Losita/mai-bot
0
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat：加入人物信息检索

Browse Source
This commit is contained in:
SengokuCola
2025-11-14 23:14:20 +08:00
parent aa7fd1df90
commit ff56bd043c
3 changed files with 316 additions and 19 deletions
Download Patch File Download Diff File Expand all files Collapse all files

100
src/memory_system/memory_retrieval.py
View File

@@ -34,8 +34,9 @@ def init_memory_retrieval_prompt():
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
4. 是否有问题可以搜集信息帮助你聊天
5. 对话中是否包含黑话、俚语、缩写等可能需要查询的概念
4. 是否需要查找某人的信息（person: 如果对话中提到人名、昵称、用户ID等，需要查询该人物的详细信息）
5. 是否有问题可以搜集信息帮助你聊天
6. 对话中是否包含黑话、俚语、缩写等可能需要查询的概念
重要提示：
- **每次只能提出一个问题**，选择最需要查询的关键问题
@@ -44,8 +45,9 @@ def init_memory_retrieval_prompt():
- 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：
1. 先识别对话中可能需要查询的概念（黑话/俚语/缩写/人名/专有名词等关键词）
2. 然后根据上下文提出**一个**最关键的问题来帮助你回复目标消息
1. 先识别对话中可能需要查询的概念（黑话/俚语/缩写/专有名词等关键词），放入"concepts"字段
2. 识别对话中提到的人物名称（人名、昵称等），放入"person"字段
3. 然后根据上下文提出**一个**最关键的问题来帮助你回复目标消息，放入"questions"字段
问题格式示例：
- "xxx在前几天干了什么"
@@ -53,14 +55,16 @@ def init_memory_retrieval_prompt():
- "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，包含两个字段：
请输出JSON格式，包含三个字段：
- "concepts": 需要检索的概念列表（字符串数组），如果不需要检索概念则输出空数组[]
- "person": 需要查询的人物名称列表（字符串数组），如果不需要查询人物信息则输出空数组[]
- "questions": 问题数组（字符串数组），如果不需要检索记忆则输出空数组[]，如果需要检索则只输出包含一个问题的数组
输出格式示例（需要检索时）：
```json
{{
"concepts": ["AAA", "BBB", "CCC"],
"person": ["张三", "李四"],
"questions": ["张三在前几天干了什么"]
}}
```
@@ -69,6 +73,7 @@ def init_memory_retrieval_prompt():
```json
{{
"concepts": [],
"person": [],
"questions": []
}}
```
@@ -305,6 +310,47 @@ async def _retrieve_concepts_with_jargon(
return ""
async def _retrieve_persons_info(
persons: List[str],
chat_id: str
) -> str:
"""对人物列表进行信息检索
Args:
persons: 人物名称列表
chat_id: 聊天ID
Returns:
str: 检索结果字符串
"""
if not persons:
return ""
from src.memory_system.retrieval_tools.query_person_info import query_person_info
results = []
for person in persons:
person = person.strip()
if not person:
continue
try:
person_info = await query_person_info(person)
if person_info and "未找到" not in person_info:
results.append(f"【{person}】\n{person_info}")
logger.info(f"查询到人物信息: {person}")
else:
results.append(f"未找到人物'{person}'的信息")
logger.info(f"未找到人物信息: {person}")
except Exception as e:
logger.error(f"查询人物信息失败: {person}, 错误: {e}")
results.append(f"查询人物'{person}'信息时发生错误: {str(e)}")
if results:
return "【人物信息检索结果】\n" + "\n\n".join(results) + "\n"
return ""
async def _react_agent_solve_question(
question: str,
chat_id: str,
@@ -972,27 +1018,39 @@ async def build_memory_retrieval_prompt(
logger.error(f"LLM生成问题失败: {response}")
return ""
# 解析概念列表和问题列表
concepts, questions = _parse_questions_json(response)
# 解析概念列表、人物列表和问题列表
concepts, persons, questions = _parse_questions_json(response)
logger.info(f"解析到 {len(concepts)} 个概念: {concepts}")
logger.info(f"解析到 {len(persons)} 个人物: {persons}")
logger.info(f"解析到 {len(questions)} 个问题: {questions}")
# 对概念进行jargon检索，作为初始信息
initial_info = ""
if concepts:
logger.info(f"开始对 {len(concepts)} 个概念进行jargon检索")
initial_info = await _retrieve_concepts_with_jargon(concepts, chat_id)
if initial_info:
logger.info(f"概念检索完成，结果: {initial_info[:200]}...")
concept_info = await _retrieve_concepts_with_jargon(concepts, chat_id)
if concept_info:
initial_info += concept_info
logger.info(f"概念检索完成，结果: {concept_info[:200]}...")
else:
logger.info("概念检索未找到任何结果")
# 对人物进行信息检索，添加到初始信息
if persons:
logger.info(f"开始对 {len(persons)} 个人物进行信息检索")
person_info = await _retrieve_persons_info(persons, chat_id)
if person_info:
initial_info += person_info
logger.info(f"人物信息检索完成，结果: {person_info[:200]}...")
else:
logger.info("人物信息检索未找到任何结果")
# 获取缓存的记忆（与question时使用相同的时间窗口和数量限制）
cached_memories = _get_cached_memories(chat_id, time_window_seconds=300.0)
if not questions:
logger.debug("模型认为不需要检索记忆或解析失败")
# 即使没有当次查询，也返回缓存的记忆和概念检索结果
# 即使没有当次查询，也返回缓存的记忆、概念检索结果和人物信息检索结果
all_results = []
if initial_info:
all_results.append(initial_info.strip())
@@ -1002,7 +1060,7 @@ async def build_memory_retrieval_prompt(
if all_results:
retrieved_memory = "\n\n".join(all_results)
end_time = time.time()
logger.info(f"无当次查询，返回缓存记忆和概念检索结果，耗时: {(end_time - start_time):.3f}秒")
logger.info(f"无当次查询，返回缓存记忆、概念检索和人物信息检索结果，耗时: {(end_time - start_time):.3f}秒")
return f"你回忆起了以下信息：\n{retrieved_memory}\n如果与回复内容相关，可以参考这些回忆的信息。\n"
else:
return ""
@@ -1063,14 +1121,14 @@ async def build_memory_retrieval_prompt(
return ""
def _parse_questions_json(response: str) -> Tuple[List[str], List[str]]:
"""解析问题JSON，返回概念列表和问题列表
def _parse_questions_json(response: str) -> Tuple[List[str], List[str], List[str]]:
"""解析问题JSON，返回概念列表、人物列表和问题列表
Args:
response: LLM返回的响应
Returns:
Tuple[List[str], List[str]]: (概念列表, 问题列表)
Tuple[List[str], List[str], List[str]]: (概念列表, 人物列表, 问题列表)
"""
try:
# 尝试提取JSON（可能包含在```json代码块中）
@@ -1089,26 +1147,30 @@ def _parse_questions_json(response: str) -> Tuple[List[str], List[str]]:
# 解析JSON
parsed = json.loads(repaired_json)
# 只支持新格式：包含concepts和questions的对象
# 只支持新格式：包含concepts、person和questions的对象
if not isinstance(parsed, dict):
logger.warning(f"解析的JSON不是对象格式: {parsed}")
return [], []
return [], [], []
concepts_raw = parsed.get("concepts", [])
persons_raw = parsed.get("person", [])
questions_raw = parsed.get("questions", [])
# 确保是列表
if not isinstance(concepts_raw, list):
concepts_raw = []
if not isinstance(persons_raw, list):
persons_raw = []
if not isinstance(questions_raw, list):
questions_raw = []
# 确保所有元素都是字符串
concepts = [c for c in concepts_raw if isinstance(c, str) and c.strip()]
persons = [p for p in persons_raw if isinstance(p, str) and p.strip()]
questions = [q for q in questions_raw if isinstance(q, str) and q.strip()]
return concepts, questions
return concepts, persons, questions
except Exception as e:
logger.error(f"解析问题JSON失败: {e}, 响应内容: {response[:200]}...")
return [], []
return [], [], []