diff --git a/src/plugins/PFC/action_planner.py b/src/plugins/PFC/action_planner.py index 4770c6ce..51d9bff2 100644 --- a/src/plugins/PFC/action_planner.py +++ b/src/plugins/PFC/action_planner.py @@ -1,5 +1,14 @@ import time -from typing import Tuple, Optional # 增加了 Optional +from typing import Tuple, Optional +from src.plugins.memory_system.Hippocampus import HippocampusManager + +# --- 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 + +# --- 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 from ..models.utils_model import LLMRequest from ...config.config import global_config @@ -21,20 +30,21 @@ PROMPT_INITIAL_REPLY = """{persona_text}。现在你在参与一场QQ私聊， 【当前对话目标】 {goals_str} -{knowledge_info_str} - 【最近行动历史概要】 {action_history_summary} +【你想起来的相关知识】 +{retrieved_knowledge_str} 【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} 【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】 +{retrieved_memory_str} ------ 可选行动类型以及解释： -fetch_knowledge: 需要调取知识或记忆，当需要专业知识或特定信息时选择，对方若提到你不太认识的人名或实体也可以尝试选择 listening: 倾听对方发言，当你认为对方话才说到一半，发言明显未结束时选择 direct_reply: 直接回复对方 rethink_goal: 思考一个对话目标，当你觉得目前对话需要目标，或当前目标不再适用，或话题卡住时选择。注意私聊的环境是灵活的，有可能需要经常选择 @@ -50,24 +60,24 @@ 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} -{knowledge_info_str} - 【最近行动历史概要】 {action_history_summary} +【你想起来的相关知识】 +{retrieved_knowledge_str} 【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】 +{retrieved_memory_str} ------ 可选行动类型以及解释： -fetch_knowledge: 需要调取知识，当需要专业知识或特定信息时选择，对方若提到你不太认识的人名或实体也可以尝试选择 wait: 暂时不说话，留给对方交互空间，等待对方回复（尤其是在你刚发言后、或上次发言因重复、发言过多被拒时、或不确定做什么时，这是不错的选择） listening: 倾听对方发言（虽然你刚发过言，但如果对方立刻回复且明显话没说完，可以选择这个） send_new_message: 发送一条新消息继续对话，允许适当的追问、补充、深入话题，或开启相关新话题。**但是避免在因重复被拒后立即使用，也不要在对方没有回复的情况下过多的“消息轰炸”或重复发言** @@ -117,7 +127,41 @@ class ActionPlanner: self.name = global_config.BOT_NICKNAME self.private_name = private_name self.chat_observer = ChatObserver.get_instance(stream_id, private_name) - # self.action_planner_info = ActionPlannerInfo() # 移除未使用的变量 + + # _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 = "" + related_memory_info = "" + try: + related_memory = await HippocampusManager.get_instance().get_memory_from_text( + text=text, + max_memory_num=2, # 最多获取 2 条记忆 + max_memory_length=2, # 每条记忆长度限制（这个参数含义可能需确认） + max_depth=3, # 搜索深度 + fast_retrieval=False, # 是否快速检索 + ) + if related_memory: + for memory in related_memory: + # memory[0] 是记忆ID, memory[1] 是记忆内容 + related_memory_info += memory[1] + "\n" # 将记忆内容拼接起来 + if related_memory_info: + memory_prompt = f"你回忆起：\n{related_memory_info.strip()}\n(以上是你的回忆，供参考)\n" + logger.debug( + f"[私聊]决策层[{self.private_name}]自动检索到记忆: {related_memory_info.strip()[:100]}..." + ) + else: + logger.debug(f"[私聊]决策层[{self.private_name}]自动检索记忆返回为空。") + else: + logger.debug(f"[私聊]决策层[{self.private_name}]未自动检索到相关记忆。") + except Exception as e: + logger.error(f"[私聊]决策层[{self.private_name}]自动检索记忆时出错: {e}") + # memory_prompt = "检索记忆时出错。\n" # 可以选择是否提示错误 + return memory_prompt + + # --- REMOVED _get_prompt_info_old --- + + # --- REMOVED _get_prompt_info --- # 修改 plan 方法签名，增加 last_successful_reply_action 参数 async def plan( @@ -226,41 +270,6 @@ 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: if hasattr(observation_info, "chat_history") and observation_info.chat_history: @@ -368,6 +377,39 @@ 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_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'}。" + ) + + # --- 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" + retrieved_knowledge_str_planner = "检索知识时出错。\n" + else: + logger.debug(f"[私聊][{self.private_name}] (ActionPlanner) 无有效聊天记录，跳过自动检索。") + retrieved_memory_str_planner = "无聊天记录无法检索记忆。\n" + retrieved_knowledge_str_planner = "无聊天记录无法检索知识。\n" + # --- 选择 Prompt --- if last_successful_reply_action in ["direct_reply", "send_new_message"]: prompt_template = PROMPT_FOLLOW_UP @@ -385,7 +427,11 @@ 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。", ) logger.debug(f"[私聊][{self.private_name}]发送到LLM的最终提示词:\n------\n{prompt}\n------") @@ -468,7 +514,6 @@ class ActionPlanner: valid_actions = [ "direct_reply", "send_new_message", - "fetch_knowledge", "wait", "listening", "rethink_goal", diff --git a/src/plugins/PFC/conversation.py b/src/plugins/PFC/conversation.py index 0bc4cae8..9a0dd36b 100644 --- a/src/plugins/PFC/conversation.py +++ b/src/plugins/PFC/conversation.py @@ -508,31 +508,31 @@ class Conversation: } conversation_info.done_action.append(wait_action_record) - elif action == "fetch_knowledge": - self.state = ConversationState.FETCHING - knowledge_query = reason - try: - # 检查 knowledge_fetcher 是否存在 - if not hasattr(self, "knowledge_fetcher"): - logger.error(f"[私聊][{self.private_name}]KnowledgeFetcher 未初始化，无法获取知识。") - raise AttributeError("KnowledgeFetcher not initialized") + # elif action == "fetch_knowledge": + # self.state = ConversationState.FETCHING + # knowledge_query = reason + # try: + # 检查 knowledge_fetcher 是否存在 + # if not hasattr(self, "knowledge_fetcher"): + # logger.error(f"[私聊][{self.private_name}]KnowledgeFetcher 未初始化，无法获取知识。") + # raise AttributeError("KnowledgeFetcher not initialized") - knowledge, source = await self.knowledge_fetcher.fetch(knowledge_query, observation_info.chat_history) - logger.info(f"[私聊][{self.private_name}]获取到知识: {knowledge[:100]}..., 来源: {source}") - if knowledge: - # 确保 knowledge_list 存在 - if not hasattr(conversation_info, "knowledge_list"): - conversation_info.knowledge_list = [] - conversation_info.knowledge_list.append( - {"query": knowledge_query, "knowledge": knowledge, "source": source} - ) - action_successful = True - except Exception as fetch_err: - logger.error(f"[私聊][{self.private_name}]获取知识时出错: {str(fetch_err)}") - conversation_info.done_action[action_index].update( - {"status": "recall", "final_reason": f"获取知识失败: {str(fetch_err)}"} - ) - self.conversation_info.last_successful_reply_action = None # 重置状态 + # knowledge, source = await self.knowledge_fetcher.fetch(knowledge_query, observation_info.chat_history) + # logger.info(f"[私聊][{self.private_name}]获取到知识: {knowledge[:100]}..., 来源: {source}") + # if knowledge: + # 确保 knowledge_list 存在 + # if not hasattr(conversation_info, "knowledge_list"): + # conversation_info.knowledge_list = [] + # conversation_info.knowledge_list.append( + # {"query": knowledge_query, "knowledge": knowledge, "source": source} + # ) + # action_successful = True + # except Exception as fetch_err: + # logger.error(f"[私聊][{self.private_name}]获取知识时出错: {str(fetch_err)}") + # conversation_info.done_action[action_index].update( + # {"status": "recall", "final_reason": f"获取知识失败: {str(fetch_err)}"} + # ) + # self.conversation_info.last_successful_reply_action = None # 重置状态 elif action == "rethink_goal": self.state = ConversationState.RETHINKING diff --git a/src/plugins/PFC/message_sender.py b/src/plugins/PFC/message_sender.py index 12c2143e..113cffa8 100644 --- a/src/plugins/PFC/message_sender.py +++ b/src/plugins/PFC/message_sender.py @@ -6,7 +6,6 @@ from ..chat.message import Message from maim_message import UserInfo, Seg from src.plugins.chat.message import MessageSending, MessageSet from src.plugins.chat.message_sender import message_manager -from ..storage.storage import MessageStorage from ...config.config import global_config from rich.traceback import install @@ -21,7 +20,6 @@ class DirectMessageSender: def __init__(self, private_name: str): self.private_name = private_name - self.storage = MessageStorage() async def send_message( self, @@ -73,7 +71,6 @@ class DirectMessageSender: message_set = MessageSet(chat_stream, message_id) message_set.add_message(message) await message_manager.add_message(message_set) - await self.storage.store_message(message, chat_stream) logger.info(f"[私聊][{self.private_name}]PFC消息已发送: {content}") except Exception as e: diff --git a/src/plugins/PFC/reply_generator.py b/src/plugins/PFC/reply_generator.py index 890f807c..b9d2c00e 100644 --- a/src/plugins/PFC/reply_generator.py +++ b/src/plugins/PFC/reply_generator.py @@ -1,3 +1,14 @@ +# 用于访问记忆系统 +from src.plugins.memory_system.Hippocampus import HippocampusManager + +# --- 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 + +# --- 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 from typing import Tuple, List, Dict, Any from src.common.logger import get_module_logger from ..models.utils_model import LLMRequest @@ -18,17 +29,21 @@ PROMPT_DIRECT_REPLY = """{persona_text}。现在你在参与一场QQ私聊，请 当前对话目标：{goals_str} -{knowledge_info_str} +你有以下这些知识： +{retrieved_knowledge_str} +请你**记住上面的知识**，在回复中有可能会用到。 最近的聊天记录： {chat_history_text} +{retrieved_memory_str} + 请根据上述信息，结合聊天记录，回复对方。该回复应该： 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） -4. 可以适当利用相关知识，但不要生硬引用 +4. 可以适当利用相关知识和回忆，但**不要生硬引用**，若无必要，也可以不利用 5. 自然、得体，结合聊天记录逻辑合理，且没有重复表达同质内容 请注意把握聊天内容，不要回复的太有条理，可以有个性。请分清"你"和对方说的话，不要把"你"说的话当做对方说的话，这是你自己说的话。 @@ -39,21 +54,24 @@ 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} -{knowledge_info_str} +你有以下这些知识： +{retrieved_knowledge_str} +请你**记住上面的知识**，在发消息时有可能会用到。 最近的聊天记录： {chat_history_text} +{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） -4. 可以适当利用相关知识，但不要生硬引用 +4. 可以适当利用相关知识和回忆，但**不要生硬引用**，若无必要，也可以不利用 5. 跟之前你发的消息自然的衔接，逻辑合理，且没有重复表达同质内容或部分重叠内容 请注意把握聊天内容，不用太有条理，可以有个性。请分清"你"和对方说的话，不要把"你"说的话当做对方说的话，这是你自己说的话。 @@ -98,6 +116,39 @@ class ReplyGenerator: 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 = "" + related_memory_info = "" + try: + related_memory = await HippocampusManager.get_instance().get_memory_from_text( + text=text, + max_memory_num=2, # 最多获取 2 条记忆 + max_memory_length=2, # 每条记忆长度限制（这个参数含义可能需确认） + max_depth=3, # 搜索深度 + fast_retrieval=False, # 是否快速检索 + ) + if related_memory: + for memory in related_memory: + # memory[0] 是记忆ID, memory[1] 是记忆内容 + related_memory_info += memory[1] + "\n" # 将记忆内容拼接起来 + if related_memory_info: + memory_prompt = f"你回忆起：\n{related_memory_info.strip()}\n(以上是你的回忆，不一定是目前聊天里的人说的，回忆中别人说的事情也不一定是准确的，请记住)\n" + logger.debug(f"[私聊][{self.private_name}]自动检索到记忆: {related_memory_info.strip()[:100]}...") + else: + logger.debug(f"[私聊][{self.private_name}]自动检索记忆返回为空。") + else: + logger.debug(f"[私聊][{self.private_name}]未自动检索到相关记忆。") + except Exception as e: + logger.error(f"[私聊][{self.private_name}]自动检索记忆时出错: {e}") + # memory_prompt = "检索记忆时出错。\n" # 可以选择是否提示错误 + return memory_prompt + + # --- REMOVED _get_prompt_info_old --- + + # --- REMOVED _get_prompt_info --- + # 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 @@ -137,38 +188,6 @@ 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 if observation_info.new_messages_count > 0 and observation_info.unprocessed_messages: @@ -186,6 +205,42 @@ class ReplyGenerator: # 构建 Persona 文本 (persona_text) persona_text = f"你的名字是{self.name}，{self.personality_info}。" + retrieved_memory_str = "" + retrieved_knowledge_str = "" + # 使用 chat_history_text 作为检索的上下文，因为它包含了最近的对话和新消息 + 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 (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: + logger.info(f"[私聊][{self.private_name}]自动检索到记忆片段。") + else: + logger.info(f"[私聊][{self.private_name}]未自动检索到相关记忆。") + + # --- 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: + logger.info(f"[私聊][{self.private_name}]未自动检索到相关知识。") + + except Exception as retrieval_err: + logger.error(f"[私聊][{self.private_name}]在自动检索记忆/知识时发生错误: {retrieval_err}") + retrieved_memory_str = "检索记忆时出错。\n" + retrieved_knowledge_str = "检索知识时出错。\n" + else: + logger.debug(f"[私聊][{self.private_name}]聊天记录为空或无效，跳过自动记忆/知识检索。") + retrieved_memory_str = "无聊天记录，无法自动检索记忆。\n" + retrieved_knowledge_str = "无聊天记录，无法自动检索知识。\n" # --- 选择 Prompt --- if action_type == "send_new_message": @@ -203,7 +258,11 @@ 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 ) # --- 调用 LLM 生成 ---