from datetime import datetime from sqlmodel import select from typing import TYPE_CHECKING, List, Optional, Tuple import asyncio import difflib import json import re from src.llm_models.utils_model import LLMRequest from src.config.config import model_config, global_config from src.prompt.prompt_manager import prompt_manager from src.common.logger import get_logger from src.common.database.database_model import Expression from src.common.database.database import get_db_session from src.common.data_models.expression_data_model import MaiExpression from src.chat.utils.utils import is_bot_self from src.common.utils.utils_message import MessageUtils from .expression_utils import check_expression_suitability, parse_expression_response if TYPE_CHECKING: from src.chat.message_receive.message import SessionMessage from .jargon_miner import JargonMiner, JargonEntry logger = get_logger("expressor") # TODO: 重构完LLM相关内容后，替换成新的模型调用方式 express_learn_model = LLMRequest(model_set=model_config.model_task_config.utils, request_type="expression.learner") summary_model = LLMRequest(model_set=model_config.model_task_config.tool_use, request_type="expression.summary") check_model = LLMRequest(model_set=model_config.model_task_config.tool_use, request_type="expression.check") class ExpressionLearner: def __init__(self, session_id: str) -> None: self.session_id = session_id # 学习锁，防止并发执行学习任务 self._learning_lock = asyncio.Lock() # 消息缓存 self._messages_cache: List["SessionMessage"] = [] def add_messages(self, messages: List["SessionMessage"]) -> None: """添加消息到缓存""" self._messages_cache.extend(messages) def get_cache_size(self) -> int: """获取当前消息缓存的大小""" return len(self._messages_cache) async def learn(self, jargon_miner: Optional["JargonMiner"] = None): """学习主流程""" if not self._messages_cache: logger.debug("没有消息可供学习，跳过学习过程") return # 构建可读消息 readable_message, _, _ = await MessageUtils.build_readable_message( self._messages_cache, anonymize=True, show_lineno=True, extract_pictures=True, replace_bot_name=True, target_bot_name="SELF", ) # 准备提示词 prompt_template = prompt_manager.get_prompt("learn_style") prompt_template.add_context("bot_name", global_config.bot.nickname) prompt_template.add_context("chat_str", readable_message) prompt = await prompt_manager.render_prompt(prompt_template) # 调用 LLM 学习表达方式 try: response, _ = await express_learn_model.generate_response_async(prompt, temperature=0.3) except Exception as e: logger.error(f"学习表达方式失败，模型生成出错：{e}") return # 解析 LLM 返回的表达方式列表和黑话列表（包含来源行编号） expressions: List[Tuple[str, str, str]] jargon_entries: List[Tuple[str, str]] # (content, source_id) expressions, jargon_entries = parse_expression_response(response) # 从缓存中检查 jargon 是否出现在 messages 中 if cached_jargon_entries := self._check_cached_jargons_in_messages(jargon_miner): # 合并缓存中的 jargon 条目（去重：如果 content 已存在则跳过） existing_contents = {content for content, _ in jargon_entries} for content, source_id in cached_jargon_entries: if content not in existing_contents: jargon_entries.append((content, source_id)) existing_contents.add(content) logger.info(f"从缓存中检查到黑话：{content}") # 检查表达方式数量，如果超过 20 个则放弃本次表达学习 if len(expressions) > 20: logger.info(f"表达方式提取数量超过 20 个（实际{len(expressions)}个），放弃本次表达学习") expressions = [] # 检查黑话数量，如果超过 30 个则放弃本次黑话学习 if len(jargon_entries) > 30: logger.info(f"黑话提取数量超过 30 个（实际{len(jargon_entries)}个），放弃本次黑话学习") jargon_entries = [] # 处理黑话条目，路由到 jargon_miner（即使没有表达方式也要处理黑话） # TODO: 检测是否开启了 if jargon_entries: await self._process_jargon_entries(jargon_entries, jargon_miner) # 如果没有表达方式，直接返回 if not expressions: logger.info("解析后没有可用的表达方式") return logger.info(f"学习的 expressions: {expressions}") logger.info(f"学习的 jargon_entries: {jargon_entries}") # 过滤表达方式，根据 source_id 溯源并应用各种过滤规则 learnt_expressions = self._filter_expressions(expressions) if not learnt_expressions: logger.info("没有学习到表达风格") return # 展示学到的表达方式 learnt_expressions_str = "\n".join(f"{situation}->{style}" for situation, style in learnt_expressions) logger.info(f"在 {self.session_id} 学习到表达风格:\n{learnt_expressions_str}") # 存储到数据库 Expression 表 for situation, style in learnt_expressions: await self._upsert_expression_to_db(situation, style) # ====== 黑话相关 ====== def _check_cached_jargons_in_messages(self, jargon_miner: Optional["JargonMiner"] = None) -> List[Tuple[str, str]]: """ 检查缓存中的 jargon 是否出现在 messages 中 Args: jargon_miner: JargonMiner 实例，用于获取缓存的黑话 Returns: List[Tuple[str, str]]: 匹配到的黑话条目列表，每个元素是 (content, source_id) """ if not jargon_miner: return [] # 获取缓存的所有 jargon 实例 cached_jargons = jargon_miner.get_cached_jargons() if not cached_jargons: return [] matched_entries: List[Tuple[str, str]] = [] for i, msg in enumerate(self._messages_cache): # 跳过机器人自己的消息 if is_bot_self(msg.platform, msg.message_info.user_info.user_id): continue # 获取消息文本 msg_text = (msg.processed_plain_text or "").strip() if not msg_text: continue # 检查每个缓存中的 jargon 是否出现在消息文本中 for jargon in cached_jargons: if not jargon or not jargon.strip(): continue jargon_content = jargon.strip() # 使用正则匹配，考虑单词边界（类似 jargon_explainer 中的逻辑） pattern = re.escape(jargon_content) # 对于中文，使用更宽松的匹配；对于英文/数字，使用单词边界 if re.search(r"[\u4e00-\u9fff]", jargon_content): # 包含中文，使用更宽松的匹配 search_pattern = pattern else: # 纯英文/数字，使用单词边界 search_pattern = r"\b" + pattern + r"\b" if re.search(search_pattern, msg_text, re.IGNORECASE): # 找到匹配，构建条目（source_id 从 1 开始，因为 build_readable_message 的编号从 1 开始） source_id = str(i + 1) matched_entries.append((jargon_content, source_id)) return matched_entries async def _process_jargon_entries( self, jargon_entries: List[Tuple[str, str]], jargon_miner: Optional["JargonMiner"] = None ): """ 处理从 expression learner 提取的黑话条目，路由到 jargon_miner Args: jargon_entries: 黑话条目列表，每个元素是 (content, source_id) jargon_miner: JargonMiner 实例 """ if not jargon_entries or not self._messages_cache: return if not jargon_miner: logger.warning("缺少 JargonMiner 实例，无法处理黑话条目") return # 构建黑话条目格式 entries: List["JargonEntry"] = [] for content, source_id in jargon_entries: content = content.strip() if not content: continue # 过滤掉包含 SELF 的黑话，不学习 if "SELF" in content: logger.info(f"跳过包含 SELF 的黑话：{content}") continue # TODO: 多平台兼容 # 检查是否包含机器人名称 bot_nickname = global_config.bot.nickname if bot_nickname and bot_nickname in content: logger.info(f"跳过包含机器人昵称的黑话：{content}") continue # 解析 source_id if not source_id.isdigit(): logger.warning(f"黑话条目 source_id 无效：content={content}, source_id={source_id}") continue # build_readable_message 的编号从 1 开始 line_index = int(source_id) - 1 if line_index < 0 or line_index >= len(self._messages_cache): logger.warning(f"黑话条目 source_id 超出范围：content={content}, source_id={source_id}") continue # 检查是否是机器人自己的消息 target_msg = self._messages_cache[line_index] if is_bot_self(target_msg.platform, target_msg.message_info.user_info.user_id): logger.info(f"跳过引用机器人自身消息的黑话：content={content}, source_id={source_id}") continue # 构建上下文段落（取前后各 3 条消息） start_idx = max(0, line_index - 3) end_idx = min(len(self._messages_cache), line_index + 4) context_msgs = self._messages_cache[start_idx:end_idx] context_paragraph = "\n".join( [f"[{i + 1}] {msg.processed_plain_text or ''}" for i, msg in enumerate(context_msgs)] ) if not context_paragraph: logger.warning(f"黑话条目上下文为空：content={content}, source_id={source_id}") continue entries.append({"content": content, "raw_content": {context_paragraph}}) # type: ignore if not entries: return await jargon_miner.process_extracted_entries(entries) logger.info(f"成功处理 {len(entries)} 个黑话条目") # ====== 过滤方法 ====== def _filter_expressions(self, expressions: List[Tuple[str, str, str]]) -> List[Tuple[str, str]]: """ 过滤表达方式，移除不符合条件的条目 Args: expressions: 表达方式列表，每个元素是 (situation, style, source_id) Returns: 过滤后的表达方式列表，每个元素是 (situation, style) """ filtered_expressions: List[Tuple[str, str]] = [] # 准备机器人名称集合（用于过滤 style 与机器人名称重复的表达） # TODO: 完善这里的机器人名称检测逻辑（考虑别名、不同平台的名称等） banned_names: set[str] = set() bot_nickname = global_config.bot.nickname if bot_nickname: banned_names.add(bot_nickname) alias_names = global_config.bot.alias_names or [] for alias in alias_names: if alias_stripped := alias.strip(): banned_names.add(alias_stripped) banned_casefold = {name.casefold() for name in banned_names if name} for situation, style, source_id in expressions: source_id_str = source_id.strip() if not source_id_str.isdigit(): continue # 无效的来源行编号，跳过 line_index = int(source_id_str) - 1 # build_readable_message 的编号从 1 开始 if line_index < 0 or line_index >= len(self._messages_cache): continue # 超出范围，跳过 # 当前行的原始消息 current_msg = self._messages_cache[line_index] # 过滤掉从 bot 自己发言中提取到的表达方式 if is_bot_self(current_msg.platform, current_msg.message_info.user_info.user_id): continue # 过滤掉无上下文的表达方式 context = (current_msg.processed_plain_text or "").strip() if not context: continue # 过滤掉包含 SELF 的内容（不学习） if "SELF" in situation or "SELF" in style or "SELF" in context: logger.info(f"跳过包含 SELF 的表达方式：situation={situation}, style={style}, source_id={source_id}") continue # 过滤掉 style 与机器人名称/昵称重复的表达 normalized_style = (style or "").strip() if normalized_style and normalized_style.casefold() in banned_casefold: logger.debug( f"跳过 style 与机器人名称重复的表达方式：situation={situation}, style={style}, source_id={source_id}" ) continue # 过滤掉包含 "[表情" 的内容 if "[表情包" in situation or "[表情包" in style or "[表情包" in context: logger.info(f"跳过包含表情标记的表达方式：situation={situation}, style={style}, source_id={source_id}") continue # 过滤掉包含 "[图片" 的内容 if "[图片" in situation or "[图片" in style or "[图片" in context: logger.info(f"跳过包含图片标记的表达方式：situation={situation}, style={style}, source_id={source_id}") continue filtered_expressions.append((situation, style)) return filtered_expressions # ====== DB 操作相关 ====== async def _upsert_expression_to_db(self, situation: str, style: str) -> None: """将表达方式写入数据库，存在时更新，不存在时新增。 Args: situation: 表达方式对应的使用情景。 style: 表达方式风格。 """ expr, similarity = self._find_similar_expression(situation) or (None, 0) if expr: # 根据相似度决定是否使用 LLM 总结 # 完全匹配（相似度 == 1.0）时不总结，相似匹配时总结 use_llm_summary = similarity < 1.0 await self._update_existing_expression(expr, situation, use_llm_summary=use_llm_summary) return # 没有找到匹配的记录，创建新记录 self._create_expression(situation, style) def _create_expression(self, situation: str, style: str) -> None: """创建新的表达方式记录。 Args: situation: 表达方式对应的使用情景。 style: 表达方式风格。 """ content_list = [situation] try: with get_db_session() as db: new_expr = Expression( situation=situation, style=style, content_list=json.dumps(content_list), count=1, session_id=self.session_id, last_active_time=datetime.now(), ) db.add(new_expr) db.flush() except Exception as e: logger.error(f"创建表达方式失败: {e}") async def _update_existing_expression(self, expr: "MaiExpression", situation: str, use_llm_summary: bool = True): expr.content.append(situation) expr.count += 1 expr.checked = False # count 增加时重置 checked 为 False expr.last_active_time = datetime.now() if use_llm_summary: # 相似匹配时，使用 LLM 重新组合 situation new_situation = await self._compose_situation_text(expr.content) if new_situation: expr.situation = new_situation try: with get_db_session() as session: if expr.item_id is None: raise ValueError("表达方式对象缺少 item_id，无法更新数据库记录") statement = select(Expression).filter_by(id=expr.item_id).limit(1) if db_expr := session.exec(statement).first(): db_expr.content_list = json.dumps(expr.content) db_expr.count = expr.count db_expr.checked = expr.checked db_expr.last_active_time = expr.last_active_time db_expr.situation = expr.situation # 更新 situation session.add(db_expr) else: logger.warning(f"表达方式 ID {expr.item_id} 在数据库中未找到，无法更新") except Exception as e: logger.error(f"更新表达方式失败: {e}") # count 增加后，立即进行一次检查 await self._check_expression(expr) # ====== 概括方法 ====== async def _compose_situation_text(self, content_list: List[str]) -> Optional[str]: texts = [c.strip() for c in content_list if c.strip()] if not texts: return None description = "\n".join(f"- {s}" for s in texts[-10:]) # 只取最近10条进行概括 prompt = ( "请阅读以下多个聊天情境描述，并将它们概括成一句简短的话，长度不超过20个字，保留共同特点：\n" f"{description}\n" "只输出概括内容。" ) try: summary, _ = await summary_model.generate_response_async(prompt, temperature=0.2) if summary := summary.strip(): return summary except Exception as e: logger.error(f"使用 LLM 生成表达方式概括失败: {e}") return None async def _check_expression(self, expr: "MaiExpression"): """ 检查表达方式（在 count 增加后调用） Args: expr (MaiExpression): 要检查的表达方式对象 """ if not global_config.expression.expression_self_reflect: logger.debug("表达方式自我反思功能未启用，跳过检查") return suitable, reason, error = await check_expression_suitability(expr.situation, expr.style) if error: logger.error(f"检查表达方式时发生错误: {error}") return expr.checked = True expr.rejected = not suitable try: with get_db_session() as session: statement = select(Expression).filter_by(id=expr.item_id).limit(1) if db_expr := session.exec(statement).first(): db_expr.checked = expr.checked db_expr.rejected = expr.rejected session.add(db_expr) else: logger.warning(f"表达方式 ID {expr.item_id} 在数据库中未找到，无法更新检查结果") except Exception as e: logger.error(f"更新表达方式检查结果失败: {e}") status = "通过" if suitable else "不通过" logger.info( f"表达方式检查完成 [ID: {expr.item_id}] - {status} | " f"Situation: {expr.situation[:30]}... | " f"Style: {expr.style[:30]}... | " f"Reason: {reason[:50] if reason else '无'}..." ) def _find_similar_expression( self, situation: str, similarity_threshold: float = 0.75 ) -> Optional[Tuple[MaiExpression, float]]: """在数据库中查找相似的表达方式。 Args: situation: 当前待匹配的情景描述。 similarity_threshold: 认定为相似表达方式的最低相似度阈值。 Returns: Optional[Tuple[MaiExpression, float]]: 若找到最相似的表达方式，则返回 ``(表达方式对象, 相似度)``；否则返回 ``None``。 """ try: with get_db_session(auto_commit=False) as session: statement = select(Expression).filter_by(session_id=self.session_id) expressions = session.exec(statement).all() best_match: Optional[MaiExpression] = None best_similarity = 0.0 for db_expression in expressions: expression = MaiExpression.from_db_instance(db_expression) candidate_situations = [expression.situation, *expression.content] for candidate_situation in candidate_situations: normalized_candidate_situation = candidate_situation.strip() if not normalized_candidate_situation: continue similarity = difflib.SequenceMatcher( None, situation, normalized_candidate_situation, ).ratio() if similarity > similarity_threshold and similarity > best_similarity: best_similarity = similarity best_match = expression if best_match: logger.debug(f"找到相似表达方式情景 [ID: {best_match.item_id}]，相似度: {best_similarity:.2f}") return best_match, best_similarity except Exception as e: logger.error(f"查找相似表达方式失败: {e}") return None