BruceSun
/
MaiBot
mirror of https://github.com/Mai-with-u/MaiBot.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

简化

pull/924/head
114514 2025-05-02 23:19:47 +08:00
parent 5a7c54acef
commit 00851c3d8f
2 changed files with 41 additions and 433 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

242
src/plugins/PFC/action_planner.py
View File

@ -4,6 +4,10 @@ from src.plugins.memory_system.Hippocampus import HippocampusManager
from src.plugins.knowledge.knowledge_lib import qa_manager
from src.common.database import db
from src.plugins.chat.utils import get_embedding
# --- NEW IMPORT ---
# 从 heartflow 导入知识检索和数据库查询函数/实例
from src.plugins.heartFC_chat.heartflow_prompt_builder import prompt_builder, get_info_from_db
# --- END NEW IMPORT ---
# import jieba # 如果需要旧版知识库的回退，可能需要
# import re # 如果需要旧版知识库的回退，可能需要
from src.common.logger_manager import get_logger
@ -34,7 +38,7 @@ PROMPT_INITIAL_REPLY = """{persona_text}。现在你在参与一场QQ私聊，
【上一次行动的详细情况和结果】
{last_action_context}
【时间和超时提示】
{time_since_last_bot_message_info}{timeout_context}
{time_since_last_bot_message_info}{timeout_context}
【最近的对话记录】(包括你已成功发送的消息 和 新收到的消息)
{chat_history_text}
【你的的回忆】
@ -57,7 +61,7 @@ block_and_ignore: 更加极端的结束对话方式，直接结束对话并在
注意：请严格按照JSON格式输出，不要包含任何其他内容。"""
# Prompt(2): 上一次成功回复后，决定继续发言时的决策 Prompt
PROMPT_FOLLOW_UP = """{persona_text}。现在你在参与一场QQ私聊，刚刚你已经回复了对方，请根据以下【所有信息】审慎且灵活的决策下一步行动，可以继续发送新消息，可以等待，可以倾听，可以调取知识，甚至可以屏蔽对方：
PROMPT_FOLLOW_UP = """{persona_text}。现在你在参与一场QQ私聊，刚刚你已经回复了对方，请根据以下【所有信息】审慎且灵活的决策下一步行动，可以继续发送新消息，可以等待，可以倾听，可以调取知识，甚至可以屏蔽对方：
【当前对话目标】
{goals_str}
@ -68,7 +72,7 @@ PROMPT_FOLLOW_UP = """{persona_text}。现在你在参与一场QQ私聊，刚刚
【上一次行动的详细情况和结果】
{last_action_context}
【时间和超时提示】
{time_since_last_bot_message_info}{timeout_context}
{time_since_last_bot_message_info}{timeout_context}
【最近的对话记录】(包括你已成功发送的消息 和 新收到的消息)
{chat_history_text}
【你的的回忆】
@ -124,7 +128,8 @@ class ActionPlanner:
self.name = global_config.BOT_NICKNAME
self.private_name = private_name
self.chat_observer = ChatObserver.get_instance(stream_id, private_name)
# _get_memory_info 保持不变
async def _get_memory_info(self, text: str) -> str:
"""根据文本自动检索相关记忆"""
memory_prompt = ""
@ -153,104 +158,9 @@ class ActionPlanner:
# memory_prompt = "检索记忆时出错。\n" # 可以选择是否提示错误
return memory_prompt
async def _get_prompt_info_old(self, message: str, threshold: float) -> str:
"""
旧版的知识检索方法，根据消息文本从旧知识库（knowledges collection）检索。
(移植并自 heartflow_prompt_builder.py)
"""
related_info = ""
start_time = time.time()
logger.debug(f"[私聊]决策层[{self.private_name}]开始使用旧版知识检索，消息: {message[:30]}...")
# --- REMOVED _get_prompt_info_old ---
# 简化处理：直接使用整个消息进行查询，不再提取主题
query_text = message.strip()
if not query_text:
logger.debug(f"[私聊]决策层[{self.private_name}]旧版知识检索：消息为空，跳过。")
return ""
embedding = None
try:
embedding = await get_embedding(query_text, request_type="pfc_implicit_knowledge")
except Exception as e:
logger.error(f"[私聊]决策层[{self.private_name}]旧版知识检索：获取嵌入向量时出错: {str(e)}")
if not embedding:
logger.error(f"[私聊]决策层[{self.private_name}]旧版知识检索：获取嵌入向量失败。")
return ""
# 调用我们之前添加的 get_info_from_db 函数
results = get_info_from_db(embedding, limit=5, threshold=threshold, return_raw=True) # 最多查 5 条
logger.info(f"[私聊][{self.private_name}]旧版知识库查询完成，耗时: {time.time() - start_time:.3f}秒，获取{len(results)}条结果")
# 去重和格式化
unique_contents = set()
final_results_content = []
for result in results:
content = result.get("content", "").strip()
# similarity = result.get("similarity", 0.0)
if content and content not in unique_contents:
unique_contents.add(content)
# 可以选择性地加入相似度信息，或者只加内容
# final_results_content.append(f"[{similarity:.2f}] {content}")
final_results_content.append(content)
if final_results_content:
related_info = "\n".join(final_results_content)
logger.debug(f"[私聊][{self.private_name}]旧版知识检索格式化后内容: {related_info[:100]}...")
else:
logger.debug(f"[私聊][{self.private_name}]旧版知识检索未找到合适结果或结果为空。")
logger.info(f"[私聊][{self.private_name}]旧版知识检索总耗时: {time.time() - start_time:.3f}秒")
return related_info
async def _get_prompt_info(self, message: str, threshold: float = 0.38) -> str:
"""
自动检索相关知识的主函数。优先使用 LPMM，失败则回退到旧版。
(移植自 heartflow_prompt_builder.py)
"""
related_info = ""
start_time = time.time()
message = message.strip()
if not message:
logger.debug(f"[私聊][{self.private_name}]自动知识检索：输入消息为空。")
return ""
logger.debug(f"[私聊][{self.private_name}]开始自动知识检索，消息: {message[:30]}...")
# 1. 尝试从 LPMM 知识库获取知识
try:
found_knowledge_from_lpmm = qa_manager.get_knowledge(message)
if found_knowledge_from_lpmm and found_knowledge_from_lpmm.strip():
related_info = found_knowledge_from_lpmm.strip()
logger.info(f"[私聊][{self.private_name}]从 LPMM 知识库获取到知识，长度: {len(related_info)}")
logger.debug(f"[私聊][{self.private_name}]LPMM 知识内容: {related_info[:100]}...")
# LPMM 成功获取，直接返回
logger.info(f"[私聊][{self.private_name}]自动知识检索(LPMM)耗时: {time.time() - start_time:.3f}秒")
return related_info
else:
logger.debug(f"[私聊][{self.private_name}]LPMM 知识库未返回有效知识，尝试旧版数据库检索。")
except Exception as e:
logger.error(f"[私聊][{self.private_name}]调用 LPMM 知识库 (qa_manager.get_knowledge) 时发生异常: {str(e)}，尝试旧版数据库检索。")
# 2. 如果 LPMM 失败或无结果，尝试旧版数据库
try:
knowledge_from_old = await self._get_prompt_info_old(message, threshold=threshold)
if knowledge_from_old and knowledge_from_old.strip():
related_info = knowledge_from_old.strip()
logger.info(f"[私聊][{self.private_name}]从旧版数据库检索到知识，长度: {len(related_info)}")
# 旧版成功获取，返回
logger.info(f"[私聊][{self.private_name}]自动知识检索(旧版)耗时: {time.time() - start_time:.3f}秒")
return related_info
else:
logger.debug(f"[私聊][{self.private_name}]旧版数据库也未检索到有效知识。")
except Exception as e2:
logger.error(f"[私聊][{self.private_name}]调用旧版知识库检索 (_get_prompt_info_old) 时也发生异常: {str(e2)}")
# 如果两种方法都失败或无结果
logger.info(f"[私聊][{self.private_name}]自动知识检索总耗时: {time.time() - start_time:.3f}秒，未找到任何相关知识。")
return "" # 返回空字符串
# --- REMOVED _get_prompt_info ---
# 修改 plan 方法签名，增加 last_successful_reply_action 参数
async def plan(
@ -359,40 +269,6 @@ class ActionPlanner:
logger.error(f"[私聊][{self.private_name}]构建对话目标字符串时出错: {e}")
goals_str = "- 构建对话目标时出错。\n"
# --- 知识信息字符串构建开始 ---
# knowledge_info_str = "【已获取的相关知识和记忆】\n"
# try:
# 检查 conversation_info 是否有 knowledge_list 并且不为空
# if hasattr(conversation_info, "knowledge_list") and conversation_info.knowledge_list:
# 最多只显示最近的 5 条知识，防止 Prompt 过长
# recent_knowledge = conversation_info.knowledge_list[-5:]
# for i, knowledge_item in enumerate(recent_knowledge):
# if isinstance(knowledge_item, dict):
# query = knowledge_item.get("query", "未知查询")
# knowledge = knowledge_item.get("knowledge", "无知识内容")
# source = knowledge_item.get("source", "未知来源")
# 只取知识内容的前 2000 个字，避免太长
# knowledge_snippet = knowledge[:2000] + "..." if len(knowledge) > 2000 else knowledge
# knowledge_info_str += (
# f"{i + 1}. 关于 '{query}' 的知识 (来源: {source}):\n {knowledge_snippet}\n"
# )
# else:
# 处理列表里不是字典的异常情况
# knowledge_info_str += f"{i + 1}. 发现一条格式不正确的知识记录。\n"
# if not recent_knowledge: # 如果 knowledge_list 存在但为空
# knowledge_info_str += "- 暂无相关知识和记忆。\n"
# else:
# 如果 conversation_info 没有 knowledge_list 属性，或者列表为空
# knowledge_info_str += "- 暂无相关知识记忆。\n"
# except AttributeError:
# logger.warning(f"[私聊][{self.private_name}]ConversationInfo 对象可能缺少 knowledge_list 属性。")
# knowledge_info_str += "- 获取知识列表时出错。\n"
# except Exception as e:
# logger.error(f"[私聊][{self.private_name}]构建知识信息字符串时出错: {e}")
# knowledge_info_str += "- 处理知识列表时出错。\n"
# --- 知识信息字符串构建结束 ---
# 获取聊天历史记录 (chat_history_text)
try:
@ -501,18 +377,24 @@ class ActionPlanner:
last_action_context += f"- 该行动当前状态: {status}\n"
# self.last_successful_action_type = None # 非完成状态，清除记录
retrieved_memory_str_planner = ""
retrieved_memory_str_planner = ""
retrieved_knowledge_str_planner = ""
retrieval_context = chat_history_text # 使用聊天记录作为检索上下文
if retrieval_context and retrieval_context != "还没有聊天记录。" and retrieval_context != "[构建聊天记录出错]":
try:
# 调用本地的 _get_memory_info
logger.debug(f"[私聊][{self.private_name}] (ActionPlanner) 开始自动检索记忆...")
retrieved_memory_str_planner = await self._get_memory_info(text=retrieval_context)
logger.info(f"[私聊][{self.private_name}] (ActionPlanner) 自动检索记忆 {'完成' if retrieved_memory_str_planner else '无结果'}。")
logger.debug(f"[私聊][{self.private_name}] (ActionPlanner) 开始自动知识检索...")
retrieved_knowledge_str_planner = await self._get_prompt_info(message=retrieval_context)
# --- MODIFIED KNOWLEDGE RETRIEVAL ---
# 调用导入的 prompt_builder.get_prompt_info
logger.debug(f"[私聊][{self.private_name}] (ActionPlanner) 开始自动检索知识 (使用导入函数)...")
# 使用导入的 prompt_builder 实例及其方法
retrieved_knowledge_str_planner = await prompt_builder.get_prompt_info(message=retrieval_context, threshold=0.38)
# --- END MODIFIED KNOWLEDGE RETRIEVAL ---
logger.info(f"[私聊][{self.private_name}] (ActionPlanner) 自动检索知识 {'完成' if retrieved_knowledge_str_planner else '无结果'}。")
except Exception as retrieval_err:
logger.error(f"[私聊][{self.private_name}] (ActionPlanner) 自动检索时出错: {retrieval_err}")
retrieved_memory_str_planner = "检索记忆时出错。\n"
@ -539,7 +421,7 @@ class ActionPlanner:
time_since_last_bot_message_info=time_since_last_bot_message_info,
timeout_context=timeout_context,
chat_history_text=chat_history_text if chat_history_text.strip() else "还没有聊天记录。",
# knowledge_info_str=knowledge_info_str,
# knowledge_info_str=knowledge_info_str, # 移除了旧知识展示方式
retrieved_memory_str=retrieved_memory_str_planner if retrieved_memory_str_planner else "无相关记忆。",
retrieved_knowledge_str=retrieved_knowledge_str_planner if retrieved_knowledge_str_planner else "无相关知识。"
)
@ -643,84 +525,4 @@ class ActionPlanner:
except Exception as e:
# 外层异常处理保持不变
logger.error(f"[私聊][{self.private_name}]规划行动时调用 LLM 或处理结果出错: {str(e)}")
return "wait", f"行动规划处理中发生错误，暂时等待: {str(e)}"
def get_info_from_db(
query_embedding: list, limit: int = 1, threshold: float = 0.5, return_raw: bool = False
) -> Union[str, list]:
"""
从旧知识库 (knowledges collection) 中根据嵌入向量相似度检索信息。
(移植自 heartflow_prompt_builder.py)
"""
if not query_embedding:
return "" if not return_raw else []
# 使用余弦相似度计算
pipeline = [
{
"$addFields": {
"dotProduct": {
"$reduce": {
"input": {"$range": [0, {"$size": "$embedding"}]},
"initialValue": 0,
"in": {
"$add": [
"$$value",
{
"$multiply": [
{"$arrayElemAt": ["$embedding", "$$this"]},
{"$arrayElemAt": [query_embedding, "$$this"]},
]
},
]
},
}
},
"magnitude1": {
"$sqrt": {
"$reduce": {
"input": "$embedding",
"initialValue": 0,
"in": {"$add": ["$$value", {"$multiply": ["$$this", "$$this"]}]},
}
}
},
"magnitude2": {
"$sqrt": {
"$reduce": {
"input": query_embedding,
"initialValue": 0,
"in": {"$add": ["$$value", {"$multiply": ["$$this", "$$this"]}]},
}
}
},
}
},
# 防止除以零错误，添加一个小的 epsilon
{"$addFields": {"similarity": {"$divide": ["$dotProduct", {"$max": [{"$multiply": ["$magnitude1", "$magnitude2"]}, 1e-9]}]}}},
{
"$match": {
"similarity": {"$gte": threshold} # 只保留相似度大于等于阈值的结果
}
},
{"$sort": {"similarity": -1}},
{"$limit": limit},
{"$project": {"content": 1, "similarity": 1}},
]
try:
results = list(db.knowledges.aggregate(pipeline))
# 注意：这里的 logger 需要能访问到，或者在这个函数里获取 logger 实例
# logger.debug(f"旧知识库查询结果数量: {len(results)}") # 暂时注释掉，避免 logger 未定义
except Exception as e:
logger.debug(f"执行旧知识库聚合查询时出错: {e}")
results = []
if not results:
return "" if not return_raw else []
if return_raw:
return results
else:
# 返回所有找到的内容，用换行分隔
return "\n".join(str(result["content"]) for result in results)
return "wait", f"行动规划处理中发生错误，暂时等待: {str(e)}"

232
src/plugins/PFC/reply_generator.py
View File

@ -6,6 +6,10 @@ from src.plugins.knowledge.knowledge_lib import qa_manager
from src.common.database import db
# 用于获取文本的嵌入向量 (旧知识库需要)
from src.plugins.chat.utils import get_embedding
# --- NEW IMPORT ---
# 从 heartflow 导入知识检索和数据库查询函数/实例
from src.plugins.heartFC_chat.heartflow_prompt_builder import prompt_builder, get_info_from_db
# --- END NEW IMPORT ---
# 可能用于旧知识库提取主题 (如果需要回退到旧方法)
# import jieba # 如果报错说找不到 jieba，可能需要安装: pip install jieba
# import re # 正则表达式库，通常 Python 自带
@ -55,7 +59,7 @@ PROMPT_DIRECT_REPLY = """{persona_text}。现在你在参与一场QQ私聊，请
请直接输出回复内容，不需要任何额外格式。"""
# Prompt for send_new_message (追问/补充)
PROMPT_SEND_NEW_MESSAGE = """{persona_text}。现在你在参与一场QQ私聊，**刚刚你已经发送了一条或多条消息**，现在请根据以下信息再发一条新消息：
PROMPT_SEND_NEW_MESSAGE = """{persona_text}。现在你在参与一场QQ私聊，**刚刚你已经发送了一条或多条消息**，现在请根据以下信息再发一条新消息：
当前对话目标：{goals_str}
@ -68,7 +72,7 @@ PROMPT_SEND_NEW_MESSAGE = """{persona_text}。现在你在参与一场QQ私聊
{retrieved_memory_str}
请根据上述信息，结合聊天记录，继续发一条新消息（例如对之前消息的补充，深入话题，或追问等等）。该消息应该：
请根据上述信息，结合聊天记录，继续发一条新消息（例如对之前消息的补充，深入话题，或追问等等）。该消息应该：
1. 符合对话目标，以"你"的角度发言（不要自己与自己对话！）
2. 符合你的性格特征和身份细节
3. 通俗易懂，自然流畅，像正常聊天一样，简短（通常20字以内，除非特殊情况）
@ -116,6 +120,8 @@ class ReplyGenerator:
self.private_name = private_name
self.chat_observer = ChatObserver.get_instance(stream_id, private_name)
self.reply_checker = ReplyChecker(stream_id, private_name)
# _get_memory_info 保持不变，因为它不是与 heartflow 重复的部分
async def _get_memory_info(self, text: str) -> str:
"""根据文本自动检索相关记忆"""
memory_prompt = ""
@ -144,104 +150,10 @@ class ReplyGenerator:
# memory_prompt = "检索记忆时出错。\n" # 可以选择是否提示错误
return memory_prompt
async def _get_prompt_info_old(self, message: str, threshold: float) -> str:
"""
旧版的知识检索方法，根据消息文本从旧知识库（knowledges collection）检索。
(移植并简化自 heartflow_prompt_builder.py)
"""
related_info = ""
start_time = time.time()
logger.debug(f"[私聊][{self.private_name}]开始使用旧版知识检索，消息: {message[:30]}...")
# --- REMOVED _get_prompt_info_old ---
# 简化处理：直接使用整个消息进行查询，不再提取主题
query_text = message.strip()
if not query_text:
logger.debug(f"[私聊][{self.private_name}]旧版知识检索：消息为空，跳过。")
return ""
# --- REMOVED _get_prompt_info ---
embedding = None
try:
embedding = await get_embedding(query_text, request_type="pfc_implicit_knowledge")
except Exception as e:
logger.error(f"[私聊][{self.private_name}]旧版知识检索：获取嵌入向量时出错: {str(e)}")
if not embedding:
logger.error(f"[私聊][{self.private_name}]旧版知识检索：获取嵌入向量失败。")
return ""
# 调用我们之前添加的 get_info_from_db 函数
results = get_info_from_db(embedding, limit=5, threshold=threshold, return_raw=True) # 最多查 5 条
logger.info(f"[私聊][{self.private_name}]旧版知识库查询完成，耗时: {time.time() - start_time:.3f}秒，获取{len(results)}条结果")
# 去重和格式化
unique_contents = set()
final_results_content = []
for result in results:
content = result.get("content", "").strip()
# similarity = result.get("similarity", 0.0)
if content and content not in unique_contents:
unique_contents.add(content)
# 可以选择性地加入相似度信息，或者只加内容
# final_results_content.append(f"[{similarity:.2f}] {content}")
final_results_content.append(content)
if final_results_content:
related_info = "\n".join(final_results_content)
logger.debug(f"[私聊][{self.private_name}]旧版知识检索格式化后内容: {related_info[:100]}...")
else:
logger.debug(f"[私聊][{self.private_name}]旧版知识检索未找到合适结果或结果为空。")
logger.info(f"[私聊][{self.private_name}]旧版知识检索总耗时: {time.time() - start_time:.3f}秒")
return related_info
async def _get_prompt_info(self, message: str, threshold: float = 0.38) -> str:
"""
自动检索相关知识的主函数。优先使用 LPMM，失败则回退到旧版。
(移植自 heartflow_prompt_builder.py)
"""
related_info = ""
start_time = time.time()
message = message.strip()
if not message:
logger.debug(f"[私聊][{self.private_name}]自动知识检索：输入消息为空。")
return ""
logger.debug(f"[私聊][{self.private_name}]开始自动知识检索，消息: {message[:30]}...")
# 1. 尝试从 LPMM 知识库获取知识
try:
found_knowledge_from_lpmm = qa_manager.get_knowledge(message)
if found_knowledge_from_lpmm and found_knowledge_from_lpmm.strip():
related_info = found_knowledge_from_lpmm.strip()
logger.info(f"[私聊][{self.private_name}]从 LPMM 知识库获取到知识，长度: {len(related_info)}")
logger.debug(f"[私聊][{self.private_name}]LPMM 知识内容: {related_info[:100]}...")
# LPMM 成功获取，直接返回
logger.info(f"[私聊][{self.private_name}]自动知识检索(LPMM)耗时: {time.time() - start_time:.3f}秒")
return related_info
else:
logger.debug(f"[私聊][{self.private_name}]LPMM 知识库未返回有效知识，尝试旧版数据库检索。")
except Exception as e:
logger.error(f"[私聊][{self.private_name}]调用 LPMM 知识库 (qa_manager.get_knowledge) 时发生异常: {str(e)}，尝试旧版数据库检索。")
# 2. 如果 LPMM 失败或无结果，尝试旧版数据库
try:
knowledge_from_old = await self._get_prompt_info_old(message, threshold=threshold)
if knowledge_from_old and knowledge_from_old.strip():
related_info = knowledge_from_old.strip()
logger.info(f"[私聊][{self.private_name}]从旧版数据库检索到知识，长度: {len(related_info)}")
# 旧版成功获取，返回
logger.info(f"[私聊][{self.private_name}]自动知识检索(旧版)耗时: {time.time() - start_time:.3f}秒")
return related_info
else:
logger.debug(f"[私聊][{self.private_name}]旧版数据库也未检索到有效知识。")
except Exception as e2:
logger.error(f"[私聊][{self.private_name}]调用旧版知识库检索 (_get_prompt_info_old) 时也发生异常: {str(e2)}")
# 如果两种方法都失败或无结果
logger.info(f"[私聊][{self.private_name}]自动知识检索总耗时: {time.time() - start_time:.3f}秒，未找到任何相关知识。")
return "" # 返回空字符串
# 修改 generate 方法签名，增加 action_type 参数
async def generate(
self, observation_info: ObservationInfo, conversation_info: ConversationInfo, action_type: str
@ -281,37 +193,6 @@ class ReplyGenerator:
else:
goals_str = "- 目前没有明确对话目标\n" # 简化无目标情况
# --- 新增：构建知识信息字符串 ---
# knowledge_info_str = "【供参考的相关知识和记忆】\n" # 稍微改下标题，表明是供参考
# try:
# 检查 conversation_info 是否有 knowledge_list 并且不为空
# if hasattr(conversation_info, "knowledge_list") and conversation_info.knowledge_list:
# 最多只显示最近的 5 条知识
# recent_knowledge = conversation_info.knowledge_list[-5:]
# for i, knowledge_item in enumerate(recent_knowledge):
# if isinstance(knowledge_item, dict):
# query = knowledge_item.get("query", "未知查询")
# knowledge = knowledge_item.get("knowledge", "无知识内容")
# source = knowledge_item.get("source", "未知来源")
# 只取知识内容的前 2000 个字
# knowledge_snippet = knowledge[:2000] + "..." if len(knowledge) > 2000 else knowledge
# knowledge_info_str += (
# f"{i + 1}. 关于 '{query}' (来源: {source}): {knowledge_snippet}\n" # 格式微调，更简洁
# )
# else:
# knowledge_info_str += f"{i + 1}. 发现一条格式不正确的知识记录。\n"
# if not recent_knowledge:
# knowledge_info_str += "- 暂无。\n" # 更简洁的提示
# else:
# knowledge_info_str += "- 暂无。\n"
# except AttributeError:
# logger.warning(f"[私聊][{self.private_name}]ConversationInfo 对象可能缺少 knowledge_list 属性。")
# knowledge_info_str += "- 获取知识列表时出错。\n"
# except Exception as e:
# logger.error(f"[私聊][{self.private_name}]构建知识信息字符串时出错: {e}")
# knowledge_info_str += "- 处理知识列表时出错。\n"
# 获取聊天历史记录 (chat_history_text)
chat_history_text = observation_info.chat_history_str
@ -336,7 +217,7 @@ class ReplyGenerator:
retrieval_context = chat_history_text
if retrieval_context and retrieval_context != "还没有聊天记录。" and retrieval_context != "[构建聊天记录出错]":
try:
# 提取记忆
# 提取记忆 (调用本地的 _get_memory_info)
logger.debug(f"[私聊][{self.private_name}]开始自动检索记忆...")
retrieved_memory_str = await self._get_memory_info(text=retrieval_context)
if retrieved_memory_str:
@ -344,9 +225,13 @@ class ReplyGenerator:
else:
logger.info(f"[私聊][{self.private_name}]未自动检索到相关记忆。")
# 提取知识
logger.debug(f"[私聊][{self.private_name}]开始自动检索知识...")
retrieved_knowledge_str = await self._get_prompt_info(message=retrieval_context)
# --- MODIFIED KNOWLEDGE RETRIEVAL ---
# 提取知识 (调用导入的 prompt_builder.get_prompt_info)
logger.debug(f"[私聊][{self.private_name}]开始自动检索知识 (使用导入函数)...")
# 使用导入的 prompt_builder 实例及其方法
retrieved_knowledge_str = await prompt_builder.get_prompt_info(message=retrieval_context, threshold=0.38)
# --- END MODIFIED KNOWLEDGE RETRIEVAL ---
if retrieved_knowledge_str:
logger.info(f"[私聊][{self.private_name}]自动检索到相关知识。")
else:
@ -377,7 +262,7 @@ class ReplyGenerator:
persona_text=persona_text,
goals_str=goals_str,
chat_history_text=chat_history_text,
# knowledge_info_str=knowledge_info_str,
# knowledge_info_str=knowledge_info_str, # 移除了这个旧的知识展示方式
retrieved_memory_str=retrieved_memory_str if retrieved_memory_str else "无相关记忆。", # 如果为空则提示无
retrieved_knowledge_str=retrieved_knowledge_str if retrieved_knowledge_str else "无相关知识。" # 如果为空则提示无
)
@ -402,82 +287,3 @@ class ReplyGenerator:
(此方法逻辑保持不变)
"""
return await self.reply_checker.check(reply, goal, chat_history, chat_history_str, retry_count)
def get_info_from_db(
query_embedding: list, limit: int = 1, threshold: float = 0.5, return_raw: bool = False
) -> Union[str, list]:
"""
从旧知识库 (knowledges collection) 中根据嵌入向量相似度检索信息。
(移植自 heartflow_prompt_builder.py)
"""
if not query_embedding:
return "" if not return_raw else []
# 使用余弦相似度计算
pipeline = [
{
"$addFields": {
"dotProduct": {
"$reduce": {
"input": {"$range": [0, {"$size": "$embedding"}]},
"initialValue": 0,
"in": {
"$add": [
"$$value",
{
"$multiply": [
{"$arrayElemAt": ["$embedding", "$$this"]},
{"$arrayElemAt": [query_embedding, "$$this"]},
]
},
]
},
}
},
"magnitude1": {
"$sqrt": {
"$reduce": {
"input": "$embedding",
"initialValue": 0,
"in": {"$add": ["$$value", {"$multiply": ["$$this", "$$this"]}]},
}
}
},
"magnitude2": {
"$sqrt": {
"$reduce": {
"input": query_embedding,
"initialValue": 0,
"in": {"$add": ["$$value", {"$multiply": ["$$this", "$$this"]}]},
}
}
},
}
},
# 防止除以零错误，添加一个小的 epsilon
{"$addFields": {"similarity": {"$divide": ["$dotProduct", {"$max": [{"$multiply": ["$magnitude1", "$magnitude2"]}, 1e-9]}]}}},
{
"$match": {
"similarity": {"$gte": threshold} # 只保留相似度大于等于阈值的结果
}
},
{"$sort": {"similarity": -1}},
{"$limit": limit},
{"$project": {"content": 1, "similarity": 1}},
]
try:
results = list(db.knowledges.aggregate(pipeline))
# 注意：这里的 logger 需要能访问到，或者在这个函数里获取 logger 实例
# logger.debug(f"旧知识库查询结果数量: {len(results)}") # 暂时注释掉，避免 logger 未定义
except Exception as e:
logger.debug(f"执行旧知识库聚合查询时出错: {e}")
results = []
if not results:
return "" if not return_raw else []
if return_raw:
return results
else:
# 返回所有找到的内容，用换行分隔
return "\n".join(str(result["content"]) for result in results)