MaiBot/src/memory_system/memory_retrieval.py

import time
import json
import re
import random
from typing import List, Dict, Any, Optional, Tuple
from src.common.logger import get_logger
from src.config.config import global_config, model_config
from src.chat.utils.prompt_builder import Prompt, global_prompt_manager
from src.plugin_system.apis import llm_api
from src.common.database.database_model import ThinkingBack
from json_repair import repair_json
from src.memory_system.retrieval_tools import get_tool_registry, init_all_tools

logger = get_logger("memory_retrieval")


def init_memory_retrieval_prompt():
    """初始化记忆检索相关的 prompt 模板和工具"""
    # 首先注册所有工具
    init_all_tools()
    
    # 第一步：问题生成prompt
    Prompt(
        """
你是一个专门检测是否需要回忆的助手。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}

{recent_query_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. 对话中是否提到了过去发生的事情、人物、事件或信息
2. 是否有需要回忆的内容（比如"之前说过"、"上次"、"以前"等）
3. 是否有需要查找历史信息的问题

重要提示：
- 如果"最近已查询的问题和结果"中已经包含了类似的问题，请避免重复生成相同或相似的问题
- 如果之前已经查询过某个问题但未找到答案，可以尝试用不同的方式提问或更具体的问题
- 如果之前已经查询过某个问题并找到了答案，可以直接参考已有结果，不需要重复查询

如果你认为需要从记忆中检索信息来回答，请根据上下文提出一个或多个具体的问题。
问题格式示例：
- "xxx在前几天干了什么"
- "xxx是什么"
- "xxxx和xxx的关系是什么"
- "xxx在某个时间点发生了什么"

请输出JSON格式的问题数组。如果不需要检索记忆，则输出空数组[]。

输出格式示例：
```json
[
  "张三在前几天干了什么",
  "自然选择是什么",
  "李四和王五的关系是什么"
]
```

请只输出JSON数组，不要输出其他内容：
""",
        name="memory_retrieval_question_prompt",
    )
    
    # 第二步：ReAct Agent prompt（工具描述会在运行时动态生成）
    Prompt(
        """你需要通过思考(Think)、行动(Action)、观察(Observation)的循环来回答问题。

当前问题：{question}
已收集的信息：
{collected_info}

你可以使用以下工具来查询信息：
{tools_description}

请按照以下格式输出你的思考过程：
```json
{{
  "thought": "你的思考过程，分析当前情况，决定下一步行动",
  "action_type": {action_types_list},
  "action_params": {{参数名: 参数值}} 或 null
}}
```

你可以选择以下动作：
1. 如果已经收集到足够的信息可以回答问题，请设置action_type为"final_answer"，并在thought中说明答案。除非明确找到答案，否则不要设置为final_answer。
2. 如果经过多次查询后，确认无法找到相关信息或答案，请设置action_type为"no_answer"，并在thought中说明原因。

请只输出JSON，不要输出其他内容：
""",
        name="memory_retrieval_react_prompt",
    )


def _parse_react_response(response: str) -> Optional[Dict[str, Any]]:
    """解析ReAct Agent的响应
    
    Args:
        response: LLM返回的响应
        
    Returns:
        Dict[str, Any]: 解析后的动作信息，如果解析失败返回None
    """
    try:
        # 尝试提取JSON（可能包含在```json代码块中）
        json_pattern = r"```json\s*(.*?)\s*```"
        matches = re.findall(json_pattern, response, re.DOTALL)
        
        if matches:
            json_str = matches[0]
        else:
            # 尝试直接解析整个响应
            json_str = response.strip()
        
        # 修复可能的JSON错误
        repaired_json = repair_json(json_str)
        
        # 解析JSON
        action_info = json.loads(repaired_json)
        
        if not isinstance(action_info, dict):
            logger.warning(f"解析的JSON不是对象格式: {action_info}")
            return None
        
        return action_info
        
    except Exception as e:
        logger.error(f"解析ReAct响应失败: {e}, 响应内容: {response[:200]}...")
        return None


async def _react_agent_solve_question(
    question: str,
    chat_id: str,
    max_iterations: int = 5,
    timeout: float = 30.0
) -> Tuple[bool, str, List[Dict[str, Any]]]:
    """使用ReAct架构的Agent来解决问题
    
    Args:
        question: 要回答的问题
        chat_id: 聊天ID
        max_iterations: 最大迭代次数
        timeout: 超时时间（秒）
        
    Returns:
        Tuple[bool, str, List[Dict[str, Any]]]: (是否找到答案, 答案内容, 思考步骤列表)
    """
    start_time = time.time()
    collected_info = ""
    thinking_steps = []
    
    for iteration in range(max_iterations):
        # 检查超时
        if time.time() - start_time > timeout:
            logger.warning(f"ReAct Agent超时，已迭代{iteration}次")
            break
        
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代，问题: {question}")
        logger.info(f"ReAct Agent 已收集信息: {collected_info if collected_info else '暂无信息'}")
        
        # 获取工具注册器
        tool_registry = get_tool_registry()
        
        # 构建prompt（动态生成工具描述）
        prompt = await global_prompt_manager.format_prompt(
            "memory_retrieval_react_prompt",
            question=question,
            collected_info=collected_info if collected_info else "暂无信息",
            tools_description=tool_registry.get_tools_description(),
            action_types_list=tool_registry.get_action_types_list(),
        )
        
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 Prompt: {prompt}")
        
        # 调用LLM
        success, response, reasoning_content, model_name = await llm_api.generate_with_model(
            prompt,
            model_config=model_config.model_task_config.tool_use,
            request_type="memory.react",
        )
        
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 LLM响应: {response}")
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 LLM推理: {reasoning_content}")
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 LLM模型: {model_name}")
        
        if not success:
            logger.error(f"ReAct Agent LLM调用失败: {response}")
            break
        
        # 解析响应
        action_info = _parse_react_response(response)
        if not action_info:
            logger.warning(f"无法解析ReAct响应，迭代{iteration + 1}")
            break
        
        thought = action_info.get("thought", "")
        action_type = action_info.get("action_type", "")
        action_params = action_info.get("action_params", {})
        
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 思考: {thought}")
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 动作类型: {action_type}")
        logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 动作参数: {action_params}")
        
        # 记录思考步骤
        step = {
            "iteration": iteration + 1,
            "thought": thought,
            "action_type": action_type,
            "action_params": action_params,
            "observation": ""
        }
        
        # 执行动作
        if action_type == "final_answer":
            # Agent认为已经找到答案
            answer = thought  # 使用thought作为答案
            step["observation"] = "找到答案"
            thinking_steps.append(step)
            logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 找到最终答案: {answer}")
            return True, answer, thinking_steps
        
        elif action_type == "no_answer":
            # Agent确认无法找到答案
            answer = thought  # 使用thought说明无法找到答案的原因
            step["observation"] = "确认无法找到答案"
            thinking_steps.append(step)
            logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 确认无法找到答案: {answer}")
            return False, answer, thinking_steps
        
        # 使用工具注册器执行工具
        tool_registry = get_tool_registry()
        tool = tool_registry.get_tool(action_type)
        
        if tool:
            try:
                # 准备工具参数（需要添加chat_id如果工具需要）
                tool_params = action_params.copy()
                
                # 如果工具函数签名需要chat_id，添加它
                import inspect
                sig = inspect.signature(tool.execute_func)
                if "chat_id" in sig.parameters:
                    tool_params["chat_id"] = chat_id
                
                logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 执行工具: {action_type}({tool_params})")
                
                # 执行工具
                observation = await tool.execute(**tool_params)
                step["observation"] = observation
                
                # 构建收集信息的描述
                param_str = ", ".join([f"{k}={v}" for k, v in action_params.items()])
                collected_info += f"\n查询{action_type}({param_str})的结果：{observation}\n"
                
                logger.info(f"ReAct Agent 第 {iteration + 1} 次迭代 工具执行结果: {observation}")
            except Exception as e:
                error_msg = f"工具执行失败: {str(e)}"
                step["observation"] = error_msg
                logger.error(f"ReAct Agent 第 {iteration + 1} 次迭代 {error_msg}")
        else:
            step["observation"] = f"未知的工具类型: {action_type}"
            logger.warning(f"ReAct Agent 第 {iteration + 1} 次迭代 未知的工具类型: {action_type}")
        
        thinking_steps.append(step)
        
        # 如果观察结果为空或无效，继续下一轮
        if step["observation"] and "无有效信息" not in step["observation"] and "未找到" not in step["observation"]:
            # 有有效信息，继续思考
            pass
    
    # 达到最大迭代次数或超时，但Agent没有明确返回final_answer
    # 这种情况下，即使收集到了一些信息，也不认为找到了答案
    # 只有Agent明确返回final_answer时，才认为找到了答案
    if collected_info:
        logger.warning(f"ReAct Agent达到最大迭代次数或超时，但未明确返回final_answer。已收集信息: {collected_info[:100]}...")
        return False, collected_info, thinking_steps
    else:
        return False, "未找到相关信息", thinking_steps


def _get_recent_query_history(chat_id: str, time_window_seconds: float = 3600.0) -> str:
    """获取最近一段时间内的查询历史
    
    Args:
        chat_id: 聊天ID
        time_window_seconds: 时间窗口（秒），默认1小时
        
    Returns:
        str: 格式化的查询历史字符串
    """
    try:
        current_time = time.time()
        start_time = current_time - time_window_seconds
        
        # 查询最近时间窗口内的记录，按更新时间倒序
        records = (
            ThinkingBack.select()
            .where(
                (ThinkingBack.chat_id == chat_id) &
                (ThinkingBack.update_time >= start_time)
            )
            .order_by(ThinkingBack.update_time.desc())
            .limit(8)  # 最多返回10条最近的记录
        )
        
        if not records.exists():
            return ""
        
        history_lines = []
        history_lines.append("最近已查询的问题和结果：")
        
        for record in records:
            status = "✓ 已找到答案" if record.found_answer else "✗ 未找到答案"
            answer_preview = ""
            if record.answer:
                # 截取答案前100字符
                answer_preview = record.answer[:100]
                if len(record.answer) > 100:
                    answer_preview += "..."
            
            history_lines.append(f"- 问题：{record.question}")
            history_lines.append(f"  状态：{status}")
            if answer_preview:
                history_lines.append(f"  答案：{answer_preview}")
            history_lines.append("")  # 空行分隔
        
        return "\n".join(history_lines)
        
    except Exception as e:
        logger.error(f"获取查询历史失败: {e}")
        return ""


def _query_thinking_back(chat_id: str, question: str) -> Optional[Tuple[bool, str]]:
    """从thinking_back数据库中查询是否有现成的答案
    
    Args:
        chat_id: 聊天ID
        question: 问题
        
    Returns:
        Optional[Tuple[bool, str]]: 如果找到记录，返回(found_answer, answer)，否则返回None
            found_answer: 是否找到答案（True表示found_answer=1，False表示found_answer=0）
            answer: 答案内容
    """
    try:
        # 查询相同chat_id和问题的所有记录（包括found_answer为0和1的）
        # 按更新时间倒序，获取最新的记录
        records = (
            ThinkingBack.select()
            .where(
                (ThinkingBack.chat_id == chat_id) &
                (ThinkingBack.question == question)
            )
            .order_by(ThinkingBack.update_time.desc())
            .limit(1)
        )
        
        if records.exists():
            record = records.get()
            found_answer = bool(record.found_answer)
            answer = record.answer or ""
            logger.info(f"在thinking_back中找到记录，问题: {question[:50]}...，found_answer: {found_answer}")
            return found_answer, answer
        
        return None
        
    except Exception as e:
        logger.error(f"查询thinking_back失败: {e}")
        return None


def _store_thinking_back(
    chat_id: str,
    question: str,
    context: str,
    found_answer: bool,
    answer: str,
    thinking_steps: List[Dict[str, Any]]
) -> None:
    """存储或更新思考过程到数据库（如果已存在则更新，否则创建）
    
    Args:
        chat_id: 聊天ID
        question: 问题
        context: 上下文信息
        found_answer: 是否找到答案
        answer: 答案内容
        thinking_steps: 思考步骤列表
    """
    try:
        now = time.time()
        
        # 先查询是否已存在相同chat_id和问题的记录
        existing = (
            ThinkingBack.select()
            .where(
                (ThinkingBack.chat_id == chat_id) &
                (ThinkingBack.question == question)
            )
            .order_by(ThinkingBack.update_time.desc())
            .limit(1)
        )
        
        if existing.exists():
            # 更新现有记录
            record = existing.get()
            record.context = context
            record.found_answer = found_answer
            record.answer = answer
            record.thinking_steps = json.dumps(thinking_steps, ensure_ascii=False)
            record.update_time = now
            record.save()
            logger.info(f"已更新思考过程到数据库，问题: {question[:50]}...")
        else:
            # 创建新记录
            ThinkingBack.create(
                chat_id=chat_id,
                question=question,
                context=context,
                found_answer=found_answer,
                answer=answer,
                thinking_steps=json.dumps(thinking_steps, ensure_ascii=False),
                create_time=now,
                update_time=now
            )
            logger.info(f"已创建思考过程到数据库，问题: {question[:50]}...")
    except Exception as e:
        logger.error(f"存储思考过程失败: {e}")


async def build_memory_retrieval_prompt(
    message: str,
    sender: str,
    target: str,
    chat_stream,
    tool_executor,
) -> str:
    """构建记忆检索提示
    使用两段式查询：第一步生成问题，第二步使用ReAct Agent查询答案
    
    Args:
        message: 聊天历史记录
        sender: 发送者名称
        target: 目标消息内容
        chat_stream: 聊天流对象
        tool_executor: 工具执行器（保留参数以兼容接口）
        
    Returns:
        str: 记忆检索结果字符串
    """
    start_time = time.time()
    
    logger.info(f"检测是否需要回忆，元消息：{message[:30]}...，消息长度: {len(message)}")
    try:
        time_now = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
        bot_name = global_config.bot.nickname
        chat_id = chat_stream.stream_id
        
        # 获取最近查询历史（最近1小时内的查询）
        recent_query_history = _get_recent_query_history(chat_id, time_window_seconds=600.0)
        if not recent_query_history:
            recent_query_history = "最近没有查询记录。"
        
        # 第一步：生成问题
        question_prompt = await global_prompt_manager.format_prompt(
            "memory_retrieval_question_prompt",
            bot_name=bot_name,
            time_now=time_now,
            chat_history=message,
            recent_query_history=recent_query_history,
            sender=sender,
            target_message=target,
        )
        
        success, response, reasoning_content, model_name = await llm_api.generate_with_model(
            question_prompt,
            model_config=model_config.model_task_config.tool_use,
            request_type="memory.question",
        )
        
        logger.info(f"记忆检索问题生成提示词: {question_prompt}")
        logger.info(f"记忆检索问题生成响应: {response}")
        logger.info(f"记忆检索问题生成推理: {reasoning_content}")
        logger.info(f"记忆检索问题生成模型: {model_name}")
        
        if not success:
            logger.error(f"LLM生成问题失败: {response}")
            return ""
        
        # 解析问题列表
        questions = _parse_questions_json(response)
        
        if not questions:
            logger.debug("模型认为不需要检索记忆或解析失败")
            return ""
        
        logger.info(f"解析到 {len(questions)} 个问题: {questions}")
        
        # 第二步：对每个问题查询答案
        all_results = []
        for question in questions:
            logger.info(f"开始处理问题: {question}")
            
            # 先检查thinking_back数据库中是否有现成答案
            cached_result = _query_thinking_back(chat_id, question)
            should_requery = False
            
            if cached_result:
                cached_found_answer, cached_answer = cached_result
                
                # 根据found_answer的值决定是否重新查询
                if cached_found_answer:  # found_answer == 1 (True)
                    # found_answer == 1：20%概率重新查询
                    if random.random() < 0.2:
                        should_requery = True
                        logger.info(f"found_answer=1，触发20%概率重新查询，问题: {question[:50]}...")
                    else:
                        # 使用缓存答案
                        if cached_answer:
                            logger.info(f"从thinking_back缓存中获取答案（found_answer=1），问题: {question[:50]}...")
                            all_results.append(f"问题：{question}\n答案：{cached_answer}")
                            continue  # 跳过ReAct Agent查询
                else:  # found_answer == 0 (False)
                    # found_answer == 0：40%概率重新查询
                    if random.random() < 0.4:
                        should_requery = True
                        logger.info(f"found_answer=0，触发40%概率重新查询，问题: {question[:50]}...")
                    else:
                        # 使用缓存答案（即使found_answer=0，也可能有部分答案）
                        if cached_answer:
                            logger.info(f"从thinking_back缓存中获取答案（found_answer=0），问题: {question[:50]}...")
                            all_results.append(f"问题：{question}\n答案：{cached_answer}")
                            continue  # 跳过ReAct Agent查询
            
            # 如果没有缓存答案或需要重新查询，使用ReAct Agent查询
            if not cached_result or should_requery:
                if should_requery:
                    logger.info(f"概率触发重新查询，使用ReAct Agent查询，问题: {question[:50]}...")
                else:
                    logger.info(f"未找到缓存答案，使用ReAct Agent查询，问题: {question[:50]}...")
                
                found_answer, answer, thinking_steps = await _react_agent_solve_question(
                    question=question,
                    chat_id=chat_id,
                    max_iterations=5,
                    timeout=30.0
                )
                
                # 存储到数据库
                _store_thinking_back(
                    chat_id=chat_id,
                    question=question,
                    context=message,  # 只存储前500字符作为上下文
                    found_answer=found_answer,
                    answer=answer,
                    thinking_steps=thinking_steps
                )
                
                if found_answer and answer:
                    all_results.append(f"问题：{question}\n答案：{answer}")
        
        end_time = time.time()
        
        if all_results:
            retrieved_memory = "\n\n".join(all_results)
            logger.info(f"记忆检索成功，耗时: {(end_time - start_time):.3f}秒")
            return f"你回忆起了以下信息：\n{retrieved_memory}\n请在回复时参考这些回忆的信息。\n"
        else:
            logger.debug("所有问题均未找到答案")
            return ""
            
    except Exception as e:
        logger.error(f"记忆检索时发生异常: {str(e)}")
        return ""


def _parse_questions_json(response: str) -> List[str]:
    """解析问题JSON
    
    Args:
        response: LLM返回的响应
        
    Returns:
        List[str]: 问题列表
    """
    try:
        # 尝试提取JSON（可能包含在```json代码块中）
        json_pattern = r"```json\s*(.*?)\s*```"
        matches = re.findall(json_pattern, response, re.DOTALL)
        
        if matches:
            json_str = matches[0]
        else:
            # 尝试直接解析整个响应
            json_str = response.strip()
        
        # 修复可能的JSON错误
        repaired_json = repair_json(json_str)
        
        # 解析JSON
        questions = json.loads(repaired_json)
        
        if not isinstance(questions, list):
            logger.warning(f"解析的JSON不是数组格式: {questions}")
            return []
        
        # 确保所有元素都是字符串
        questions = [q for q in questions if isinstance(q, str) and q.strip()]
        
        return questions
        
    except Exception as e:
        logger.error(f"解析问题JSON失败: {e}, 响应内容: {response[:200]}...")
        return []