认知**:
+- 你的名字是"{bot_name}"。当消息中提到"{bot_name}"时，通常是在称呼你。
+- 消息的发送者是"{sender_name}"。当消息中出现"我"、"咱"等第一人称代词时，指代的就是"{sender_name}"。
+
+提醒消息: "{reminder_content}"
+
+规则:
+1. 分析消息，找出真正需要被提醒的人。
+2. 如果提醒目标是第一人称（如"我"），那么目标就是发送者"{sender_name}"。
+3. **绝对不能**提取你自己的名字("{bot_name}")作为目标。
+4. 只提取最关键的人名，不要包含多余的词语。
+5. 如果没有明确的提醒目标（既不是其他人，也不是发送者自己），请回答"无"。
+
+示例:
+- 消息: "定时提醒：{bot_name}，10分钟后提醒我去打深渊" -> "{sender_name}"
+- 消息: "定时提醒：{bot_name}，提醒阿范一分钟后去写模组" -> "阿范"
+- 消息: "定时提醒：一分钟后提醒一闪喝水" -> "一闪"
+- 消息: "定时提醒：喝水" -> "无"
+- 消息: "定时提醒：{bot_name}，记得休息" -> "无"
+
+请直接输出提取到的用户名，如果不存在则输出"无"。
+'''
+
+            llm_request = LLMRequest(
+                model_set=model_config.model_task_config.utils_small,
+                request_type="reminder_user_extraction"
+            )
+
+            response, _ = await llm_request.generate_response_async(prompt=user_extraction_prompt)
+
+            if response and response.strip() != "无":
+                logger.info(f"LLM成功提取目标用户: '{response.strip()}'")
+                return response.strip()
+            else:
+                logger.warning(f"LLM未能从 '{reminder_content}' 中提取目标用户")
+                return None
+
+        except Exception as e:
+            logger.error(f"使用LLM提取用户名时出错: {e}")
+            return None
+
+    async def _generate_reminder_proactive_reply(self, action_result: Dict[str, Any], trigger_event: ProactiveTriggerEvent, reminder_content: str):
+        """
+        为定时提醒事件生成专用的主动回复
+        
+        Args:
+            action_result: 动作结果
+            trigger_event: 触发事件
+            reminder_content: 提醒内容
+        """
+        try:
+            logger.info(f"{self.context.log_prefix} 生成定时提醒专用回复: '{reminder_content}'")
+
+            # 获取基本信息
+            bot_name = global_config.bot.nickname
+            personality = global_config.personality
+            identity_block = (
+                f"你的名字是{bot_name}。\n"
+                f"关于你：{personality.personality_core}，并且{personality.personality_side}。\n"
+                f"你的身份是{personality.identity}，平时说话风格是{personality.reply_style}。"
+            )
+            mood_block = f"你现在的心情是：{mood_manager.get_mood_by_chat_id(self.context.stream_id).mood_state}"
+
+            # 获取日程信息
+            schedule_block = "你今天没有日程安排。"
+            if global_config.planning_system.schedule_enable:
+                if current_activity := schedule_manager.get_current_activity():
+                    schedule_block = f"你当前正在：{current_activity}。"
+
+            # 为定时提醒定制的专用提示词
+            reminder_prompt = f"""
+## 你的角色
+{identity_block}
+
+## 你的心情
+{mood_block}
+
+## 你今天的日程安排
+{schedule_block}
+
+## 定时提醒任务
+你收到了一个定时提醒："{reminder_content}"
+这是一个自动触发的提醒事件，你需要根据提醒内容发送一条友好的提醒消息。
+
+## 任务要求
+- 这是一个定时提醒，要体现出你的贴心和关怀
+- 根据提醒内容的具体情况（如"喝水"、"休息"等）给出相应的提醒
+- 保持你一贯的温暖、俏皮风格
+- 可以加上一些鼓励或关心的话语
+- 直接输出提醒消息，不要解释为什么要提醒
+
+请生成一条温暖贴心的提醒消息。
+"""
+
+            response_text = await generator_api.generate_response_custom(
+                chat_stream=self.context.chat_stream,
+                prompt=reminder_prompt,
+                request_type="chat.replyer.reminder",
+            )
+
+            if response_text:
+                response_set = process_human_text(
+                    content=response_text,
+                    enable_splitter=global_config.response_splitter.enable,
+                    enable_chinese_typo=global_config.chinese_typo.enable,
+                )
+                await self.cycle_processor.response_handler.send_response(
+                    response_set, time.time(), action_result.get("action_message")
+                )
+                await store_action_info(
+                    chat_stream=self.context.chat_stream,
+                    action_name="reminder_reply",
+                    action_data={"reminder_content": reminder_content, "response": response_text},
+                    action_prompt_display=f"定时提醒回复: {reminder_content}",
+                    action_done=True,
+                )
+                logger.info(f"{self.context.log_prefix} 成功发送定时提醒回复: {response_text}")
+            else:
+                logger.error(f"{self.context.log_prefix} 定时提醒回复生成失败。")
+
+        except Exception as e:
+            logger.error(f"{self.context.log_prefix} 生成定时提醒回复时异常: {e}")
+            logger.error(traceback.format_exc())
+
 
     async def _get_reminder_context(self, message_id: str) -> str:
         """获取提醒消息的上下文"""

src/chat/chat_loop/response_handler.py

@@ -139,7 +139,7 @@ class ResponseHandler:
         need_reply = new_message_count >= random.randint(2, 4)
 
         reply_text = ""
-        is_proactive_thinking = message_data.get("message_type") == "proactive_thinking"
+        is_proactive_thinking = (message_data.get("message_type") == "proactive_thinking") if message_data else True
 
         first_replied = False
         for reply_seg in reply_set:

src/chat/heart_flow/heartflow_message_processor.py

@@ -160,9 +160,13 @@ class HeartFCMessageReceiver:
                             from src.chat.chat_loop.proactive.events import ProactiveTriggerEvent
                             
                             reminder_content = metadata.get('content', '提醒时间到了')
+                            # 使用原始消息内容作为reason，如果没有则使用处理后的内容
+                            original_message = metadata.get('original_message', '')
+                            reason_content = original_message if original_message else reminder_content
+                            
                             event = ProactiveTriggerEvent(
                                 source="reminder_system",
-                                reason=f"定时提醒：{reminder_content}",
+                                reason=f"定时提醒：{reason_content}",
                                 metadata=metadata,
                                 related_message_id=metadata.get("original_message_id")
                            )
@@ -195,12 +199,14 @@ class HeartFCMessageReceiver:
                     metadata = {
                         "type": "reminder",
                         "user_id": reminder_event.user_id,
+                        "sender_name": userinfo.user_nickname,  # 添加发送者昵称
                         "platform": chat.platform,
                         "chat_id": chat.stream_id,
                         "content": reminder_event.content,
                         "confidence": reminder_event.confidence,
                         "created_at": datetime.now().isoformat(),
-                        "original_message_id": message.message_info.message_id
+                        "original_message_id": message.message_info.message_id,
+                        "original_message": message.processed_plain_text  # 保存完整的原始消息
                     }
                     
                     success = await event_scheduler.schedule_event(

src/chat/planner_actions/action_modifier.py

@@ -205,9 +205,8 @@ class ActionModifier:
 
             elif activation_type == ActionActivationType.RANDOM:
                 probability = action_info.random_activation_probability
-                if probability >= 1.0:
-                    continue  # 概率为100%或更高，直接激活
-                if random.random() > probability:
+                probability = action_info.random_activation_probability
+                if random.random() >= probability:
                     reason = f"RANDOM类型未触发（概率{probability}）"
                     deactivated_actions.append((action_name, reason))
                     logger.debug(f"{self.log_prefix}未激活动作: {action_name}，原因: {reason}")

src/chat/planner_actions/planner.py

@@ -57,30 +57,64 @@ def init_prompt():
 
 {moderation_prompt}
 
-现在请你根据聊天内容和用户的最新消息选择合适的action和触发action的消息:
+**任务: 构建一个完整的响应**
+你的任务是根据当前的聊天内容，构建一个完整的、人性化的响应。一个完整的响应由两部分组成：
+1.  **主要动作**: 这是响应的核心，通常是 `reply`（文本回复）。
+2.  **辅助动作 (可选)**: 这是为了增强表达效果的附加动作，例如 `emoji`（发送表情包）或 `poke_user`（戳一戳）。
+
+**决策流程:**
+1.  首先，决定是否要进行 `reply`。
+2.  然后，评估当前的对话气氛和用户情绪，判断是否需要一个**辅助动作**来让你的回应更生动、更符合你的性格。
+3.  如果需要，选择一个最合适的辅助动作与 `reply` 组合。
+4.  如果用户明确要求了某个动作，请务必优先满足。
+
+**可用动作:**
 {actions_before_now_block}
 
 {no_action_block}
 
 动作：reply
 动作描述：参与聊天回复，发送文本进行表达
-- 你想要闲聊或者随便附
+- 你想要闲聊或者随便附和
 - {mentioned_bonus}
 - 如果你刚刚进行了回复，不要对同一个话题重复回应
 - 不要回复自己发送的消息
 {{
     "action": "reply",
-    "target_message_id":"触发action的消息id",
-    "reason":"回复的原因"
+    "target_message_id": "触发action的消息id",
+    "reason": "回复的原因"
 }}
 
 {action_options_text}
 
-- 如果用户明确要求使用某个动作，请优先选择该动作。
-- 当一个动作可以作为另一个动作的补充时，你应该同时选择它们。例如，在回复的同时可以发送表情包（emoji）。
-你必须从上面列出的可用action中选择一个或多个，并说明触发action的消息id（不是消息原文）和选择该action的原因。消息id格式:m+数字
 
-请根据动作示例，以严格的 JSON 格式输出，返回一个包含所有选定动作的JSON列表。如果只选择一个动作，也请将其包含在列表中。如果没有任何合适的动作，返回一个空列表[]。不要输出markdown格式```json等内容，直接输出且仅包含 JSON 列表内容：
+**输出格式:**
+你必须以严格的 JSON 格式输出，返回一个包含所有选定动作的JSON列表。如果没有任何合适的动作，返回一个空列表[]。
+
+**单动作示例 (仅回复):**
+[
+    {{
+        "action": "reply",
+        "target_message_id": "m123",
+        "reason": "回答用户的问题"
+    }}
+]
+
+**组合动作示例 (回复 + 表情包):**
+[
+    {{
+        "action": "reply",
+        "target_message_id": "m123",
+        "reason": "回答用户的问题"
+    }},
+    {{
+        "action": "emoji",
+        "target_message_id": "m123",
+        "reason": "用一个可爱的表情来缓和气氛"
+    }}
+]
+
+不要输出markdown格式```json等内容，直接输出且仅包含 JSON 列表内容：
 """,
         "planner_prompt",
     )
@@ -148,9 +182,9 @@ def init_prompt():
 动作描述：{action_description}
 {action_require}
 {{
-    "action": "{action_name}",{action_parameters},
-    "target_message_id":"触发action的消息id",
-    "reason":"触发action的原因"
+    "action": "{action_name}",
+    "target_message_id": "触发action的消息id",
+    "reason": "触发action的原因"{action_parameters}
 }}
 """,
         "action_prompt",
@@ -285,7 +319,7 @@ class ActionPlanner:
             action_data = {k: v for k, v in action_json.items() if k not in ["action", "reason"]}
 
             target_message = None
-            if action not in ["no_action", "no_reply"]:
+            if action not in ["no_action", "no_reply", "do_nothing", "proactive_reply"]:
                 if target_message_id := action_json.get("target_message_id"):
                     target_message = self.find_message_by_id(target_message_id, message_id_list)
                     if target_message is None:
@@ -295,7 +329,7 @@ class ActionPlanner:
                     logger.warning(f"{self.log_prefix}动作'{action}'缺少target_message_id")
 
             available_action_names = [name for name, _ in current_available_actions]
-            if action not in ["no_action", "no_reply", "reply"] and action not in available_action_names:
+            if action not in ["no_action", "no_reply", "reply", "do_nothing", "proactive_reply"] and action not in available_action_names:
                 logger.warning(
                     f"{self.log_prefix}LLM 返回了当前不可用或无效的动作: '{action}' (可用: {available_action_names})，将强制使用 'no_action'"
                 )
@@ -409,18 +443,18 @@ class ActionPlanner:
         # --- 3. 后处理 ---
         final_actions = self._filter_no_actions(final_actions)
 
-        # === 强制后处理：确保100%概率的动作在回复时被附带 ===
-        has_reply_action = any(a.get("action_type") == "reply" for a in final_actions)
-        if has_reply_action:
-            for action_name, action_info in available_actions.items():
-                if action_info.activation_type == ActionActivationType.RANDOM and action_info.random_activation_probability >= 1.0:
-                    # 检查此动作是否已被选择
-                    is_already_chosen = any(a.get("action_type") == action_name for a in final_actions)
-                    if not is_already_chosen:
-                        logger.info(f"{self.log_prefix}强制添加100%概率动作: {action_name}")
+        # === 概率模式后处理：根据配置决定是否强制添加 emoji 动作 ===
+        if global_config.emoji.emoji_activate_type == 'random':
+            has_reply_action = any(a.get("action_type") == "reply" for a in final_actions)
+            if has_reply_action:
+                # 检查此动作是否已被选择
+                is_already_chosen = any(a.get("action_type") == 'emoji' for a in final_actions)
+                if not is_already_chosen:
+                    if random.random() < global_config.emoji.emoji_chance:
+                        logger.info(f"{self.log_prefix}根据概率 '{global_config.emoji.emoji_chance}' 添加 emoji 动作")
                         final_actions.append({
-                            "action_type": action_name,
-                            "reasoning": "根据100%概率设置强制添加",
+                            "action_type": 'emoji',
+                            "reasoning": f"根据概率 {global_config.emoji.emoji_chance} 自动添加",
                             "action_data": {},
                             "action_message": self.get_latest_message(used_message_id_list),
                             "available_actions": available_actions,

src/chat/replyer/default_generator.py

@@ -136,7 +136,7 @@ def init_prompt():
 4.  不要浮夸，不要夸张修辞，不要输出多余内容(包括前后缀，冒号和引号，括号()，表情包，at或 @等 )。
 最终请输出一条简短、完整且口语化的回复。
 
---------------------------------
+ --------------------------------
 {time_block}
 
 {reply_target_block}
@@ -823,6 +823,9 @@ class DefaultReplyer:
             sender, target = self._parse_reply_target(reply_to)
         else:
             # 获取 platform，如果不存在则从 chat_stream 获取，如果还是 None 则使用默认值
+            if reply_message is None:
+                logger.warning("reply_message 为 None，无法构建prompt")
+                return ""
             platform = reply_message.get("chat_info_platform")
             person_id = person_info_manager.get_person_id(
                 platform,  # type: ignore
@@ -1021,6 +1024,25 @@ class DefaultReplyer:
         prompt = Prompt(template=template_prompt.template, parameters=prompt_parameters)
         prompt_text = await prompt.build()
 
+        # --- 动态添加分割指令 ---
+        if global_config.response_splitter.enable and global_config.response_splitter.split_mode == "llm":
+            split_instruction = """
+## 消息分段艺术
+为了模仿真实人类的聊天节奏，你可以在需要时将一条回复分成几段发送。
+
+**核心原则**: 只有当分段能**增强表达效果**或**控制信息节奏**时，才在断句处使用 `[SPLIT]` 标记。
+
+**参考场景**:
+- 当你想表达一个转折或停顿时。
+- 当你想先说结论，再补充说明时。
+
+**任务**: 请结合你的智慧和人设，自然地决定是否需要分段。如果需要，请在最恰当的位置插入 `[SPLIT]` 标记。
+"""
+            # 在 "现在，你说：" 之前插入
+            parts = prompt_text.rsplit("现在，你说：", 1)
+            if len(parts) == 2:
+                prompt_text = f"{parts[0]}{split_instruction}\n现在，你说：{parts[1]}"
+
         return prompt_text
 
     async def build_prompt_rewrite_context(

src/chat/utils/utils.py

@@ -331,8 +331,23 @@ def process_llm_response(text: str, enable_splitter: bool = True, enable_chinese
     )
 
     if global_config.response_splitter.enable and enable_splitter:
-        split_sentences = split_into_sentences_w_remove_punctuation(cleaned_text)
+        logger.info(f"回复分割器已启用，模式: {global_config.response_splitter.split_mode}。")
+        
+        split_mode = global_config.response_splitter.split_mode
+        
+        if split_mode == "llm" and "[SPLIT]" in cleaned_text:
+            logger.debug("检测到 [SPLIT] 标记，使用 LLM 自定义分割。")
+            split_sentences_raw = cleaned_text.split("[SPLIT]")
+            split_sentences = [s.strip() for s in split_sentences_raw if s.strip()]
+        else:
+            if split_mode == "llm":
+                logger.debug("未检测到 [SPLIT] 标记，本次不进行分割。")
+                split_sentences = [cleaned_text]
+            else: # mode == "punctuation"
+                logger.debug("使用基于标点的传统模式进行分割。")
+                split_sentences = split_into_sentences_w_remove_punctuation(cleaned_text)
     else:
+        logger.debug("回复分割器已禁用。")
         split_sentences = [cleaned_text]
 
     sentences = []

src/config/official_configs.py

@@ -73,8 +73,12 @@ class ChatConfig(ValidatedConfigBase):
     talk_frequency: float = Field(default=1.0, description="聊天频率")
     mentioned_bot_inevitable_reply: bool = Field(default=False, description="提到机器人的必然回复")
     at_bot_inevitable_reply: bool = Field(default=False, description="@机器人的必然回复")
+    allow_reply_self: bool = Field(default=False, description="是否允许回复自己说的话")
     talk_frequency_adjust: list[list[str]] = Field(default_factory=lambda: [], description="聊天频率调整")
     focus_value: float = Field(default=1.0, description="专注值")
+    focus_mode_quiet_groups: List[str] = Field(
+        default_factory=list, description='专注模式下需要保持安静的群组列表, 格式: ["platform:group_id1", "platform:group_id2"]'
+    )
     force_reply_private: bool = Field(default=False, description="强制回复私聊")
     group_chat_mode: Literal["auto", "normal", "focus"] = Field(default="auto", description="群聊模式")
     timestamp_display_mode: Literal["normal", "normal_no_YMD", "relative"] = Field(
@@ -381,6 +385,7 @@ class EmojiConfig(ValidatedConfigBase):
     content_filtration: bool = Field(default=False, description="内容过滤")
     filtration_prompt: str = Field(default="符合公序良俗", description="过滤提示")
     enable_emotion_analysis: bool = Field(default=True, description="启用情感分析")
+    max_context_emojis: int = Field(default=30, description="每次随机传递给LLM的表情包最大数量，0为全部")
 
 
 class MemoryConfig(ValidatedConfigBase):
@@ -471,6 +476,7 @@ class ResponseSplitterConfig(ValidatedConfigBase):
     """回复分割器配置类"""
 
     enable: bool = Field(default=True, description="启用")
+    split_mode: str = Field(default="llm", description="分割模式: 'llm' 或 'punctuation'")
     max_length: int = Field(default=256, description="最大长度")
     max_sentence_num: int = Field(default=3, description="最大句子数")
     enable_kaomoji_protection: bool = Field(default=False, description="启用颜文字保护")

src/plugins/built_in/at_user_plugin/plugin.py

@@ -28,9 +28,9 @@ class AtAction(BaseAction):
     # === 功能描述（必须填写）===
     action_parameters = {"user_name": "需要艾特用户的名字", "at_message": "艾特用户时要发送的消息"}
     action_require = [
-        "当需要艾特某个用户时使用",
-        "当你需要提醒特定用户查看消息时使用",
-        "在回复中需要明确指向某个用户时使用",
+        "当用户明确要求你去'叫'、'喊'、'提醒'或'艾特'某人时使用",
+        "当你判断，为了让特定的人看到消息，需要代表用户去呼叫他/她时使用",
+        "例如：'你去叫一下张三'，'提醒一下李四开会'",
     ]
     llm_judge_prompt = """
     判定是否需要使用艾特用户动作的条件：
@@ -70,15 +70,49 @@ class AtAction(BaseAction):
         if not member_list:
             return False, "群成员列表为空"
 
-        # 使用模糊匹配找到最接近的用户名
-        choices = {member["card"] or member["nickname"]: member["user_id"] for member in member_list}
-        best_match, score = process.extractOne(user_name, choices.keys())
+        # 优化用户匹配逻辑
+        best_match = None
+        user_id = None
+
+        # 1. 完全精确匹配
+        for member in member_list:
+            card = member.get("card", "")
+            nickname = member.get("nickname", "")
+            if user_name == card or user_name == nickname:
+                best_match = card if user_name == card else nickname
+                user_id = member["user_id"]
+                logger.info(f"找到完全精确匹配: '{user_name}' -> '{best_match}' (ID: {user_id})")
+                break
         
-        if score < 30: # 设置一个匹配度阈值
-            logger.info(f"找不到与 '{user_name}' 高度匹配的用户 (最佳匹配: {best_match}, 分数: {score})")
-            return False, "用户不存在"
+        # 2. 包含关系匹配
+        if not best_match:
+            containing_matches = []
+            for member in member_list:
+                card = member.get("card", "")
+                nickname = member.get("nickname", "")
+                if user_name in card:
+                    containing_matches.append((card, member["user_id"]))
+                elif user_name in nickname:
+                    containing_matches.append((nickname, member["user_id"]))
             
-        user_id = choices[best_match]
+            if containing_matches:
+                # 选择最短的匹配项，因为通常更精确
+                best_match, user_id = min(containing_matches, key=lambda x: len(x[0]))
+                logger.info(f"找到包含关系匹配: '{user_name}' -> '{best_match}' (ID: {user_id})")
+
+        # 3. 模糊匹配作为兜底
+        if not best_match:
+            choices = {member["card"] or member["nickname"]: member["user_id"] for member in member_list}
+            fuzzy_match, score = process.extractOne(user_name, choices.keys())
+            if score >= 60: # 维持较高的阈值
+                best_match = fuzzy_match
+                user_id = choices[best_match]
+                logger.info(f"找到模糊匹配: '{user_name}' -> '{best_match}' (ID: {user_id}, Score: {score})")
+        
+        if not best_match:
+            logger.warning(f"所有匹配策略都未能找到用户: '{user_name}'")
+            return False, "用户不存在"
+        
         user_info = {"user_id": user_id, "user_nickname": best_match}
 
         try:
@@ -93,24 +127,39 @@ class AtAction(BaseAction):
                 return False, "聊天流不存在"
             
             replyer = DefaultReplyer(chat_stream)
-            extra_info = f"你需要艾特用户 {user_name} 并回复他们说: {at_message}"
-            
+            # 优化提示词，消除记忆割裂感
+            reminder_task = at_message.replace("定时提醒：", "").strip()
+            extra_info = f"""你之前记下了一个提醒任务：'{reminder_task}'
+现在时间到了，你需要去提醒用户 '{user_name}'。
+
+**重要规则**：
+- 你的任务**只**是生成提醒的**内容**。
+- **绝对不要**在你的回复中包含任何`@`符号或者目标用户的名字。真正的@操作会由系统自动完成。
+- 像一个朋友一样，自然地完成这个提醒，而不是生硬地复述任务。
+
+请直接输出提醒的**内容**。"""
+
             success, llm_response, _ = await replyer.generate_reply_with_context(
-                reply_to=f"{user_name}:{at_message}",
+                reply_to=f"是时候提醒'{user_name}'了",  # 内部上下文，更符合执行任务的语境
                 extra_info=extra_info,
                 enable_tool=False,
-                from_plugin=False
+                from_plugin=True  # 标记为插件调用，以便LLM更好地理解上下文
             )
             
             if not success or not llm_response:
                 logger.error("回复器生成回复失败")
                 return False, "回复生成失败"
             
-            final_message = llm_response.get("content", "")
-            if not final_message:
+            final_message_raw = llm_response.get("content", "")
+            if not final_message_raw:
                 logger.warning("回复器生成了空内容")
                 return False, "回复内容为空"
 
+            # 对LLM生成的内容进行后处理，解析[SPLIT]标记并将分段消息合并
+            from src.chat.utils.utils import process_llm_response
+            final_message_segments = process_llm_response(final_message_raw, enable_splitter=True, enable_chinese_typo=False)
+            final_message = " ".join(final_message_segments)
+
             await self.send_command(
                 "SEND_AT_MESSAGE",
                 args={"group_id": self.chat_stream.group_info.group_id, "qq_id": user_id, "text": final_message},

src/plugins/built_in/core_actions/emoji.py

@@ -1,5 +1,7 @@
 import random
 from typing import Tuple
+from collections import deque
+import json
 
 # 导入新插件系统
 from src.plugin_system import BaseAction, ActionActivationType, ChatMode
@@ -9,7 +11,7 @@ from src.common.logger import get_logger
 
 # 导入API模块 - 标准Python包方式
 from src.plugin_system.apis import llm_api, message_api
-from src.chat.emoji_system.emoji_manager import get_emoji_manager
+from src.chat.emoji_system.emoji_manager import get_emoji_manager, MaiEmoji
 from src.chat.utils.utils_image import image_path_to_base64
 from src.config.config import global_config
 
@@ -20,6 +22,7 @@ logger = get_logger("emoji")
 class EmojiAction(BaseAction):
     """表情动作 - 发送表情包"""
 
+    # --- 类级别属性 ---
     # 激活设置
     if global_config.emoji.emoji_activate_type == "llm":
         activation_type = ActionActivationType.LLM_JUDGE
@@ -33,6 +36,9 @@ class EmojiAction(BaseAction):
     # 动作基本信息
     action_name = "emoji"
     action_description = "发送表情包辅助表达情绪"
+    
+    # 最近发送表情的历史记录
+    _sent_emoji_history = deque(maxlen=4)
 
     # LLM判断提示词
     llm_judge_prompt = """
@@ -67,104 +73,106 @@ class EmojiAction(BaseAction):
             reason = self.action_data.get("reason", "表达当前情绪")
             logger.info(f"{self.log_prefix} 发送表情原因: {reason}")
 
-            # 2. 获取所有表情包
+            # 2. 获取所有有效的表情包对象
             emoji_manager = get_emoji_manager()
-            all_emojis_obj = [e for e in emoji_manager.emoji_objects if not e.is_deleted]
+            all_emojis_obj: list[MaiEmoji] = [e for e in emoji_manager.emoji_objects if not e.is_deleted and e.description]
             if not all_emojis_obj:
-                logger.warning(f"{self.log_prefix} 无法获取任何表情包")
-                return False, "无法获取任何表情包"
+                logger.warning(f"{self.log_prefix} 无法获取任何带有描述的有效表情包")
+                return False, "无法获取任何带有描述的有效表情包"
 
-            # 3. 准备情感数据和后备列表
-            emotion_map = {}
-            all_emojis_data = [] 
-            
-            for emoji in all_emojis_obj:
-                b64 = image_path_to_base64(emoji.full_path)
-                if not b64:
-                    continue
-                
-                desc = emoji.description
-                emotions = emoji.emotion
-                all_emojis_data.append((b64, desc))
-
-                for emo in emotions:
-                    if emo not in emotion_map:
-                        emotion_map[emo] = []
-                    emotion_map[emo].append((b64, desc))
-
-            if not all_emojis_data:
-                logger.warning(f"{self.log_prefix} 无法加载任何有效的表情包数据")
-                return False, "无法加载任何有效的表情包数据"
-
-            available_emotions = list(emotion_map.keys())
-            emoji_base64, emoji_description = "", ""
-
-            if not available_emotions:
-                logger.warning(f"{self.log_prefix} 获取到的表情包均无情感标签, 将随机发送")
-                emoji_base64, emoji_description = random.choice(all_emojis_data)
+            # 3. 根据新配置项决定抽样数量
+            sample_size = global_config.emoji.max_context_emojis
+            if sample_size > 0 and len(all_emojis_obj) > sample_size:
+                sampled_emojis = random.sample(all_emojis_obj, sample_size)
             else:
-                # 获取最近的5条消息内容用于判断
-                recent_messages = message_api.get_recent_messages(chat_id=self.chat_id, limit=5)
-                messages_text = ""
-                if recent_messages:
-                    messages_text = message_api.build_readable_messages(
-                        messages=recent_messages,
-                        timestamp_mode="normal_no_YMD",
-                        truncate=False,
-                        show_actions=False,
-                    )
+                sampled_emojis = all_emojis_obj # 0表示全部
 
-                # 4. 构建prompt让LLM选择情感
-                prompt = f"""
-                你是一个正在进行聊天的网友，你需要根据一个理由和最近的聊天记录，从一个情感标签列表中选择最匹配的一个。
-                这是最近的聊天记录：
-                {messages_text}
-                
-                这是理由：“{reason}”
-                这里是可用的情感标签：{available_emotions}
-                请直接返回最匹配的那个情感标签，不要进行任何解释或添加其他多余的文字。
-                """
+            # 4. 为抽样的表情包创建带编号的描述列表
+            prompt_emoji_list = []
+            for i, emoji in enumerate(sampled_emojis):
+                prompt_emoji_list.append(f"{i + 1}. {emoji.description}")
+            
+            prompt_emoji_str = "\n".join(prompt_emoji_list)
+            chosen_emoji_obj: MaiEmoji = None
 
-                if global_config.debug.show_prompt:
-                    logger.info(f"{self.log_prefix} 生成的LLM Prompt: {prompt}")
-                else:
-                    logger.debug(f"{self.log_prefix} 生成的LLM Prompt: {prompt}")
-
-                # 5. 调用LLM
-                models = llm_api.get_available_models()
-                chat_model_config = models.get("utils_small")
-                if not chat_model_config:
-                    logger.error(f"{self.log_prefix} 未找到'utils_small'模型配置，无法调用LLM")
-                    return False, "未找到'utils_small'模型配置"
-
-                success, chosen_emotion, _, _ = await llm_api.generate_with_model(
-                    prompt, model_config=chat_model_config, request_type="emoji"
+            # 5. 获取最近的5条消息内容用于判断
+            recent_messages = message_api.get_recent_messages(chat_id=self.chat_id, limit=5)
+            messages_text = ""
+            if recent_messages:
+                messages_text = message_api.build_readable_messages(
+                    messages=recent_messages,
+                    timestamp_mode="normal_no_YMD",
+                    truncate=False,
+                    show_actions=False,
                 )
 
-                if not success:
-                    logger.warning(f"{self.log_prefix} LLM调用失败: {chosen_emotion}, 将随机选择一个表情包")
-                    emoji_base64, emoji_description = random.choice(all_emojis_data)
-                else:
-                    chosen_emotion = chosen_emotion.strip().replace('"', "").replace("'", "")
-                    logger.info(f"{self.log_prefix} LLM选择的情感: {chosen_emotion}")
+            # 6. 构建prompt让LLM选择编号
+            prompt = f"""
+            你是一个正在进行聊天的网友，你需要根据一个理由和最近的聊天记录，从一个带编号的表情包描述列表中选择最匹配的 **3个** 表情包，并按匹配度从高到低返回它们的编号。
+            这是最近的聊天记录：
+            {messages_text}
+            
+            这是理由：“{reason}”
+            这里是可用的表情包详细描述列表：
+            {prompt_emoji_str}
+            请直接返回一个包含3个最匹配表情包编号的有序JSON列表，例如：[10, 2, 5]，不要进行任何解释或添加其他多余的文字。
+            """
 
-                    if chosen_emotion in emotion_map:
-                        emoji_base64, emoji_description = random.choice(emotion_map[chosen_emotion])
-                        logger.info(f"{self.log_prefix} 找到匹配情感 '{chosen_emotion}' 的表情包: {emoji_description}")
+            # 7. 调用LLM
+            models = llm_api.get_available_models()
+            chat_model_config = models.get("planner")
+            if not chat_model_config:
+                logger.error(f"{self.log_prefix} 未找到 'planner' 模型配置，无法调用LLM")
+                return False, "未找到 'planner' 模型配置"
+
+            success, chosen_indices_str, _, _ = await llm_api.generate_with_model(
+                prompt, model_config=chat_model_config, request_type="emoji_selection"
+            )
+
+            selected_emoji_obj = None
+            if success:
+                try:
+                    chosen_indices = json.loads(chosen_indices_str)
+                    if isinstance(chosen_indices, list):
+                        logger.info(f"{self.log_prefix} LLM选择的表情编号候选项: {chosen_indices}")
+                        for index in chosen_indices:
+                            if isinstance(index, int) and 1 <= index <= len(sampled_emojis):
+                                candidate_emoji = sampled_emojis[index - 1]
+                                if candidate_emoji.hash not in self._sent_emoji_history:
+                                    selected_emoji_obj = candidate_emoji
+                                    break
                     else:
-                        logger.warning(
-                            f"{self.log_prefix} LLM选择的情感 '{chosen_emotion}' 不在可用列表中, 将随机选择一个表情包"
-                        )
-                        emoji_base64, emoji_description = random.choice(all_emojis_data)
+                        logger.warning(f"{self.log_prefix} LLM返回的不是一个列表: {chosen_indices_str}")
+                except (json.JSONDecodeError, TypeError):
+                    logger.warning(f"{self.log_prefix} 解析LLM返回的编号列表失败: {chosen_indices_str}")
 
-            # 7. 发送表情包
-            success = await self.send_emoji(emoji_base64)
+            if selected_emoji_obj:
+                chosen_emoji_obj = selected_emoji_obj
+                logger.info(f"{self.log_prefix} 从候选项中选择表情: {chosen_emoji_obj.description}")
+            else:
+                if not success:
+                    logger.warning(f"{self.log_prefix} LLM调用失败, 将随机选择一个表情包")
+                else:
+                    logger.warning(f"{self.log_prefix} 所有候选项均在最近发送历史中, 将随机选择")
+                
+                selectable_emojis = [e for e in all_emojis_obj if e.hash not in self._sent_emoji_history]
+                if not selectable_emojis:
+                    selectable_emojis = all_emojis_obj
+                chosen_emoji_obj = random.choice(selectable_emojis)
 
-            if not success:
-                logger.error(f"{self.log_prefix} 表情包发送失败")
-                return False, "表情包发送失败"
+            # 8. 发送表情包并更新历史记录
+            if chosen_emoji_obj:
+                emoji_base64 = image_path_to_base64(chosen_emoji_obj.full_path)
+                if emoji_base64:
+                    send_success = await self.send_emoji(emoji_base64)
+                    if send_success:
+                        self._sent_emoji_history.append(chosen_emoji_obj.hash)
+                        logger.info(f"{self.log_prefix} 表情包发送成功: {chosen_emoji_obj.description}")
+                        logger.debug(f"{self.log_prefix} 最近表情历史: {list(self._sent_emoji_history)}")
+                        return True, f"发送表情包: {chosen_emoji_obj.description}"
 
-            return True, f"发送表情包: {emoji_description}"
+            logger.error(f"{self.log_prefix} 表情包发送失败")
+            return False, "表情包发送失败"
 
         except Exception as e:
             logger.error(f"{self.log_prefix} 表情动作执行失败: {e}", exc_info=True)