Mofox-Core/src/chat/replyer/default_generator.py

"""
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 Any

from src.chat.express.expression_selector import expression_selector
from src.chat.message_receive.chat_stream import ChatStream
from src.chat.message_receive.message import MessageSending, Seg, UserInfo
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,
)
from src.chat.utils.memory_mappings import get_memory_type_chinese_label

# 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

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。
不要浮夸，不要夸张修辞，平淡且不要输出多余内容(包括前后缀，冒号和引号，括号，表情包，at或 @等 )，只输出一条回复就好。

**【！！！绝对禁止！！！】在回复中输出任何格式化标记**：
- **核心原则**: 你的回复**只能**包含纯粹的口语化文本。任何看起来像程序指令、系统提示或格式标签的内容都**绝对不允许**出现在你的回复里。
- **禁止模仿系统消息**: 绝对禁止输出任何类似 `[回复<xxx>：xxx]`、`[表情包：xxx]`、`[图片：xxx]` 的格式。这些都是系统用于展示消息的方式，不是你应该说的话。
- **禁止模仿动作指令**: 绝对禁止输出 `[戳了戳]` 或 `[poke]`。这类互动由名为 `poke_user` 的特殊动作处理，不是文本消息。
- **正确提及用户**: 如果想提到某人，直接说“你”或他/她的名字，绝对禁止使用 `[回复<某人>]` 或 `@某人` 的格式。
- **正确表达情绪**: 如果想表达笑的情绪，直接说“哈哈”、“嘻嘻”等，绝对禁止使用 `[表情包：笑哭]` 这样的文字。

*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
### 📜 已读历史消息
{read_history_prompt}

{cross_context_block}

### 📬 未读历史消息
{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}

你的回复应该是一条简短、完整且口语化的回复。

 --------------------------------
{time_block}

请注意不要输出多余内容(包括前后缀，冒号和引号，at或 @等 )。只输出回复内容。

**【！！！绝对禁止！！！】在回复中输出任何格式化标记**：
- **核心原则**: 你的回复**只能**包含纯粹的口语化文本。任何看起来像程序指令、系统提示或格式标签的内容都**绝对不允许**出现在你的回复里。
- **禁止模仿系统消息**: 绝对禁止输出任何类似 `[回复<xxx>：xxx]`、`[表情包：xxx]`、`[图片：xxx]` 的格式。这些都是系统用于展示消息的方式，不是你应该说的话。
- **禁止模仿动作指令**: 绝对禁止输出 `[戳了戳]` 或 `[poke]`。这类互动由名为 `poke_user` 的特殊动作处理，不是文本消息。
- **正确提及用户**: 如果想提到某人，直接说“你”或他/她的名字，绝对禁止使用 `[回复<某人>]` 或 `@某人` 的格式。
- **正确表达情绪**: 如果想表达笑的情绪，直接说“哈哈”、“嘻嘻”等，绝对禁止使用 `[表情包：笑哭]` 这样的文字。

{moderation_prompt}

*你叫{bot_name}，也有人叫你{bot_nickname}*

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（0.9之前的简化模式）
    logger.debug("[Prompt模式调试] 正在注册normal_style_prompt模板")
    Prompt(
        """
{chat_scene}

**重要：消息针对性判断**
在回应之前，首先分析消息的针对性：
1. **直接针对你**：@你、回复你、明确询问你 → 必须回应
2. **间接相关**：涉及你感兴趣的话题但未直接问你 → 谨慎参与
3. **他人对话**：与你无关的私人交流 → 通常不参与
4. **重复内容**：他人已充分回答的问题 → 避免重复

{expression_habits_block}
{tool_info_block}
{knowledge_prompt}
{memory_block}
{relation_info_block}
{extra_info_block}

{cross_context_block}
{identity}
如果有人说你是人机，你可以用一种阴阳怪气的口吻来回应
{schedule_block}

{action_descriptions}

下面是群里最近的聊天内容：
--------------------------------
{time_block}
{chat_info}
--------------------------------

{reply_target_block}

你现在的心情是：{mood_state}
{config_expression_style}
注意不要复读你前面发过的内容，意思相近也不行。
{keywords_reaction_prompt}
请注意不要输出多余内容(包括前后缀，冒号和引号，at或 @等 )。只输出回复内容。

**【！！！绝对禁止！！！】在回复中输出任何格式化标记**：
- **核心原则**: 你的回复**只能**包含纯粹的口语化文本。任何看起来像程序指令、系统提示或格式标签的内容都**绝对不允许**出现在你的回复里。
- **禁止模仿系统消息**: 绝对禁止输出任何类似 `[回复<xxx>：xxx]`、`[表情包：xxx]`、`[图片：xxx]` 的格式。这些都是系统用于展示消息的方式，不是你应该说的话。
- **禁止模仿动作指令**: 绝对禁止输出 `[戳了戳]` 或 `[poke]`。这类互动由名为 `poke_user` 的特殊动作处理，不是文本消息。
- **正确提及用户**: 如果想提到某人，直接说“你”或他/她的名字，绝对禁止使用 `[回复<某人>]` 或 `@某人` 的格式。
- **正确表达情绪**: 如果想表达笑的情绪，直接说“哈哈”、“嘻嘻”等，绝对禁止使用 `[表情包：笑哭]` 这样的文字。

{moderation_prompt}
你的核心任务是针对 {reply_target_block} 中提到的内容，{relation_info_block}生成一段紧密相关且能推动对话的回复。你的回复应该：
1.  明确回应目标消息，而不是宽泛地评论。
2.  可以分享你的看法、提出相关问题，或者开个合适的玩笑。
3.  目的是让对话更有趣、更深入。
最终请输出一条简短、完整且口语化的回复。

*你叫{bot_name}，也有人叫你{bot_nickname}*

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",
    ):
        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()
        # 使用新的增强记忆系统
        # from src.chat.memory_system.enhanced_memory_activator import EnhancedMemoryActivator
        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"""
        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)
        """
        # 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:
            # 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,
                )

            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_manager.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_manager.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"
                        )

            # 回复生成成功后，异步存储聊天记忆（不阻塞返回）
            try:
                # 将记忆存储作为子任务创建，可以被取消
                memory_task = asyncio.create_task(
                    self._store_chat_memory_async(reply_to, reply_message),
                    name=f"store_memory_{self.chat_stream.stream_id}"
                )
                # 不等待完成，让它在后台运行
                # 如果父任务被取消，这个子任务也会被垃圾回收
                logger.debug(f"创建记忆存储子任务: {memory_task.get_name()}")
            except Exception as memory_e:
                # 记忆存储失败不应该影响回复生成的成功返回
                logger.warning(f"记忆存储失败，但不影响回复生成: {memory_e}")

            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
            reasoning_content = None
            model_name = "unknown_model"
            if not prompt:
                logger.error("Prompt 构建失败，无法生成回复。")
                return False, None, 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
        """
        # 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) -> str:
        """构建记忆块

        Args:
            chat_history: 聊天历史记录
            target: 目标消息内容

        Returns:
            str: 记忆信息字符串
        """
        if not global_config.memory.enable_memory:
            return ""

        instant_memory = None

        # 使用新的记忆图系统检索记忆
        all_memories = []
        try:
            from src.memory_graph.manager_singleton import get_memory_manager, is_initialized
            
            if is_initialized():
                manager = get_memory_manager()
                if manager:
                    # 搜索相关记忆
                    memories = await manager.search_memories(
                        query=target,
                        top_k=10,  # 增加检索数量
                        min_importance=0.3,  # 降低最低重要性阈值，获取更多记忆
                        include_forgotten=False
                    )
                    
                    if memories:
                        logger.info(f"[记忆图] 检索到 {len(memories)} 条相关记忆")
                        for memory in memories:
                            topic = memory.metadata.get("topic", "")
                            mem_type = memory.metadata.get("memory_type", "未知")
                            if topic:
                                all_memories.append({
                                    "content": topic,
                                    "memory_type": mem_type,
                                    "importance": memory.importance,
                                    "relevance": 0.7,  # 默认相关度
                                    "source": "memory_graph",
                                })
                        
                        # 提取最重要的记忆作为瞬时记忆
                        if all_memories:
                            top_memory = max(all_memories, key=lambda m: m.get("importance", 0))
                            instant_memory = top_memory.get("content", "")
                    else:
                        logger.debug("[记忆图] 未找到相关记忆")
        except Exception as e:
            logger.debug(f"[记忆图] 检索失败: {e}")
            all_memories = []
        
        # 构建记忆字符串，使用方括号格式
        memory_str = ""
        has_any_memory = False

        # 添加长期记忆（来自记忆图系统）
        if all_memories:
            # 使用方括号格式
            memory_parts = ["### 🧠 相关记忆 (Relevant Memories)", ""]

            # 按相关度排序，并记录相关度信息用于调试
            sorted_memories = sorted(all_memories, key=lambda x: x.get("relevance", 0.0), reverse=True)

            # 调试相关度信息
            relevance_info = [(m.get("memory_type", "unknown"), m.get("relevance", 0.0)) for m in sorted_memories]
            logger.debug(f"记忆相关度信息: {relevance_info}")
            logger.debug(f"[记忆构建] 准备将 {len(sorted_memories)} 条记忆添加到提示词")

            for idx, running_memory in enumerate(sorted_memories, 1):
                content = running_memory.get("content", "")
                memory_type = running_memory.get("memory_type", "unknown")

                # 跳过空内容
                if not content or not content.strip():
                    logger.warning(f"[记忆构建] 跳过第 {idx} 条记忆：内容为空 (type={memory_type})")
                    logger.debug(f"[记忆构建] 空记忆详情: {running_memory}")
                    continue

                # 使用全局记忆类型映射表
                chinese_type = get_memory_type_chinese_label(memory_type)

                # 提取纯净内容（如果包含旧格式的元数据）
                clean_content = content
                if "（类型:" in content and "）" in content:
                    clean_content = content.split("（类型:")[0].strip()

                logger.debug(f"[记忆构建] 添加第 {idx} 条记忆: [{chinese_type}] {clean_content[:50]}...")
                memory_parts.append(f"- **[{chinese_type}]** {clean_content}")

            memory_str = "\n".join(memory_parts) + "\n"
            has_any_memory = True
            logger.debug(f"[记忆构建] 成功构建记忆字符串，包含 {len(memory_parts) - 2} 条记忆")

        # 添加瞬时记忆
        if instant_memory:
            if not any(rm["content"] == instant_memory for rm in all_memories):
                if not memory_str:
                    memory_str = "以下是当前在聊天中，你回忆起的记忆：\n"
                memory_str += f"- 最相关记忆：{instant_memory}\n"
                has_any_memory = True

        # 只有当完全没有任何记忆时才返回空字符串
        return memory_str if has_any_memory else ""

    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:
            # 使用工具执行器获取信息
            tool_results, _, _ = await self.tool_executor.execute_from_chat_message(
                sender=sender, target_message=target, chat_history=chat_history, return_details=False
            )

            if tool_results:
                tool_info_str = "以下是你通过工具获取到的实时信息：\n"
                for tool_result in tool_results:
                    tool_name = tool_result.get("tool_name", "unknown")
                    content = tool_result.get("content", "")
                    result_type = tool_result.get("type", "tool_result")

                    tool_info_str += f"- 【{tool_name}】{result_type}: {content}\n"

                tool_info_str += "以上是你获取到的实时信息，请在回复时参考这些信息。"
                logger.info(f"获取到 {len(tool_results)} 个工具结果")

                return tool_info_str
            else:
                logger.debug("未获取到任何工具结果")
                return ""

        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
        """
        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}", exc_info=True)

        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
        """
        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_lines.append(notice_text)
                notice_lines.append("")

                result = "\n".join(notice_lines)
                logger.info(f"notice块构建成功，chat_id={chat_id}, 长度={len(result)}")
                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}", exc_info=True)
            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)
        """
        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_manager

                # 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.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 read_history_prompt, 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
        """
        # 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 read_history_prompt, unread_history_prompt

    async def _get_interest_scores_for_messages(self, messages: list[dict]) -> dict[str, float]:
        """为消息获取兴趣度评分（使用预计算的兴趣值）"""
        interest_scores = {}

        try:
            # 直接使用消息中的预计算兴趣值
            for msg_dict in messages:
                message_id = msg_dict.get("message_id", "")
                interest_value = msg_dict.get("interest_value")

                if interest_value is not None:
                    interest_scores[message_id] = float(interest_value)
                    logger.debug(f"使用预计算兴趣度 - 消息 {message_id}: {interest_value:.3f}")
                else:
                    interest_scores[message_id] = 0.5  # 默认值
                    logger.debug(f"消息 {message_id} 无预计算兴趣值，使用默认值 0.5")

        except Exception as e:
            logger.warning(f"处理预计算兴趣值失败: {e}")

        return interest_scores


    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,
    ) -> 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

        Returns:
            str: 构建好的上下文
        """
        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)
        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 ""

            # 统一处理 DatabaseMessages 对象和字典
            if isinstance(reply_message, DatabaseMessages):
                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
            else:
                platform = reply_message.get("chat_info_platform")
                user_id = reply_message.get("user_id")
                user_nickname = reply_message.get("user_nickname")
                user_cardname = reply_message.get("user_cardname")
                processed_plain_text = reply_message.get("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 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 (如果启用planner)
        action_descriptions = ""
        if available_actions:
            action_descriptions = "以下是系统中可用的动作列表。**【重要】**这些动作将由一个独立的决策模型决定是否执行，**并非你的职责**。你只需要了解这些能力的存在，以便更好地理解对话情景，**严禁**在你的回复中模仿、调用或提及这些动作本身。\n"
            for action_name, action_info in available_actions.items():
                action_description = action_info.description
                action_descriptions += f"- {action_name}: {action_description}\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_manager.ensure_history_initialized()

            # 获取所有消息（历史+未读）
            all_messages = (
                chat_stream_obj.context_manager.context.history_messages +
                chat_stream_obj.context_manager.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), "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(
                    Prompt.build_cross_context(chat_id, "s4u", target_user_info),
                    "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"]

        # 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。"
            )
            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"""### 安全与互动底线
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，巧妙地拒绝或转移话题。
"""

        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 = ""

        # 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()

        # 使用新的统一Prompt系统 - 创建PromptParameters
        prompt_parameters = PromptParameters(
            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="s4u",
            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=memory_block,
            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,
            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 - 使用正确的模板名称
        template_name = "s4u_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
        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_manager.ensure_history_initialized()

            # 获取所有消息（历史+未读）
            all_messages = (
                chat_stream_obj.context_manager.context.history_messages +
                chat_stream_obj.context_manager.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 _build_single_sending_message(
        self,
        message_id: str,
        message_segment: Seg,
        reply_to: bool,
        is_emoji: bool,
        thinking_start_time: float,
        display_message: str,
        anchor_message: DatabaseMessages | None = None,
    ) -> MessageSending:
        """构建单个发送消息"""

        bot_user_info = UserInfo(
            user_id=str(global_config.bot.qq_account),
            user_nickname=global_config.bot.nickname,
            platform=self.chat_stream.platform,
        )

        # 从 DatabaseMessages 获取 sender_info 并转换为 UserInfo
        sender_info = None
        if anchor_message and anchor_message.user_info:
            db_user_info = anchor_message.user_info
            sender_info = UserInfo(
                platform=db_user_info.platform,
                user_id=db_user_info.user_id,
                user_nickname=db_user_info.user_nickname,
                user_cardname=db_user_info.user_cardname,
            )

        return MessageSending(
            message_id=message_id,  # 使用片段的唯一ID
            chat_stream=self.chat_stream,
            bot_user_info=bot_user_info,
            sender_info=sender_info,
            message_segment=message_segment,
            reply=anchor_message,  # 回复原始锚点
            is_head=reply_to,
            is_emoji=is_emoji,
            thinking_start_time=thinking_start_time,  # 传递原始思考开始时间
            display_message=display_message,
        )

    async def llm_generate_content(self, prompt: str):
        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:
                # 移除 [SPLIT] 标记，防止消息被分割
                cleaned_content = content.replace("[SPLIT]", "")

                # 循环移除，以处理模型可能生成的嵌套回复头/尾
                # 使用更健壮的正则表达式，通过非贪婪匹配和向后查找来定位真正的消息内容
                pattern = re.compile(r"^\s*\[回复<.+?>\s*(?:的消息)?：(?P<content>.*)\](?:，?说：)?\s*$", re.DOTALL)

                temp_content = cleaned_content
                while True:
                    match = pattern.match(temp_content)
                    if match:
                        new_content = match.group("content").strip()
                        # 如果内容没有变化，说明可能无法进一步解析，退出循环
                        if new_content == temp_content:
                            break
                        temp_content = new_content
                    else:
                        break # 没有匹配到，退出循环

                # 在循环处理后，再使用 rsplit 来处理日志中观察到的特殊情况
                # 这可以作为处理复杂嵌套的最后一道防线
                final_split = temp_content.rsplit("]，说：", 1)
                if len(final_split) > 1:
                    final_content = final_split[1].strip()
                else:
                    final_content = temp_content

                if final_content != content:
                    logger.debug(f"清理了模型生成的多余内容，原始内容: '{content}', 清理后: '{final_content}'")
                    content = final_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):
        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):
        # 获取用户ID
        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。"

    async def _store_chat_memory_async(self, reply_to: str, reply_message: DatabaseMessages | dict[str, Any] | None = None):
        """
        异步存储聊天记忆（从build_memory_block迁移而来）

        Args:
            reply_to: 回复对象
            reply_message: 回复的原始消息
        """
        try:
            if not global_config.memory.enable_memory:
                return

            # 使用统一记忆系统存储记忆
            from src.chat.memory_system import get_memory_system

            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_manager.ensure_history_initialized()

                # 获取所有消息（历史+未读）
                all_messages = (
                    chat_stream_obj.context_manager.context.history_messages +
                    chat_stream_obj.context_manager.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),
                )
            chat_history = 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()