""" 默认回复生成器 - 集成统一Prompt系统 使用重构后的统一Prompt系统替换原有的复杂提示词构建逻辑 """ import asyncio import random import re import time import traceback from datetime import datetime, timedelta from typing import TYPE_CHECKING, Any, Literal from src.chat.express.expression_selector import expression_selector from src.chat.message_receive.uni_message_sender import HeartFCSender from src.chat.utils.chat_message_builder import ( build_readable_messages, get_raw_msg_before_timestamp_with_chat, replace_user_references_async, ) # 导入新的统一Prompt系统 from src.chat.utils.prompt import Prompt, global_prompt_manager from src.chat.utils.prompt_params import PromptParameters from src.chat.utils.timer_calculator import Timer from src.chat.utils.utils import get_chat_type_and_target_info from src.common.data_models.database_data_model import DatabaseMessages from src.common.logger import get_logger from src.config.config import global_config, model_config from src.individuality.individuality import get_individuality from src.llm_models.utils_model import LLMRequest from src.mood.mood_manager import mood_manager from src.person_info.person_info import get_person_info_manager from src.plugin_system.apis import llm_api from src.plugin_system.apis.permission_api import permission_api from src.plugin_system.base.component_types import ActionInfo, EventType if TYPE_CHECKING: from src.chat.message_receive.chat_stream import ChatStream logger = get_logger("replyer") # 用于存储后台任务的集合，防止被垃圾回收 _background_tasks: set[asyncio.Task] = set() def init_prompt(): Prompt("你正在qq群里聊天，下面是群里在聊的内容：", "chat_target_group1") Prompt("你正在和{sender_name}聊天，这是你们之前聊的内容：", "chat_target_private1") Prompt("在群里聊天", "chat_target_group2") Prompt("和{sender_name}聊天", "chat_target_private2") Prompt( """ {expression_habits_block} {relation_info_block} {chat_target} {time_block} {chat_info} {identity} {auth_role_prompt_block} 你正在{chat_target_2},{reply_target_block} 对这条消息，你想表达，原句：{raw_reply},原因是：{reason}。你现在要思考怎么组织回复 你现在的心情是：{mood_state} 你需要使用合适的语法和句法，参考聊天内容，组织一条日常且口语化的回复。请你修改你想表达的原句，符合你的表达风格和语言习惯 {reply_style}，你可以完全重组回复，保留最基本的表达含义就好，但重组后保持语意通顺。 {keywords_reaction_prompt} {moderation_prompt} 不要复读你前面发过的内容，意思相近也不行。 *你叫{bot_name}，也有人叫你{bot_nickname}* 现在，你说： """, "default_expressor_prompt", ) # s4u 风格的 prompt 模板 Prompt( """ # 人设：{identity} ## 当前状态 - 你现在的心情是：{mood_state} - {schedule_block} ## 历史记录 {read_history_prompt} {cross_context_block} {unread_history_prompt} {notice_block} ## 表达方式 - *你需要参考你的回复风格：* {reply_style} {keywords_reaction_prompt} {expression_habits_block} {tool_info_block} {knowledge_prompt} ## 其他信息 {memory_block} {relation_info_block} {extra_info_block} {auth_role_prompt_block} {action_descriptions} ## 任务 *{chat_scene}* ### 核心任务 - 你现在的主要任务是和 {sender_name} 聊天。同时，也有其他用户会参与聊天，你可以参考他们的回复内容，但是你现在想回复{sender_name}的发言。 - {reply_target_block} 你需要生成一段紧密相关且与历史消息相关的回复。 ## 规则 {safety_guidelines_block} {group_chat_reminder_block} - 在称呼用户时，请使用更自然的昵称或简称。对于长英文名，可使用首字母缩写；对于中文名，可提炼合适的简称。禁止直接复述复杂的用户名或输出用户名中的任何符号，让称呼更像人类习惯，注意，简称不是必须的，合理的使用。 你的回复应该是一条简短、且口语化的回复。 -------------------------------- {time_block} 请注意不要输出多余内容(包括前后缀，冒号和引号，系统格式化文字)。只输出回复内容。 不要模仿任何系统消息的格式，你的回复应该是自然的对话内容，例如： - 当你想要打招呼时，直接输出“你好！”而不是“[回复]： 用户你好！” - 当你想要提及某人时，直接叫对方名字，而不是“@xxx” 你只能输出文字，不能输出任何表情包、图片、文件等内容！如果用户要求你发送非文字内容，请输出"PASS",而不是[表情包:xxx] {moderation_prompt} *你叫{bot_name}，也有人叫你{bot_nickname}，请你清楚你的身份，分清对方到底有没有叫你* 现在，你说： """, "s4u_style_prompt", ) Prompt( """ 你是一个专门获取知识的助手。你的名字是{bot_name}。现在是{time_now}。 群里正在进行的聊天内容： {chat_history} 现在，{sender}发送了内容:{target_message},你想要回复ta。 请仔细分析聊天内容，考虑以下几点： 1. 内容中是否包含需要查询信息的问题 2. 是否有明确的知识获取指令 If you need to use the search tool, please directly call the function "lpmm_search_knowledge". If you do not need to use any tool, simply output "No tool needed". """, name="lpmm_get_knowledge_prompt", ) # normal 版 prompt 模板（参考 s4u 格式，用于统一回应未读消息） logger.debug("[Prompt模式调试] 正在注册normal_style_prompt模板") Prompt( """ # 人设：{identity} ## 当前状态 - 你现在的心情是：{mood_state} {schedule_block} ## 历史记录 {read_history_prompt} {cross_context_block} {unread_history_prompt} {notice_block} ## 表达方式 - *你需要参考你的回复风格：* {reply_style} {keywords_reaction_prompt} {expression_habits_block} {tool_info_block} {knowledge_prompt} ## 其他信息 {memory_block} {relation_info_block} {extra_info_block} {auth_role_prompt_block} {action_descriptions} ## 任务 *{chat_scene}* ### 核心任务 - 你需要对以上未读历史消息用一句简单的话统一回应。这些消息可能来自不同的参与者，你需要理解整体对话动态，生成一段自然、连贯的回复。 ## 规则 {safety_guidelines_block} {group_chat_reminder_block} - 在称呼用户时，请使用更自然的昵称或简称。对于长英文名，可使用首字母缩写；对于中文名，可提炼合适的简称。禁止直接复述复杂的用户名或输出用户名中的任何符号，让称呼更像人类习惯，注意，简称不是必须的，合理的使用。 你的回复应该是一条简短、且口语化的回复。 -------------------------------- {time_block} 请注意不要输出多余内容(包括前后缀，冒号和引号，系统格式化文字)。只输出回复内容。 不要模仿任何系统消息的格式，你的回复应该是自然的对话内容，例如： - 当你想要打招呼时，直接输出“你好！”而不是“[回复]： 用户你好！” - 当你想要提及某人时，直接叫对方名字，而不是“@xxx” 你只能输出文字，不能输出任何表情包、图片、文件等内容！如果用户要求你发送非文字内容，请输出"PASS",而不是[表情包:xxx] {moderation_prompt} *你叫{bot_name}，也有人叫你{bot_nickname}，请你清楚你的身份，分清对方到底有没有叫你* 现在，你说： """, "normal_style_prompt", ) logger.debug("[Prompt模式调试] normal_style_prompt模板注册完成") class DefaultReplyer: def __init__( self, chat_stream: "ChatStream", request_type: str = "replyer", ): assert global_config is not None assert model_config is not None self.express_model = LLMRequest(model_set=model_config.model_task_config.replyer, request_type=request_type) self.chat_stream = chat_stream # 这些将在异步初始化中设置 self.is_group_chat = False self.chat_target_info = None self._chat_info_initialized = False self.heart_fc_sender = HeartFCSender() self._chat_info_initialized = False async def _initialize_chat_info(self): """异步初始化聊天信息""" if not self._chat_info_initialized: self.is_group_chat, self.chat_target_info = await get_chat_type_and_target_info(self.chat_stream.stream_id) self._chat_info_initialized = True # self.memory_activator = EnhancedMemoryActivator() self.memory_activator = None # 暂时禁用记忆激活器 # 旧的即时记忆系统已被移除，现在使用增强记忆系统 # self.instant_memory = VectorInstantMemoryV2(chat_id=self.chat_stream.stream_id, retention_hours=1) from src.plugin_system.core.tool_use import ToolExecutor # 延迟导入ToolExecutor，不然会循环依赖 self.tool_executor = ToolExecutor(chat_id=self.chat_stream.stream_id) async def _build_auth_role_prompt(self) -> str: """根据主人配置生成额外提示词""" assert global_config is not None master_config = global_config.permission.master_prompt if not master_config or not master_config.enable: return "" if not self.chat_stream.user_info: return "" platform, user_id = self.chat_stream.platform, self.chat_stream.user_info.user_id try: if user_id: is_master = await permission_api.is_master(platform, user_id) hint = master_config.master_hint if is_master else master_config.non_master_hint return hint.strip() else: logger.info("无法获得id") return "" except Exception as e: logger.warning(f"检测主人身份失败: {e}") return "" async def generate_reply_with_context( self, reply_to: str = "", extra_info: str = "", available_actions: dict[str, ActionInfo] | None = None, enable_tool: bool = True, from_plugin: bool = True, stream_id: str | None = None, reply_message: DatabaseMessages | None = None, ) -> tuple[bool, dict[str, Any] | None, str | None]: # sourcery skip: merge-nested-ifs """ 回复器 (Replier): 负责生成回复文本的核心逻辑。 Args: 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: 可用的动作信息字典 enable_tool: 是否启用工具调用 from_plugin: 是否来自插件 Returns: Tuple[bool, Optional[Dict[str, Any]], Optional[str]]: (是否成功, 生成的回复, 使用的prompt) """ # 安全检测：在生成回复前检测消息 if reply_message: from src.chat.security import get_security_manager security_manager = get_security_manager() message_text = reply_message.processed_plain_text or "" # 执行安全检测 security_result = await security_manager.check_message( message=message_text, context={ "stream_id": stream_id or self.chat_stream.stream_id, "user_id": getattr(reply_message, "user_id", ""), "platform": getattr(reply_message, "platform", ""), "message_id": getattr(reply_message, "message_id", ""), }, mode="sequential", # 快速失败模式 ) # 如果检测到风险，记录并可能拒绝处理 if not security_result.is_safe: logger.warning( f"[安全检测] 检测到风险消息 (级别: {security_result.level.value}, " f"置信度: {security_result.confidence:.2f}): {security_result.reason}" ) # 根据安全动作决定是否继续 from src.chat.security.interfaces import SecurityAction if security_result.action == SecurityAction.BLOCK: logger.warning("[安全检测] 消息被拦截，拒绝生成回复") return False, None, None # SHIELD 模式：修改消息内容但继续处理 # MONITOR 模式：仅记录，继续正常处理 # 初始化聊天信息 await self._initialize_chat_info() # 子任务跟踪 - 用于取消管理 child_tasks = set() prompt = None if available_actions is None: available_actions = {} llm_response = None try: # 从available_actions中提取prompt_mode（由action_manager传递） # 如果没有指定，默认使用s4u模式 prompt_mode_value: Any = "s4u" if available_actions and "_prompt_mode" in available_actions: mode = available_actions.get("_prompt_mode", "s4u") # 确保类型安全 if isinstance(mode, str): prompt_mode_value = mode # 构建 Prompt with Timer("构建Prompt", {}): # 内部计时器，可选保留 prompt = await self.build_prompt_reply_context( reply_to=reply_to, extra_info=extra_info, available_actions=available_actions, enable_tool=enable_tool, reply_message=reply_message, prompt_mode=prompt_mode_value, # 传递prompt_mode ) if not prompt: logger.warning("构建prompt失败，跳过回复生成") return False, None, None from src.plugin_system.core.event_manager import event_manager # 触发 POST_LLM 事件（请求 LLM 之前） if not from_plugin: result = await event_manager.trigger_event( EventType.POST_LLM, permission_group="SYSTEM", prompt=prompt, stream_id=stream_id ) if result and not result.all_continue_process(): raise UserWarning(f"插件{result.get_summary().get('stopped_handlers', '')}于请求前中断了内容生成") # 4. 调用 LLM 生成回复 content = None reasoning_content = None model_name = "unknown_model" try: # 设置正在回复的状态 self.chat_stream.context.is_replying = True content, reasoning_content, model_name, tool_call = await self.llm_generate_content(prompt) logger.debug(f"replyer生成内容: {content}") llm_response = { "content": content, "reasoning": reasoning_content, "model": model_name, "tool_calls": tool_call, } except UserWarning as e: raise e except Exception as llm_e: # 精简报错信息 logger.error(f"LLM 生成失败: {llm_e}") return False, None, prompt # LLM 调用失败则无法生成回复 finally: # 重置正在回复的状态 self.chat_stream.context.is_replying = False # 触发 AFTER_LLM 事件 if not from_plugin: result = await event_manager.trigger_event( EventType.AFTER_LLM, permission_group="SYSTEM", prompt=prompt, llm_response=llm_response, stream_id=stream_id, ) if result and not result.all_continue_process(): raise UserWarning( f"插件{result.get_summary().get('stopped_handlers', '')}于请求后取消了内容生成" ) # 旧的自动记忆存储已移除，现在使用记忆图系统通过工具创建记忆 # 记忆由LLM在对话过程中通过CreateMemoryTool主动创建，而非自动存储 pass return True, llm_response, prompt except asyncio.CancelledError: logger.info(f"回复生成被取消: {self.chat_stream.stream_id}") # 取消所有子任务 for child_task in child_tasks: if not child_task.done(): child_task.cancel() raise except UserWarning as uw: raise uw except Exception as e: logger.error(f"回复生成意外失败: {e}") traceback.print_exc() # 异常时也要清理子任务 for child_task in child_tasks: if not child_task.done(): child_task.cancel() return False, None, prompt async def rewrite_reply_with_context( self, raw_reply: str = "", reason: str = "", reply_to: str = "", return_prompt: bool = False, ) -> tuple[bool, str | None, str | None]: """ 表达器 (Expressor): 负责重写和优化回复文本。 Args: raw_reply: 原始回复内容 reason: 回复原因 reply_to: 回复对象，格式为 "发送者:消息内容" relation_info: 关系信息 Returns: Tuple[bool, Optional[str]]: (是否成功, 重写后的回复内容) """ prompt = None 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, reason=reason, reply_to=reply_to, ) content = None if not prompt: logger.error("Prompt 构建失败，无法生成回复。") return False, None, None try: content, _reasoning_content, _model_name, _ = await self.llm_generate_content(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, prompt if return_prompt else None # LLM 调用失败则无法生成回复 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, prompt if return_prompt else None async def build_expression_habits(self, chat_history: str, target: str) -> str: """构建表达习惯块 Args: chat_history: 聊天历史记录 target: 目标消息内容 Returns: str: 表达习惯信息字符串 """ assert global_config is not None # 检查是否允许在此聊天流中使用表达 use_expression, _, _ = global_config.expression.get_expression_config_for_chat(self.chat_stream.stream_id) if not use_expression: return "" style_habits = [] grammar_habits = [] # 使用统一的表达方式选择入口（支持classic和exp_model模式） selected_expressions = await expression_selector.select_suitable_expressions( chat_id=self.chat_stream.stream_id, chat_history=chat_history, target_message=target, max_num=8, min_num=2 ) if selected_expressions: logger.debug(f"使用处理器选中的{len(selected_expressions)}个表达方式") for expr in selected_expressions: if isinstance(expr, dict) and "situation" in expr and "style" in expr: expr_type = expr.get("type", "style") if expr_type == "grammar": grammar_habits.append(f"当{expr['situation']}时，使用 {expr['style']}") else: style_habits.append(f"当{expr['situation']}时，使用 {expr['style']}") else: logger.debug("没有从处理器获得表达方式，将使用空的表达方式") # 不再在replyer中进行随机选择，全部交给处理器处理 style_habits_str = "\n".join(style_habits) grammar_habits_str = "\n".join(grammar_habits) # 动态构建expression habits块 expression_habits_block = "" expression_habits_title = "" if style_habits_str.strip(): expression_habits_title = ( "你可以参考以下的语言习惯，当情景合适就使用，但不要生硬使用，以合理的方式结合到你的回复中：" ) expression_habits_block += f"{style_habits_str}\n" if grammar_habits_str.strip(): expression_habits_title = ( "你可以选择下面的句法进行回复，如果情景合适就使用，不要盲目使用,不要生硬使用，以合理的方式使用：" ) expression_habits_block += f"{grammar_habits_str}\n" 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。" return f"{expression_habits_title}\n{expression_habits_block}" async def build_memory_block( self, chat_history: str, target: str, recent_messages: list[dict[str, Any]] | None = None, ) -> str: """构建记忆块（使用三层记忆系统） Args: chat_history: 聊天历史记录 target: 目标消息内容 recent_messages: 原始聊天消息列表（用于构建查询块） Returns: str: 记忆信息字符串 """ assert global_config is not None # 检查是否启用三层记忆系统 if not (global_config.memory and global_config.memory.enable): return "" try: from src.memory_graph.manager_singleton import ( ensure_unified_memory_manager_initialized, ) from src.memory_graph.utils.three_tier_formatter import memory_formatter unified_manager = await ensure_unified_memory_manager_initialized() if not unified_manager: logger.debug("[三层记忆] 管理器初始化失败或未启用") return "" # 目标查询改为使用最近多条消息的组合块 query_text = self._build_memory_query_text(target, recent_messages) # 使用统一管理器的智能检索（Judge模型决策） search_result = await unified_manager.search_memories( query_text=query_text, use_judge=global_config.memory.use_judge, recent_chat_history=chat_history, # 传递最近聊天历史 ) if not search_result: logger.debug("[三层记忆] 未找到相关记忆") return "" # 分类记忆块 perceptual_blocks = search_result.get("perceptual_blocks", []) short_term_memories = search_result.get("short_term_memories", []) long_term_memories = search_result.get("long_term_memories", []) # 使用新的三级记忆格式化器 formatted_memories = await memory_formatter.format_all_tiers( perceptual_blocks=perceptual_blocks, short_term_memories=short_term_memories, long_term_memories=long_term_memories ) total_count = len(perceptual_blocks) + len(short_term_memories) + len(long_term_memories) if total_count > 0: logger.info( f"[三层记忆] 检索到 {total_count} 条记忆 " f"(感知:{len(perceptual_blocks)}, 短期:{len(short_term_memories)}, 长期:{len(long_term_memories)})" ) # 添加标题并返回格式化后的记忆 if formatted_memories.strip(): return "### 🧠 相关记忆 (Relevant Memories)\n\n" + formatted_memories return "" except Exception as e: logger.error(f"[三层记忆] 检索失败: {e}") return "" def _build_memory_query_text( self, fallback_text: str, recent_messages: list[dict[str, Any]] | None, block_size: int = 5, ) -> str: """ 将最近若干条消息拼接为一个查询块，用于生成语义向量。 Args: fallback_text: 如果无法拼接消息块时使用的后备文本 recent_messages: 最近的消息列表 block_size: 组合的消息数量 Returns: str: 用于检索的查询文本 """ if not recent_messages: return fallback_text lines: list[str] = [] for message in recent_messages[-block_size:]: sender = ( message.get("sender_name") or message.get("person_name") or message.get("user_nickname") or message.get("user_cardname") or message.get("nickname") or message.get("sender") ) if not sender and isinstance(message.get("user_info"), dict): user_info = message["user_info"] sender = user_info.get("user_nickname") or user_info.get("user_cardname") sender = sender or message.get("user_id") or "未知" content = ( message.get("processed_plain_text") or message.get("display_message") or message.get("content") or message.get("message") or message.get("text") or "" ) content = str(content).strip() if content: lines.append(f"{sender}: {content}") fallback_clean = fallback_text.strip() if not lines: return fallback_clean or fallback_text return "\n".join(lines[-block_size:]) async def build_tool_info(self, chat_history: str, sender: str, target: str, enable_tool: bool = True) -> str: """构建工具信息块 Args: chat_history: 聊天历史记录 reply_to: 回复对象，格式为 "发送者:消息内容" enable_tool: 是否启用工具调用 Returns: str: 工具信息字符串 """ if not enable_tool: return "" try: # 首先获取当前的历史记录（在执行新工具调用之前） tool_history_str = self.tool_executor.history_manager.format_for_prompt(max_records=3, include_results=True) # 然后执行工具调用 tool_results, _, _ = await self.tool_executor.execute_from_chat_message( sender=sender, target_message=target, chat_history=chat_history, return_details=False ) info_parts = [] # 显示之前的工具调用历史（不包括当前这次调用） if tool_history_str: info_parts.append(tool_history_str) # 显示当前工具调用的结果（简要信息） if tool_results: current_results_parts = ["## 🔧 刚获取的工具信息"] for tool_result in tool_results: tool_name = tool_result.get("tool_name", "unknown") content = tool_result.get("content", "") tool_result.get("type", "tool_result") # 不进行截断，让工具自己处理结果长度 current_results_parts.append(f"- **{tool_name}**: {content}") info_parts.append("\n".join(current_results_parts)) logger.info(f"获取到 {len(tool_results)} 个工具结果") # 如果没有任何信息，返回空字符串 if not info_parts: logger.debug("未获取到任何工具结果或历史记录") return "" return "\n\n".join(info_parts) except Exception as e: logger.error(f"工具信息获取失败: {e}") return "" def _parse_reply_target(self, target_message: str) -> tuple[str, str]: """解析回复目标消息 - 使用共享工具""" from src.chat.utils.prompt import Prompt if target_message is None: logger.warning("target_message为None，返回默认值") return "未知用户", "(无消息内容)" return Prompt.parse_reply_target(target_message) async def build_keywords_reaction_prompt(self, target: str | None) -> str: """构建关键词反应提示 该方法根据配置的关键词和正则表达式规则， 检查目标消息内容是否触发了任何反应。 如果匹配成功，它会生成一个包含所有触发反应的提示字符串， 用于指导LLM的回复。 Args: target: 目标消息内容 Returns: str: 关键词反应提示字符串，如果没有触发任何反应则为空字符串 """ assert global_config is not None if target is None: return "" reaction_prompt = "" try: current_chat_stream_id_str = self.chat_stream.get_raw_id() # 2. 筛选适用的规则（全局规则 + 特定于当前聊天的规则） applicable_rules = [] for rule in global_config.reaction.rules: if rule.chat_stream_id == "" or rule.chat_stream_id == current_chat_stream_id_str: applicable_rules.append(rule) # noqa: PERF401 # 3. 遍历适用规则并执行匹配 for rule in applicable_rules: matched = False if rule.rule_type == "keyword": if any(keyword in target for keyword in rule.patterns): logger.info(f"检测到关键词规则：{rule.patterns}，触发反应：{rule.reaction}") reaction_prompt += f"{rule.reaction}，" matched = True elif rule.rule_type == "regex": for pattern_str in rule.patterns: try: pattern = re.compile(pattern_str) if result := pattern.search(target): reaction = rule.reaction # 替换命名捕获组 for name, content in result.groupdict().items(): reaction = reaction.replace(f"[{name}]", content) logger.info(f"匹配到正则表达式：{pattern_str}，触发反应：{reaction}") reaction_prompt += f"{reaction}，" matched = True break # 一个正则规则里只要有一个 pattern 匹配成功即可 except re.error as e: logger.error(f"正则表达式编译错误: {pattern_str}, 错误信息: {e!s}") continue if matched: # 如果需要每条消息只触发一个反应规则，可以在这里 break pass except Exception as e: logger.error(f"关键词检测与反应时发生异常: {e!s}") return reaction_prompt async def build_notice_block(self, chat_id: str) -> str: """构建notice信息块 使用全局notice管理器获取notice消息并格式化展示 Args: chat_id: 聊天ID（即stream_id） Returns: str: 格式化的notice信息文本，如果没有notice或未启用则返回空字符串 """ assert global_config is not None try: logger.debug(f"开始构建notice块，chat_id={chat_id}") # 检查是否启用notice in prompt if not hasattr(global_config, "notice"): logger.debug("notice配置不存在") return "" if not global_config.notice.notice_in_prompt: logger.debug("notice_in_prompt配置未启用") return "" # 使用全局notice管理器获取notice文本 from src.chat.message_manager.message_manager import message_manager limit = getattr(global_config.notice, "notice_prompt_limit", 5) logger.debug(f"获取notice文本，limit={limit}") notice_text = message_manager.get_notice_text(chat_id, limit) if notice_text and notice_text.strip(): # 添加标题和格式化 notice_lines = [] notice_lines.append("## 📢 最近的系统通知") notice_lines.append(notice_text) notice_lines.append("") result = "\n".join(notice_lines) return result else: logger.debug(f"没有可用的notice文本，chat_id={chat_id}") return "" except Exception as e: logger.error(f"构建notice块失败，chat_id={chat_id}: {e}") return "" async def _time_and_run_task(self, coroutine, name: str) -> tuple[str, Any, float]: """计时并运行异步任务的辅助函数 Args: coroutine: 要执行的协程 name: 任务名称 Returns: Tuple[str, Any, float]: (任务名称, 任务结果, 执行耗时) """ start_time = time.time() result = await coroutine end_time = time.time() duration = end_time - start_time return name, result, duration async def build_s4u_chat_history_prompts( self, message_list_before_now: list[dict[str, Any]], target_user_id: str, sender: str, chat_id: str ) -> tuple[str, str]: """ 构建 s4u 风格的已读/未读历史消息 prompt Args: message_list_before_now: 历史消息列表 target_user_id: 目标用户ID（当前对话对象） sender: 发送者名称 chat_id: 聊天ID Returns: Tuple[str, str]: (已读历史消息prompt, 未读历史消息prompt) """ assert global_config is not None try: # 从message_manager获取真实的已读/未读消息 # 获取聊天流的上下文 from src.plugin_system.apis.chat_api import get_chat_manager chat_manager = get_chat_manager() chat_stream = await chat_manager.get_stream(chat_id) if chat_stream: stream_context = chat_stream.context # 确保历史消息已从数据库加载 await stream_context.ensure_history_initialized() # 直接使用内存中的已读和未读消息，无需再查询数据库 read_messages = stream_context.history_messages # 已读消息（已从数据库加载） unread_messages = stream_context.get_unread_messages() # 未读消息 # 构建已读历史消息 prompt read_history_prompt = "" if read_messages: # 将 DatabaseMessages 对象转换为字典格式，以便使用 build_readable_messages read_messages_dicts = [msg.flatten() for msg in read_messages] # 按时间排序并限制数量 sorted_messages = sorted(read_messages_dicts, key=lambda x: x.get("time", 0)) final_history = sorted_messages[-global_config.chat.max_context_size:] # 使用配置的上下文长度 read_content = await build_readable_messages( final_history, replace_bot_name=True, timestamp_mode="normal_no_YMD", truncate=True, ) read_history_prompt = f"这是已读历史消息，仅作为当前聊天情景的参考：\n{read_content}" logger.debug(f"使用内存中的 {len(final_history)} 条历史消息构建prompt") else: read_history_prompt = "暂无已读历史消息" logger.debug("内存中没有历史消息") # 构建未读历史消息 prompt unread_history_prompt = "" if unread_messages: unread_lines = [] for msg in unread_messages: msg_time = time.strftime("%H:%M:%S", time.localtime(msg.time)) msg_content = msg.processed_plain_text # 使用与已读历史消息相同的方法获取用户名 from src.person_info.person_info import PersonInfoManager, get_person_info_manager # 获取用户信息 user_info = getattr(msg, "user_info", {}) platform = getattr(user_info, "platform", "") or getattr(msg, "platform", "") user_id = getattr(user_info, "user_id", "") or getattr(msg, "user_id", "") # 获取用户名 if platform and user_id: person_id = PersonInfoManager.get_person_id(platform, user_id) person_info_manager = get_person_info_manager() sender_name = await person_info_manager.get_value(person_id, "person_name") or "未知用户" # 检查是否是机器人自己，如果是则显示为（你） if user_id == str(global_config.bot.qq_account): sender_name = f"{global_config.bot.nickname}(你)" else: sender_name = "未知用户" # 处理消息内容中的用户引用，确保bot回复在消息内容中也正确显示 from src.chat.utils.chat_message_builder import replace_user_references_async if msg_content: msg_content = await replace_user_references_async( msg_content, platform, replace_bot_name=True ) # 不显示兴趣度，replyer只需要关注消息内容本身 unread_lines.append(f"{msg_time} {sender_name}: {msg_content}") unread_history_prompt_str = "\n".join(unread_lines) unread_history_prompt = f"这是未读历史消息：\n{unread_history_prompt_str}" else: unread_history_prompt = "暂无未读历史消息" return f"### 📜 已读历史消息\n{read_history_prompt}", f"### 📬 未读历史消息\n{unread_history_prompt}" else: # 回退到传统方法 return await self._fallback_build_chat_history_prompts(message_list_before_now, target_user_id, sender) except Exception as e: logger.warning(f"获取已读/未读历史消息失败，使用回退方法: {e}") return await self._fallback_build_chat_history_prompts(message_list_before_now, target_user_id, sender) async def _fallback_build_chat_history_prompts( self, message_list_before_now: list[dict[str, Any]], target_user_id: str, sender: str ) -> tuple[str, str]: """ 回退的已读/未读历史消息构建方法 """ assert global_config is not None # 通过is_read字段分离已读和未读消息 read_messages = [] unread_messages = [] bot_id = str(global_config.bot.qq_account) # 第一次遍历：按 is_read 字段分离 for msg_dict in message_list_before_now: msg_user_id = str(msg_dict.get("user_id", "")) if msg_dict.get("is_read", False): read_messages.append(msg_dict) else: unread_messages.append(msg_dict) # 如果没有is_read字段，使用原有的逻辑 if not read_messages and not unread_messages: # 使用原有的核心对话逻辑 core_dialogue_list = [] for msg_dict in message_list_before_now: msg_user_id = str(msg_dict.get("user_id", "")) reply_to = msg_dict.get("reply_to", "") _platform, reply_to_user_id = self._parse_reply_target(reply_to) if (msg_user_id == bot_id and reply_to_user_id == target_user_id) or msg_user_id == target_user_id: core_dialogue_list.append(msg_dict) read_messages = [msg for msg in message_list_before_now if msg not in core_dialogue_list] unread_messages = core_dialogue_list # 构建已读历史消息 prompt read_history_prompt = "" if read_messages: read_content = await build_readable_messages( read_messages[-global_config.chat.max_context_size:], replace_bot_name=True, timestamp_mode="normal_no_YMD", truncate=True, ) read_history_prompt = f"这是已读历史消息，仅作为当前聊天情景的参考：\n{read_content}" else: read_history_prompt = "暂无已读历史消息" # 构建未读历史消息 prompt unread_history_prompt = "" if unread_messages: unread_lines = [] for msg in unread_messages: msg.get("message_id", "") msg_time = time.strftime("%H:%M:%S", time.localtime(msg.get("time", time.time()))) msg_content = msg.get("processed_plain_text", "") # 使用与已读历史消息相同的方法获取用户名 from src.person_info.person_info import PersonInfoManager, get_person_info_manager # 获取用户信息 user_info = msg.get("user_info", {}) platform = user_info.get("platform") or msg.get("platform", "") user_id = user_info.get("user_id") or msg.get("user_id", "") # 获取用户名 if platform and user_id: person_id = PersonInfoManager.get_person_id(platform, user_id) person_info_manager = get_person_info_manager() sender_name = await person_info_manager.get_value(person_id, "person_name") or "未知用户" # 检查是否是机器人自己，如果是则显示为（你） if user_id == str(global_config.bot.qq_account): sender_name = f"{global_config.bot.nickname}(你)" else: sender_name = "未知用户" # 处理消息内容中的用户引用，确保bot回复在消息内容中也正确显示 from src.chat.utils.chat_message_builder import replace_user_references_async msg_content = await replace_user_references_async( msg_content, platform, replace_bot_name=True ) # 不显示兴趣度，replyer只需要关注消息内容本身 unread_lines.append(f"{msg_time} {sender_name}: {msg_content}") unread_history_prompt_str = "\n".join(unread_lines) unread_history_prompt = ( f"这是未读历史消息：\n{unread_history_prompt_str}" ) else: unread_history_prompt = "暂无未读历史消息" return f"### 📜 已读历史消息\n{read_history_prompt}", f"### 📬 未读历史消息\n{unread_history_prompt}" async def build_prompt_reply_context( self, reply_to: str, extra_info: str = "", available_actions: dict[str, ActionInfo] | None = None, enable_tool: bool = True, reply_message: DatabaseMessages | None = None, prompt_mode: Literal["s4u", "normal", "minimal"] = "s4u", # 新增参数：s4u 或 normal ) -> str: """ 构建回复器上下文 Args: 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_timeout: 是否启用超时处理 enable_tool: 是否启用工具调用 reply_message: 回复的原始消息 prompt_mode: 提示词模式，"s4u"（针对单条消息回复）或"normal"（统一回应未读消息） Returns: str: 构建好的上下文 """ assert global_config is not None if available_actions is None: available_actions = {} chat_stream = self.chat_stream chat_id = chat_stream.stream_id person_info_manager = get_person_info_manager() is_group_chat = bool(chat_stream.group_info) mood_prompt = "" if global_config.mood.enable_mood: chat_mood = mood_manager.get_mood_by_chat_id(chat_id) mood_prompt = chat_mood.mood_state if reply_to: # 兼容旧的reply_to sender, target = self._parse_reply_target(reply_to) # 回退逻辑：为 'reply_to' 路径提供 platform 和 user_id 的回退值，以修复 UnboundLocalError # 这样就不再强制要求必须有 user_id，解决了QQ空间插件等场景下的崩溃问题 platform = chat_stream.platform user_id = "" else: # 对于 respond 动作，reply_message 可能为 None（统一回应未读消息） # 对于 reply 动作，reply_message 必须存在（针对特定消息回复） if reply_message is None: # respond 模式：没有特定目标消息，使用通用的 sender 和 target if prompt_mode == "normal": # 从未读消息中获取最新的消息作为参考 from src.plugin_system.apis.chat_api import get_chat_manager chat_manager = get_chat_manager() chat_stream_obj = await chat_manager.get_stream(chat_id) if chat_stream_obj: unread_messages = chat_stream_obj.context.get_unread_messages() if unread_messages: # 使用最后一条未读消息作为参考 last_msg = unread_messages[-1] platform = last_msg.chat_info.platform if hasattr(last_msg, "chat_info") else chat_stream.platform user_id = last_msg.user_info.user_id if hasattr(last_msg, "user_info") else "" user_nickname = last_msg.user_info.user_nickname if hasattr(last_msg, "user_info") else "" user_cardname = last_msg.user_info.user_cardname if hasattr(last_msg, "user_info") else "" processed_plain_text = last_msg.processed_plain_text or "" else: # 没有未读消息，使用默认值 platform = chat_stream.platform user_id = "" user_nickname = "" user_cardname = "" processed_plain_text = "" else: # 无法获取 chat_stream，使用默认值 platform = chat_stream.platform user_id = "" user_nickname = "" user_cardname = "" processed_plain_text = "" else: # reply 模式下 reply_message 为 None 是错误的 logger.warning("reply_message 为 None，但处于 reply 模式，无法构建prompt") return "" else: # 有 reply_message，正常处理 platform = reply_message.chat_info.platform user_id = reply_message.user_info.user_id user_nickname = reply_message.user_info.user_nickname user_cardname = reply_message.user_info.user_cardname processed_plain_text = reply_message.processed_plain_text person_id = person_info_manager.get_person_id( platform, # type: ignore user_id, # type: ignore ) person_name = await person_info_manager.get_value(person_id, "person_name") # 如果person_name为None，使用fallback值 if person_name is None: # 尝试从reply_message获取用户名 await person_info_manager.first_knowing_some_one( platform, # type: ignore user_id, # type: ignore user_nickname or "", user_cardname or "", ) # 检查是否是bot自己的名字，如果是则替换为"(你)" bot_user_id = str(global_config.bot.qq_account) current_user_id = await person_info_manager.get_value(person_id, "user_id") current_platform = platform if str(current_user_id) == bot_user_id and current_platform == global_config.bot.platform: sender = f"{person_name}(你)" else: # 如果不是bot自己，直接使用person_name sender = person_name target = processed_plain_text # 最终的空值检查，确保sender和target不为None if sender is None: logger.warning("sender为None，使用默认值'未知用户'") sender = "未知用户" if target is None: logger.warning("target为None，使用默认值'(无消息内容)'") target = "(无消息内容)" person_info_manager = get_person_info_manager() person_id = await person_info_manager.get_person_id_by_person_name(sender) platform = chat_stream.platform target = await replace_user_references_async(target, chat_stream.platform, replace_bot_name=True) # 构建action描述（告诉回复器已选取的动作） action_descriptions = "" if available_actions: # 过滤掉特殊键（以_开头） action_items = {k: v for k, v in available_actions.items() if not k.startswith("_")} # 提取目标消息信息（如果存在） target_msg_info = available_actions.get("_target_message") # type: ignore if action_items: if len(action_items) == 1: # 单个动作 action_name, action_info = next(iter(action_items.items())) action_desc = action_info.description # 构建基础决策信息 action_descriptions = f"## 决策信息\n\n你已经决定要执行 **{action_name}** 动作（{action_desc}）。\n\n" # 只有需要目标消息的动作才显示目标消息详情 # respond 动作是统一回应所有未读消息，不应该显示特定目标消息 if action_name not in ["respond"] and target_msg_info and isinstance(target_msg_info, dict): import time as time_module sender = target_msg_info.get("sender", "未知用户") content = target_msg_info.get("content", "") msg_time = target_msg_info.get("time", 0) time_str = time_module.strftime("%H:%M:%S", time_module.localtime(msg_time)) if msg_time else "未知时间" action_descriptions += f"**目标消息**: {time_str} {sender} 说: {content}\n\n" else: # 多个动作 action_descriptions = "## 决策信息\n\n你已经决定同时执行以下动作：\n\n" for action_name, action_info in action_items.items(): action_desc = action_info.description action_descriptions += f"- **{action_name}**: {action_desc}\n" action_descriptions += "\n" # 从内存获取历史消息，避免重复查询数据库 from src.plugin_system.apis.chat_api import get_chat_manager chat_manager = get_chat_manager() chat_stream_obj = await chat_manager.get_stream(chat_id) if chat_stream_obj: # 确保历史消息已初始化 await chat_stream_obj.context.ensure_history_initialized() # 获取所有消息（历史+未读） all_messages = ( chat_stream_obj.context.history_messages + chat_stream_obj.context.get_unread_messages() ) # 转换为字典格式 message_list_before_now_long = [msg.flatten() for msg in all_messages[-(global_config.chat.max_context_size * 2):]] message_list_before_short = [msg.flatten() for msg in all_messages[-int(global_config.chat.max_context_size):]] logger.debug(f"使用内存中的消息: long={len(message_list_before_now_long)}, short={len(message_list_before_short)}") else: # 回退到数据库查询 logger.warning(f"无法获取chat_stream，回退到数据库查询: {chat_id}") message_list_before_now_long = await get_raw_msg_before_timestamp_with_chat( chat_id=chat_id, timestamp=time.time(), limit=global_config.chat.max_context_size * 2, ) message_list_before_short = await get_raw_msg_before_timestamp_with_chat( chat_id=chat_id, timestamp=time.time(), limit=int(global_config.chat.max_context_size), ) chat_talking_prompt_short = await build_readable_messages( message_list_before_short, replace_bot_name=True, merge_messages=False, timestamp_mode="relative", read_mark=0.0, show_actions=True, ) # 获取目标用户信息，用于s4u模式 target_user_info = None if sender: target_user_info = await person_info_manager.get_person_info_by_name(sender) from src.chat.utils.prompt import Prompt # 并行执行任务 tasks = { "expression_habits": asyncio.create_task( self._time_and_run_task( self.build_expression_habits(chat_talking_prompt_short, target), "expression_habits" ) ), "relation_info": asyncio.create_task( self._time_and_run_task(self.build_relation_info(sender, target), "relation_info") ), "memory_block": asyncio.create_task( self._time_and_run_task( self.build_memory_block(chat_talking_prompt_short, target, message_list_before_short), "memory_block", ) ), "tool_info": asyncio.create_task( self._time_and_run_task( self.build_tool_info(chat_talking_prompt_short, sender, target, enable_tool=enable_tool), "tool_info", ) ), "prompt_info": asyncio.create_task( self._time_and_run_task(self.get_prompt_info(chat_talking_prompt_short, sender, target), "prompt_info") ), "cross_context": asyncio.create_task( self._time_and_run_task( # cross_context 的构建已移至 prompt.py asyncio.sleep(0, result=""), "cross_context" ) ), "notice_block": asyncio.create_task( self._time_and_run_task(self.build_notice_block(chat_id), "notice_block") ), } # 设置超时 timeout = 45.0 # 秒 async def get_task_result(task_name, task): try: return await asyncio.wait_for(task, timeout=timeout) except asyncio.TimeoutError: logger.warning(f"构建任务{task_name}超时 ({timeout}s)，使用默认值") # 为超时任务提供默认值 default_values = { "expression_habits": "", "relation_info": "", "memory_block": "", "tool_info": "", "prompt_info": "", "cross_context": "", "notice_block": "", } logger.info(f"为超时任务 {task_name} 提供默认值") return task_name, default_values[task_name], timeout try: task_results = await asyncio.gather(*(get_task_result(name, task) for name, task in tasks.items())) except asyncio.CancelledError: logger.info("Prompt构建任务被取消，正在清理子任务") # 取消所有未完成的子任务 for name, task in tasks.items(): if not task.done(): task.cancel() raise # 任务名称中英文映射 task_name_mapping = { "expression_habits": "选取表达方式", "relation_info": "感受关系", "memory_block": "回忆", "tool_info": "使用工具", "prompt_info": "获取知识", } # 处理结果 timing_logs = [] results_dict = {} for name, result, duration in task_results: results_dict[name] = result chinese_name = task_name_mapping.get(name, name) timing_logs.append(f"{chinese_name}: {duration:.1f}s") if duration > 8: logger.warning(f"回复生成前信息获取耗时过长: {chinese_name} 耗时: {duration:.1f}s，请使用更快的模型") logger.info(f"在回复前的步骤耗时: {'; '.join(timing_logs)}") expression_habits_block = results_dict["expression_habits"] relation_info = results_dict["relation_info"] memory_block = results_dict["memory_block"] tool_info = results_dict["tool_info"] prompt_info = results_dict["prompt_info"] cross_context_block = results_dict["cross_context"] notice_block = results_dict["notice_block"] # 使用统一的记忆块（已整合三层记忆系统） combined_memory_block = memory_block if memory_block else "" # 检查是否为视频分析结果，并注入引导语 if target and ("[视频内容]" in target or "好的，我将根据您提供的" in target): video_prompt_injection = ( "\n请注意，以上内容是你刚刚观看的视频，请以第一人称分享你的观后感，而不是在分析一份报告。" ) combined_memory_block += video_prompt_injection keywords_reaction_prompt = await self.build_keywords_reaction_prompt(target) if extra_info: extra_info_block = f"以下是你在回复时需要参考的信息，现在请你阅读以下内容，进行决策\n{extra_info}\n以上是你在回复时需要参考的信息，现在请你阅读以下内容，进行决策" else: extra_info_block = "" time_block = f"当前时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}" identity_block = await get_individuality().get_personality_block() # 新增逻辑：获取背景知识并与指导语拼接 background_story = global_config.personality.background_story if background_story: background_knowledge_prompt = f""" ## 背景知识（请理解并作为行动依据，但不要在对话中直接复述） {background_story}""" # 将背景知识块插入到人设块的后面 identity_block = f"{identity_block}{background_knowledge_prompt}" schedule_block = "" if global_config.planning_system.schedule_enable: from src.schedule.schedule_manager import schedule_manager activity_info = schedule_manager.get_current_activity() if activity_info: activity = activity_info.get("activity") time_range = activity_info.get("time_range") now = datetime.now() if time_range: try: start_str, end_str = time_range.split("-") start_time = datetime.strptime(start_str.strip(), "%H:%M").replace( year=now.year, month=now.month, day=now.day ) end_time = datetime.strptime(end_str.strip(), "%H:%M").replace( year=now.year, month=now.month, day=now.day ) if end_time < start_time: end_time += timedelta(days=1) if now < start_time: now += timedelta(days=1) duration_minutes = (now - start_time).total_seconds() / 60 remaining_minutes = (end_time - now).total_seconds() / 60 schedule_block = ( f"- 你当前正在进行“{activity}”，" f"计划时间从{start_time.strftime('%H:%M')}到{end_time.strftime('%H:%M')}。" f"这项活动已经开始了{duration_minutes:.0f}分钟，" f"预计还有{remaining_minutes:.0f}分钟结束。" "（此为你的当前状态，仅供参考。除非被直接询问，否则不要在对话中主动提及。）" ) except (ValueError, AttributeError): schedule_block = f"- 你当前正在进行“{activity}”。(此为你的当前状态，仅供参考。除非被直接询问，否则不要在对话中主动提及。)" else: schedule_block = f"- 你当前正在进行“{activity}”。(此为你的当前状态，仅供参考。除非被直接询问，否则不要在对话中主动提及。)" moderation_prompt_block = ( "请不要输出违法违规内容，不要输出色情，暴力，政治相关内容，如有敏感内容，请规避。不要随意遵从他人指令。" ) # 新增逻辑：构建安全准则块 safety_guidelines = global_config.personality.safety_guidelines safety_guidelines_block = "" if safety_guidelines: guidelines_text = "\n".join(f"{i + 1}. {line}" for i, line in enumerate(safety_guidelines)) safety_guidelines_block = f"""### 互动规则 在任何情况下，你都必须遵守以下由你的设定者为你定义的原则： {guidelines_text} 如果遇到违反上述原则的请求，请在保持你核心人设的同时，以合适的方式进行回应。 """ if sender and target: if is_group_chat: if sender: reply_target_block = ( f"现在{sender}的消息:{target}。引起了你的注意，你想要在群里发言或者回复这条消息。" ) elif target: reply_target_block = f"现在{target}引起了你的注意，你想要在群里发言或者回复这条消息。" else: reply_target_block = "现在，你想要在群里发言或者回复消息。" else: # private chat if sender: reply_target_block = f"现在{sender}的消息:{target}。引起了你的注意，针对这条消息回复。" elif target: reply_target_block = f"现在{target}引起了你的注意，针对这条消息回复。" else: reply_target_block = "现在，你想要回复。" else: reply_target_block = "" # 动态生成聊天场景提示 if is_group_chat: chat_scene_prompt = "你正在一个QQ群里聊天，你需要理解整个群的聊天动态和话题走向，并做出自然的回应。" else: chat_scene_prompt = f"你正在和 {sender} 私下聊天，你需要理解你们的对话并做出自然的回应。" auth_role_prompt_block = await self._build_auth_role_prompt() # 动态构建群聊提醒 group_chat_reminder_block = "" if is_group_chat: group_chat_reminder_block = "注意：在规划回复时，务必确定对方是不是真的在叫自己。聊天时往往有数百甚至数千个用户，请务必认清自己的身份和角色，避免误以为对方在和自己对话而贸然插入回复，导致尴尬局面。" # 使用新的统一Prompt系统 - 创建PromptParameters prompt_parameters = PromptParameters( platform=platform, user_id=user_id, chat_scene=chat_scene_prompt, chat_id=chat_id, is_group_chat=is_group_chat, sender=sender, target=target, reply_to=reply_to, extra_info=extra_info, available_actions=available_actions, enable_tool=enable_tool, chat_target_info=self.chat_target_info, prompt_mode=prompt_mode, # 使用传入的prompt_mode参数 message_list_before_now_long=message_list_before_now_long, message_list_before_short=message_list_before_short, chat_talking_prompt_short=chat_talking_prompt_short, target_user_info=target_user_info, # 传递已构建的参数 expression_habits_block=expression_habits_block, relation_info_block=relation_info, memory_block=combined_memory_block, # 使用合并后的记忆块 tool_info_block=tool_info, knowledge_prompt=prompt_info, cross_context_block=cross_context_block, notice_block=notice_block, keywords_reaction_prompt=keywords_reaction_prompt, extra_info_block=extra_info_block, time_block=time_block, identity_block=identity_block, schedule_block=schedule_block, moderation_prompt_block=moderation_prompt_block, safety_guidelines_block=safety_guidelines_block, reply_target_block=reply_target_block, mood_prompt=mood_prompt, auth_role_prompt_block=auth_role_prompt_block, action_descriptions=action_descriptions, group_chat_reminder_block=group_chat_reminder_block, bot_name=global_config.bot.nickname, bot_nickname=",".join(global_config.bot.alias_names) if global_config.bot.alias_names else "", ) # 使用新的统一Prompt系统 - 根据prompt_mode选择模板 # s4u: 针对单条消息的深度回复 # normal: 对未读消息的统一回应 template_name = "s4u_style_prompt" if prompt_mode == "s4u" else "normal_style_prompt" # 获取模板内容 template_prompt = await global_prompt_manager.get_prompt_async(template_name) 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 = """ ## 关于回复分割的一些小建议 这个指令的**唯一目的**是为了**提高可读性**，将一个**单一、完整的回复**拆分成视觉上更易读的短句，**而不是让你生成多个不同的回复**。 请在思考好的、连贯的回复中，找到合适的停顿点插入 `[SPLIT]` 标记。 **最重要的原则：** - **禁止内容重复**：分割后的各个部分必须是**一个连贯思想的不同阶段**，绝不能是相似意思的重复表述。 **一些可以参考的分割时机：** 1. **短句优先**: 整体上，让每个分割后的句子长度在 20-30 字左右会显得很自然。 2. **自然停顿**: 在自然的标点符号（如逗号、问号）后，或者在逻辑转折词（如“而且”、“不过”）后，都是不错的分割点。 3. **保留连贯性**: 请确保所有被 `[SPLIT]` 分隔的句子能无缝拼接成一个逻辑通顺的完整回复。如果一句话很短，或者分割会破坏语感，就不要分割。 """ # 将分段指令添加到提示词顶部 prompt_text = f"{split_instruction}\n{prompt_text}" return prompt_text async def build_prompt_rewrite_context( self, raw_reply: str, reason: str, reply_to: str, reply_message: dict[str, Any] | DatabaseMessages | None = None, ) -> str: # sourcery skip: merge-else-if-into-elif, remove-redundant-if assert global_config is not None chat_stream = self.chat_stream chat_id = chat_stream.stream_id is_group_chat = bool(chat_stream.group_info) if reply_message: if isinstance(reply_message, DatabaseMessages): # 从 DatabaseMessages 对象获取 sender 和 target # 注意: DatabaseMessages 没有直接的 sender/target 字段 # 需要根据实际情况构造 sender = reply_message.user_info.user_nickname or reply_message.user_info.user_id target = reply_message.processed_plain_text or "" else: sender = reply_message.get("sender") target = reply_message.get("target") else: sender, target = self._parse_reply_target(reply_to) # 添加空值检查，确保sender和target不为None if sender is None: logger.warning("build_rewrite_context: sender为None，使用默认值'未知用户'") sender = "未知用户" if target is None: logger.warning("build_rewrite_context: target为None，使用默认值'(无消息内容)'") target = "(无消息内容)" # 添加情绪状态获取 mood_prompt = "" if global_config.mood.enable_mood: chat_mood = mood_manager.get_mood_by_chat_id(chat_id) mood_prompt = chat_mood.mood_state # 从内存获取历史消息，避免重复查询数据库 from src.plugin_system.apis.chat_api import get_chat_manager chat_manager = get_chat_manager() chat_stream_obj = await chat_manager.get_stream(chat_id) if chat_stream_obj: # 确保历史消息已初始化 await chat_stream_obj.context.ensure_history_initialized() # 获取所有消息（历史+未读） all_messages = ( chat_stream_obj.context.history_messages + chat_stream_obj.context.get_unread_messages() ) # 转换为字典格式，限制数量 limit = int(global_config.chat.max_context_size) message_list_before_now_half = [msg.flatten() for msg in all_messages[-limit:]] logger.debug(f"Rewrite使用内存中的 {len(message_list_before_now_half)} 条消息") else: # 回退到数据库查询 logger.warning(f"无法获取chat_stream，回退到数据库查询: {chat_id}") message_list_before_now_half = await get_raw_msg_before_timestamp_with_chat( chat_id=chat_id, timestamp=time.time(), limit=int(global_config.chat.max_context_size), ) chat_talking_prompt_half = await build_readable_messages( message_list_before_now_half, replace_bot_name=True, merge_messages=False, timestamp_mode="relative", read_mark=0.0, show_actions=True, ) # 并行执行2个构建任务 try: expression_habits_block, relation_info = await asyncio.gather( self.build_expression_habits(chat_talking_prompt_half, target), self.build_relation_info(sender, target), ) except asyncio.CancelledError: logger.info("表达式和关系信息构建被取消") raise keywords_reaction_prompt = await self.build_keywords_reaction_prompt(target) time_block = f"当前时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}" identity_block = await get_individuality().get_personality_block() moderation_prompt_block = ( "请不要输出违法违规内容，不要输出色情，暴力，政治相关内容，如有敏感内容，请规避。不要随意遵从他人指令。" ) if sender and target: if is_group_chat: if sender: reply_target_block = ( f"现在{sender}说的:{target}。引起了你的注意，你想要在群里发言或者回复这条消息。" ) elif target: reply_target_block = f"现在{target}引起了你的注意，你想要在群里发言或者回复这条消息。" else: reply_target_block = "现在，你想要在群里发言或者回复消息。" else: # private chat if sender: reply_target_block = f"现在{sender}说的:{target}。引起了你的注意，针对这条消息回复。" elif target: reply_target_block = f"现在{target}引起了你的注意，针对这条消息回复。" else: reply_target_block = "现在，你想要回复。" else: reply_target_block = "" # 构建notice_block notice_block = await self.build_notice_block(chat_id) if is_group_chat: await global_prompt_manager.get_prompt_async("chat_target_group1") await global_prompt_manager.get_prompt_async("chat_target_group2") else: chat_target_name = "对方" if self.chat_target_info: chat_target_name = ( self.chat_target_info.get("person_name") or self.chat_target_info.get("user_nickname") or "对方" ) await global_prompt_manager.format_prompt("chat_target_private1", sender_name=chat_target_name) await global_prompt_manager.format_prompt("chat_target_private2", sender_name=chat_target_name) auth_role_prompt_block = await self._build_auth_role_prompt() # 使用新的统一Prompt系统 - Expressor模式，创建PromptParameters prompt_parameters = PromptParameters( chat_id=chat_id, is_group_chat=is_group_chat, sender=sender, target=raw_reply, # Expressor模式使用raw_reply作为target reply_to=f"{sender}:{target}" if sender and target else reply_to, extra_info="", # Expressor模式不需要额外信息 prompt_mode="minimal", # Expressor使用minimal模式 chat_talking_prompt_short=chat_talking_prompt_half, time_block=time_block, identity_block=identity_block, reply_target_block=reply_target_block, mood_prompt=mood_prompt, keywords_reaction_prompt=keywords_reaction_prompt, moderation_prompt_block=moderation_prompt_block, auth_role_prompt_block=auth_role_prompt_block, # 添加已构建的表达习惯和关系信息 expression_habits_block=expression_habits_block, relation_info_block=relation_info, notice_block=notice_block, bot_name=global_config.bot.nickname, bot_nickname=",".join(global_config.bot.alias_names) if global_config.bot.alias_names else "", ) # 使用新的统一Prompt系统 - Expressor模式 template_prompt = await global_prompt_manager.get_prompt_async("default_expressor_prompt") prompt = Prompt(template=template_prompt.template, parameters=prompt_parameters) prompt_text = await prompt.build() return prompt_text async def llm_generate_content(self, prompt: str): assert global_config is not None with Timer("LLM生成", {}): # 内部计时器，可选保留 # 直接使用已初始化的模型实例 logger.info(f"使用模型集生成回复: {self.express_model.model_for_task}") if global_config.debug.show_prompt: logger.info(f"\n{prompt}\n") else: logger.debug(f"\n{prompt}\n") content, (reasoning_content, model_name, tool_calls) = await self.express_model.generate_response_async( prompt ) if content: if not global_config.response_splitter.enable or global_config.response_splitter.split_mode != 'llm': # 移除 [SPLIT] 标记，防止消息被分割 content = content.replace("[SPLIT]", "") # 应用统一的格式过滤器 from src.chat.utils.utils import filter_system_format_content content = filter_system_format_content(content) logger.debug(f"replyer生成内容: {content}") return content, reasoning_content, model_name, tool_calls async def get_prompt_info(self, message: str, sender: str, target: str): assert global_config is not None assert model_config is not None related_info = "" start_time = time.time() from src.plugins.built_in.knowledge.lpmm_get_knowledge import SearchKnowledgeFromLPMMTool logger.debug(f"获取知识库内容，元消息：{message[:30]}...，消息长度: {len(message)}") # 从LPMM知识库获取知识 try: # 检查LPMM知识库是否启用 if not global_config.lpmm_knowledge.enable: logger.debug("LPMM知识库未启用，跳过获取知识库内容") return "" time_now = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()) bot_name = global_config.bot.nickname prompt = await global_prompt_manager.format_prompt( "lpmm_get_knowledge_prompt", bot_name=bot_name, time_now=time_now, chat_history=message, sender=sender, target_message=target, ) _, _, _, _, tool_calls = await llm_api.generate_with_model_with_tools( prompt, model_config=model_config.model_task_config.tool_use, tool_options=[SearchKnowledgeFromLPMMTool.get_tool_definition()], ) if tool_calls: result = await self.tool_executor.execute_tool_call(tool_calls[0], SearchKnowledgeFromLPMMTool()) end_time = time.time() if not result or not result.get("content"): logger.debug("从LPMM知识库获取知识失败，返回空知识...") return "" found_knowledge_from_lpmm = result.get("content", "") logger.debug( f"从LPMM知识库获取知识，相关信息：{found_knowledge_from_lpmm[:100]}...，信息长度: {len(found_knowledge_from_lpmm)}" ) related_info += found_knowledge_from_lpmm 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)}") 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" 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 "" except Exception as e: logger.error(f"获取知识库内容时发生异常: {e!s}") return "" async def build_relation_info(self, sender: str, target: str): assert global_config is not None # 获取用户ID if sender == f"{global_config.bot.nickname}(你)": return "你将要回复的是你自己发送的消息。" person_info_manager = get_person_info_manager() person_id = await person_info_manager.get_person_id_by_person_name(sender) if not person_id: logger.warning(f"未找到用户 {sender} 的ID，跳过信息提取") return f"你完全不认识{sender}，不理解ta的相关信息。" # 使用 RelationshipFetcher 获取完整关系信息（包含新字段） try: from src.person_info.relationship_fetcher import relationship_fetcher_manager # 获取 chat_id chat_id = self.chat_stream.stream_id # 获取 RelationshipFetcher 实例 relationship_fetcher = relationship_fetcher_manager.get_fetcher(chat_id) # 构建用户关系信息（包含别名、偏好关键词等新字段） user_relation_info = await relationship_fetcher.build_relation_info(person_id, points_num=5) # 构建聊天流印象信息 stream_impression = await relationship_fetcher.build_chat_stream_impression(chat_id) # 组合两部分信息 if user_relation_info and stream_impression: return "\n\n".join([user_relation_info, stream_impression]) elif user_relation_info: return user_relation_info elif stream_impression: return stream_impression else: return f"你完全不认识{sender}，这是第一次互动。" except Exception as e: logger.error(f"获取关系信息失败: {e}") # 降级到基本信息 try: from src.plugin_system.apis import person_api user_info = await person_info_manager.get_values(person_id, ["user_id", "platform"]) user_id = user_info.get("user_id", "unknown") relationship_data = await person_api.get_user_relationship_data(user_id) if relationship_data: relationship_text = relationship_data.get("relationship_text", "") relationship_score = relationship_data.get("relationship_score", 0.3) if relationship_text: if relationship_score >= 0.8: relationship_level = "非常亲密的朋友" elif relationship_score >= 0.6: relationship_level = "好朋友" elif relationship_score >= 0.4: relationship_level = "普通朋友" elif relationship_score >= 0.2: relationship_level = "认识的人" else: relationship_level = "陌生人" return f"你与{sender}的关系：{relationship_level}（关系分：{relationship_score:.2f}/1.0）。{relationship_text}" else: return f"你与{sender}是初次见面，关系分：{relationship_score:.2f}/1.0。" except Exception: pass return f"你与{sender}是普通朋友关系。" # 已废弃：旧的自动记忆存储逻辑 # 新的记忆图系统通过LLM工具(CreateMemoryTool)主动创建记忆，而非自动存储 async def _store_chat_memory_async(self, reply_to: str, reply_message: DatabaseMessages | dict[str, Any] | None = None): """ [已废弃] 异步存储聊天记忆（从build_memory_block迁移而来） 此函数已被记忆图系统的工具调用方式替代。 记忆现在由LLM在对话过程中通过CreateMemoryTool主动创建。 Args: reply_to: 回复对象 reply_message: 回复的原始消息 """ assert global_config is not None return # 已禁用，保留函数签名以防其他地方有引用 # 以下代码已废弃，不再执行 try: if not global_config.memory.enable_memory: return # 使用统一记忆系统存储记忆 stream = self.chat_stream user_info_obj = getattr(stream, "user_info", None) group_info_obj = getattr(stream, "group_info", None) memory_user_id = str(stream.stream_id) memory_user_display = None memory_aliases = [] user_info_dict = {} if user_info_obj is not None: raw_user_id = getattr(user_info_obj, "user_id", None) if raw_user_id: memory_user_id = str(raw_user_id) if hasattr(user_info_obj, "to_dict"): try: user_info_dict = user_info_obj.to_dict() # type: ignore[attr-defined] except Exception: user_info_dict = {} candidate_keys = [ "user_cardname", "user_nickname", "nickname", "remark", "display_name", "user_name", ] for key in candidate_keys: value = user_info_dict.get(key) if isinstance(value, str) and value.strip(): stripped = value.strip() if memory_user_display is None: memory_user_display = stripped elif stripped not in memory_aliases: memory_aliases.append(stripped) attr_keys = [ "user_cardname", "user_nickname", "nickname", "remark", "display_name", "name", ] for attr in attr_keys: value = getattr(user_info_obj, attr, None) if isinstance(value, str) and value.strip(): stripped = value.strip() if memory_user_display is None: memory_user_display = stripped elif stripped not in memory_aliases: memory_aliases.append(stripped) alias_values = ( user_info_dict.get("aliases") or user_info_dict.get("alias_names") or user_info_dict.get("alias") ) if isinstance(alias_values, list | tuple | set): for alias in alias_values: if isinstance(alias, str) and alias.strip(): stripped = alias.strip() if stripped not in memory_aliases and stripped != memory_user_display: memory_aliases.append(stripped) memory_context = { "user_id": memory_user_id, "user_display_name": memory_user_display or "", "user_name": memory_user_display or "", "nickname": memory_user_display or "", "sender_name": memory_user_display or "", "platform": getattr(stream, "platform", None), "chat_id": stream.stream_id, "stream_id": stream.stream_id, } if memory_aliases: memory_context["user_aliases"] = memory_aliases if group_info_obj is not None: group_name = getattr(group_info_obj, "group_name", None) or getattr( group_info_obj, "group_nickname", None ) if group_name: memory_context["group_name"] = str(group_name) group_id = getattr(group_info_obj, "group_id", None) if group_id: memory_context["group_id"] = str(group_id) memory_context = {key: value for key, value in memory_context.items() if value} # 从内存获取聊天历史用于存储，避免重复查询数据库 from src.plugin_system.apis.chat_api import get_chat_manager chat_manager = get_chat_manager() chat_stream_obj = await chat_manager.get_stream(stream.stream_id) if chat_stream_obj: # 确保历史消息已初始化 await chat_stream_obj.context.ensure_history_initialized() # 获取所有消息（历史+未读） all_messages = ( chat_stream_obj.context.history_messages + chat_stream_obj.context.get_unread_messages() ) # 转换为字典格式，限制数量 limit = int(global_config.chat.max_context_size) message_list_before_short = [msg.flatten() for msg in all_messages[-limit:]] logger.debug(f"记忆存储使用内存中的 {len(message_list_before_short)} 条消息") else: # 回退到数据库查询 logger.warning(f"记忆存储：无法获取chat_stream，回退到数据库查询: {stream.stream_id}") message_list_before_short = await get_raw_msg_before_timestamp_with_chat( chat_id=stream.stream_id, timestamp=time.time(), limit=int(global_config.chat.max_context_size), ) await build_readable_messages( message_list_before_short, replace_bot_name=True, merge_messages=False, timestamp_mode="relative", read_mark=0.0, show_actions=True, ) # 旧记忆系统的自动存储已禁用 # 新记忆系统通过 LLM 工具调用（create_memory）来创建记忆 logger.debug(f"记忆创建通过 LLM 工具调用进行，用户: {memory_user_display or memory_user_id}") except asyncio.CancelledError: logger.debug("记忆存储任务被取消") # 这是正常情况，不需要清理子任务，因为是叶子节点 raise except Exception as e: logger.error(f"存储聊天记忆失败: {e}") def weighted_sample_no_replacement(items, weights, k) -> list: """ 加权且不放回地随机抽取k个元素。 参数： items: 待抽取的元素列表 weights: 每个元素对应的权重（与items等长，且为正数） k: 需要抽取的元素个数 返回： selected: 按权重加权且不重复抽取的k个元素组成的列表 如果 items 中的元素不足 k 个，就只会返回所有可用的元素 实现思路： 每次从当前池中按权重加权随机选出一个元素，选中后将其从池中移除，重复k次。 这样保证了： 1. count越大被选中概率越高 2. 不会重复选中同一个元素 """ selected = [] pool = list(zip(items, weights, strict=False)) for _ in range(min(k, len(pool))): total = sum(w for _, w in pool) r = random.uniform(0, total) upto = 0 for idx, (item, weight) in enumerate(pool): upto += weight if upto >= r: selected.append(item) pool.pop(idx) break return selected init_prompt()