diff --git a/plugins/member_roast/config.toml b/plugins/member_roast/config.toml index fea7230..1aad262 100644 --- a/plugins/member_roast/config.toml +++ b/plugins/member_roast/config.toml @@ -14,8 +14,12 @@ command_format = """ # 2. “锐评”更需要创意表达、梗感和自然语言发挥； # 3. 因此优先复用 chat.main，既稳定又方便后续单独切换模型。 scene = "chat.main" -temperature = 0.9 -max_tokens = 700 +# 模型参数往“稳一点、省一点”方向收： +# 1. 锐评需要一点攻击性，但不需要高温到处乱飞； +# 2. 最近发言已经被结构化提炼，正文也限制在一屏内，token 上限没必要放太大； +# 3. 这样可以明显降低幻觉概率和单次调用成本。 +temperature = 0.65 +max_tokens = 480 timeout_seconds = 120 max_retries = 2 retry_delay_seconds = 1.5 diff --git a/plugins/member_roast/main.py b/plugins/member_roast/main.py index d977bca..e5f145c 100644 --- a/plugins/member_roast/main.py +++ b/plugins/member_roast/main.py @@ -2,6 +2,7 @@ import json import re import xml.etree.ElementTree as ET +from collections import Counter from datetime import datetime, timedelta from typing import Any, Dict, List, Optional, Tuple @@ -336,6 +337,21 @@ class MemberRoastPlugin(MessagePluginInterface): FEATURE_KEY = "MEMBER_ROAST" FEATURE_DESCRIPTION = "🗡️ 成员锐评 [@机器人 锐评一下 @某人]" + RECENT_MESSAGE_STOPWORDS = { + "这个", "那个", "就是", "然后", "但是", "还是", "我们", "你们", "他们", "自己", "一下", + "已经", "没有", "一个", "可以", "什么", "怎么", "今天", "昨天", "现在", "时候", "知道", + "觉得", "真的", "感觉", "不是", "还有", "因为", "所以", "这里", "那里", "一下子", "的话", + "and", "the", "for", "with", "that", "this", "from", "have", "just", "like", + } + # 最近消息提炼后的各项上限统一收在这里： + # 1. 方便后续继续调 token 成本时只改一处； + # 2. 避免不同方法里散落硬编码，导致线上效果不一致； + # 3. 上限偏保守，优先保“稳定特征”而不是堆材料。 + RECENT_REPEAT_LIMIT = 6 + RECENT_KEYWORD_LIMIT = 12 + RECENT_SAMPLE_LIMIT = 8 + PROMPT_TIMELINE_LIMIT = 6 + PROMPT_TEXT_LIMIT = 120 @property def name(self) -> str: @@ -383,6 +399,11 @@ class MemberRoastPlugin(MessagePluginInterface): self.min_output_chars = 140 self.sharpness_level = "high" self.name_match_min_chars = 2 + # 这里给一个默认值兜底： + # 1. `_build_user_prompt` 会直接使用该窗口天数； + # 2. 如果插件刚构造、但还没完整初始化就被调用，至少不会因为属性不存在直接报错； + # 3. 真正运行时仍会在 `initialize` 里按配置覆盖。 + self.history_profile_days = 60 def initialize(self, context: Dict[str, Any]) -> bool: """初始化插件。""" @@ -405,6 +426,11 @@ class MemberRoastPlugin(MessagePluginInterface): profile_cfg = self._config.get("profile", {}) or {} self.name_match_min_chars = max(int(profile_cfg.get("name_match_min_chars", 2) or 2), 1) + # 历史窗口需要同步到插件实例本身： + # 1. prompt 组装阶段会直接引用它； + # 2. 之前只有 service 上有这个值，运行时存在属性缺失风险； + # 3. 这里和 service 保持同一配置口径，避免“两边窗口不一致”。 + self.history_profile_days = max(int(profile_cfg.get("history_profile_days", 60) or 60), 1) db_manager = context.get("db_manager") if not db_manager: @@ -662,21 +688,11 @@ class MemberRoastPlugin(MessagePluginInterface): meta = member_context.get("meta", {}) or {} group_style = group_memory_profile.get("style_profile", {}) or {} - # 最近 50 条发言是这次锐评最关键的“即时素材”： - # 1. 画像决定“这个人长期像谁”； - # 2. 最近发言决定“这阵子他又在发什么病”； - # 3. 两者结合，模型才更容易产出既稳定又有当期节目效果的锐评。 - recent_lines = [] - for idx, item in enumerate(recent_messages, start=1): - ts = item.get("timestamp") - if isinstance(ts, datetime): - ts_text = ts.strftime("%m-%d %H:%M") - else: - ts_text = str(ts or "")[5:16] if str(ts or "") else "" - content = str(item.get("content", "") or "").replace("\n", " ").strip() - if not content: - continue - recent_lines.append(f"{idx}. [{ts_text}] {content}") + # 最近 200 条消息不再原样整包塞给模型： + # 1. 原样传会让 token 体积迅速膨胀； + # 2. 模型也容易被偶发句子带偏，出现“抓住一条就开始瞎判”的幻觉； + # 3. 这里先做结构化提炼，再保留少量代表句，既省 token，也更稳。 + recent_message_profile = self._build_recent_message_profile(recent_messages) prompt_payload = { "任务说明": "请基于以下真实素材，为目标成员写一段有传播性的群聊锐评。", @@ -718,7 +734,7 @@ class MemberRoastPlugin(MessagePluginInterface): "长期发言模式": historical_member_profile.get("message_pattern", []), "长期互动风格": historical_member_profile.get("interaction_style", []), "阶段变化轨迹": historical_member_profile.get("phase_state", []), - "历史时间线": historical_member_profile.get("timeline", []), + "历史时间线": (historical_member_profile.get("timeline", []) or [])[: self.PROMPT_TIMELINE_LIMIT], }, "群聊背景": { "群名": payload.get("group_name", ""), @@ -730,18 +746,172 @@ class MemberRoastPlugin(MessagePluginInterface): "窗口天数": historical_group_profile.get("history_days", self.history_profile_days), "总结条数": historical_group_profile.get("summary_count", 0), "历史关注主题": historical_group_profile.get("focus_topics", []), - "历史时间线": historical_group_profile.get("timeline", []), + "历史时间线": (historical_group_profile.get("timeline", []) or [])[: self.PROMPT_TIMELINE_LIMIT], }, - "最近发言样本": recent_lines, + "最近200条发言提炼": recent_message_profile, "额外要求": [ "要像熟人看破不说破，不要像机器写分析。", "可以先抬后杀，也可以连续抓几个典型症状。", "如果这人明显偏技术、答疑、摸鱼、抽象、嘴硬、复读机、群气氛组，请点出来。", "必须同时参考“当前成员画像”和“近两个月历史画像”，如果两者有反差，要把这种反差写出来。", + "优先依据“高频模式、重复措辞、代表句”下结论，不要因为单条偶发发言脑补大设定。", + "如果最近发言提炼和长期画像冲突，允许描述为“最近状态跑偏了”，不要硬判成永久特征。", f"发起请求的人是：{requester_name}" if requester_name else "", ], } - return json.dumps(prompt_payload, ensure_ascii=False, indent=2) + # 最终再做一次 prompt 压缩： + # 1. 去掉空字段，避免模型看到大量“空壳键名”； + # 2. 限制超长文本和列表，防止历史摘要把上下文挤爆； + # 3. 使用紧凑 JSON，而不是缩进版，直接减少 token。 + compact_payload = self._compact_prompt_payload(prompt_payload) + return json.dumps(compact_payload, ensure_ascii=False, separators=(",", ":")) + + def _compact_prompt_payload(self, value: Any) -> Any: + """压缩 prompt 载荷，减少无效 token 并降低幻觉诱因。""" + if isinstance(value, dict): + compact_dict: Dict[str, Any] = {} + for key, item in value.items(): + compact_item = self._compact_prompt_payload(item) + if compact_item in ("", [], {}, None): + continue + compact_dict[key] = compact_item + return compact_dict + + if isinstance(value, list): + compact_list: List[Any] = [] + for item in value: + compact_item = self._compact_prompt_payload(item) + if compact_item in ("", [], {}, None): + continue + compact_list.append(compact_item) + return compact_list + + if isinstance(value, str): + text = re.sub(r"\s+", " ", value).strip() + if len(text) <= self.PROMPT_TEXT_LIMIT: + return text + # 长文本只保留前半段关键信息： + # 1. 这里主要针对摘要、时间线这类字段； + # 2. 它们的作用是“提供背景”，不是让模型逐字精读； + # 3. 截断后仍然保留前部主结论，性价比更高。 + return text[: self.PROMPT_TEXT_LIMIT].rstrip("，,；;、 ") + "…" + + return value + + def _build_recent_message_profile(self, recent_messages: List[Dict[str, Any]]) -> Dict[str, Any]: + """把最近消息压缩成更适合给模型的结构化画像。 + + 压缩目标： + 1. 尽量保留“重复出现的稳定模式”，而不是平均分配注意力给 200 条原文； + 2. 用高频短语、关键词、问句/感叹句比例、代表句来降低模型幻觉概率； + 3. 让模型先看结论，再看少量样本佐证，减少 token 消耗。 + """ + normalized_texts: List[str] = [] + repeated_sentence_counter: Counter[str] = Counter() + keyword_counter: Counter[str] = Counter() + punct_counter: Counter[str] = Counter() + representative_samples: List[str] = [] + + for item in recent_messages: + text = str(item.get("content", "") or "").replace("\n", " ").strip() + if not text: + continue + text = re.sub(r"\s+", " ", text) + normalized_texts.append(text) + + # 统计“几乎原样重复”的短句，这类内容对群聊人设识别价值很高， + # 比如复读某个梗、固定口头禅、常见抱怨模板。 + repeat_key = re.sub(r"\s+", "", text) + if 2 <= len(repeat_key) <= 24: + repeated_sentence_counter[repeat_key] += 1 + + for token in self._extract_recent_message_tokens(text): + keyword_counter[token] += 1 + + punct_counter["question"] += text.count("?") + text.count("？") + punct_counter["exclaim"] += text.count("!") + text.count("！") + punct_counter["ellipsis"] += text.count("…") + text.count("...") + + representative_samples = self._pick_representative_samples(normalized_texts) + total = max(len(normalized_texts), 1) + + return { + "样本条数": len(normalized_texts), + "高频短句": [ + item[: self.PROMPT_TEXT_LIMIT] + for item, count in repeated_sentence_counter.most_common(self.RECENT_REPEAT_LIMIT) + if count >= 2 + ], + "高频关键词": [ + item + for item, count in keyword_counter.most_common(self.RECENT_KEYWORD_LIMIT) + if count >= 2 + ], + "近期语气指标": { + "问句占比": round(punct_counter["question"] / total, 3), + "感叹句占比": round(punct_counter["exclaim"] / total, 3), + "省略号占比": round(punct_counter["ellipsis"] / total, 3), + }, + # 代表句只保留少量，有利于模型“看证据”，又不至于把 token 烧在长聊天流水上。 + "代表句样本": representative_samples[: self.RECENT_SAMPLE_LIMIT], + } + + def _extract_recent_message_tokens(self, text: str) -> List[str]: + """从单条消息中提取较稳定的关键词。 + + 规则尽量保守： + 1. 中文按 2~6 字连续片段抓取，避免单字噪声； + 2. 英文/数字词保留长度 >= 3 的 token； + 3. 过滤掉常见虚词，减少模型被“这个、那个、然后”之类词误导。 + """ + tokens: List[str] = [] + ascii_tokens = re.findall(r"[A-Za-z0-9_./-]{3,32}", text) + chinese_tokens = re.findall(r"[\u4e00-\u9fa5]{2,6}", text) + + for token in ascii_tokens + chinese_tokens: + normalized = str(token or "").strip().lower() + if not normalized: + continue + if normalized in self.RECENT_MESSAGE_STOPWORDS: + continue + if normalized.isdigit(): + continue + tokens.append(normalized) + return tokens + + @staticmethod + def _pick_representative_samples(texts: List[str]) -> List[str]: + """挑选少量最能体现人设的代表句。 + + 选取策略不追求复杂模型，只做确定性压缩： + 1. 先保留问句、感叹句、较长句、包含“技术/问题/吐槽”味道的句子； + 2. 再做去重，避免 12 条样本里 8 条都是同一种废话。 + """ + scored: List[Tuple[int, str]] = [] + for text in texts: + score = 0 + if "？" in text or "?" in text: + score += 3 + if "！" in text or "!" in text: + score += 2 + if len(text) >= 18: + score += 2 + if any(keyword in text.lower() for keyword in ["报错", "问题", "哈哈", "笑死", "离谱", "摸鱼", "接口", "配置", "版本", "怎么"]): + score += 2 + scored.append((score, text)) + + scored.sort(key=lambda item: (-item[0], -len(item[1]))) + result: List[str] = [] + seen = set() + for _, text in scored: + normalized = re.sub(r"\s+", "", text) + if normalized in seen: + continue + seen.add(normalized) + result.append(text[: MemberRoastPlugin.PROMPT_TEXT_LIMIT]) + if len(result) >= MemberRoastPlugin.RECENT_SAMPLE_LIMIT: + break + return result def _post_process_roast_text(self, roast_text: str, target_name: str) -> str: """清洗模型输出，统一成更适合直接发群的格式。"""