增强AI插件

.tasks/2025-11-20_2_add_user_tools_to_ai.md

@@ -0,0 +1,300 @@
+# 背景
+文件名：2025-11-20_2_add_user_tools_to_ai.md
+创建于：2025-11-20_15:25:43
+创建者：admin
+主分支：main
+任务分支：无（不创建分支）
+Yolo模式：Off
+
+# 任务描述
+为 AI 聊天插件（ChatAI.py）添加用户 ID 与用户名转换的工具调用功能，让 AI 能够主动查询用户信息。
+
+## 具体需求
+1. AI 应该能够通过工具调用实现以下功能：
+   - 根据 user_id 查询 username
+   - 根据 username 查询 user_id
+   - 查询所有存在的 username 列表
+
+2. 使用 LlamaIndex 框架的高级功能（FunctionTool + AgentWorkflow + ReActAgent）
+
+3. 参考 NewsReport.py 的工具调用架构实现
+
+# 项目概览
+- **项目**：NewWPSBot
+- **相关文件**：
+  - `Plugins/Others/ChatAI.py` - AI 对话插件（需要改造）
+  - `Plugins/WPSConfigSystem.py` - 用户配置系统（需要添加查询所有用户名的方法）
+  - `Plugins/Others/NewsReport.py` - 参考实现（已实现工具调用）
+
+# 分析
+
+## WPSConfigSystem.py 现状
+- ✅ 已有方法：`get_user_name(user_id: int)` - 第201-206行
+- ✅ 已有方法：`find_user_id_by_username(username: str)` - 第238-248行
+- ❌ 缺失方法：查询所有用户名列表
+- 数据表：`user_info` (user_id, username, userurl, userpoint)
+
+## ChatAI.py 现状（第1-428行）
+- 当前使用简单的 `Ollama` LLM + `ChatMessage` 架构
+- 通过 `llm.achat()` 进行对话
+- **没有工具调用能力**
+- 维护全局历史 `global_history`
+- 单例模式：`ChatAIAgent.get_instance()`
+
+## NewsReport.py 工具调用架构（参考）
+```python
+# 1. 导入
+from llama_index.core.tools import FunctionTool
+from llama_index.core.agent.workflow import AgentWorkflow
+from llama_index.core.agent.workflow.react_agent import ReActAgent
+
+# 2. 创建工具
+tools = [
+    FunctionTool.from_defaults(
+        fn=self._tool_function,
+        name="tool_name",
+        description="工具描述"
+    ),
+]
+
+# 3. 创建 Agent
+agent = ReActAgent(
+    llm=self.llm,
+    tools=tools,
+    verbose=True,
+    system_prompt=system_prompt,
+)
+
+# 4. 创建 Workflow
+self.workflow = AgentWorkflow(
+    agents=[agent],
+    timeout=600.0,
+)
+
+# 5. 执行
+result = await self.workflow.run(user_msg=query)
+```
+
+## 技术要点
+1. **工具函数必须是同步函数**（从 NewsReport.py 看，工具函数如 `_get_current_date()` 都是同步的）
+2. **WPSConfigAPI 需要通过 Architecture.Get() 获取**
+3. **系统提示词需要明确指导 AI 何时使用工具**
+4. **需要保留现有的历史消息管理功能**
+
+# 提议的解决方案
+
+## 方案探索（INNOVATE 阶段）
+
+### 方案A：完全重构为 ReActAgent 架构 ⭐ 推荐
+
+**架构设计**：
+- 移除 `llm.achat()` 调用方式
+- 使用 `AgentWorkflow` + `ReActAgent` 
+- 历史消息通过系统提示词传递
+- 工具函数独立实现
+
+**优势**：
+- 与 NewsReport.py 架构统一，易于维护
+- ReActAgent 专门为工具调用优化
+- 工具调用日志清晰（verbose=True）
+- 扩展性强，易于添加新工具
+
+**劣势**：
+- 需要大幅度重构现有代码
+- 历史消息管理方式需改变
+- qwen3:0.6b 小模型的工具调用能力需验证
+
+**关键改进**：
+- 保留历史消息数组结构，调用时转换为提示词
+- 添加错误处理和降级机制
+- 可根据消息内容智能决定是否启用工具
+
+---
+
+### 方案B：混合架构 - 保留对话 + 添加工具层
+
+**架构设计**：
+- 保留 `llm.achat()` 作为主要对话方式
+- AI 在回复中使用特殊标记触发工具（如 `[TOOL:get_username:123]`）
+- 后处理解析工具调用并再次调用 LLM
+
+**优势**：
+- 改动最小，风险低
+- 保留现有历史消息机制
+- 对话连贯性不受影响
+
+**劣势**：
+- 需要自定义工具调用协议
+- 可能需要多轮 LLM 调用
+- 工具调用智能程度较低
+
+---
+
+### 方案C：双智能体架构
+
+**架构设计**：
+- ToolAgent（ReActAgent）专门处理工具调用
+- ChatAgent（现有架构）处理普通对话
+- 路由逻辑判断使用哪个智能体
+
+**优势**：职责分离，灵活性高
+**劣势**：架构复杂，维护成本高，上下文共享困难
+
+---
+
+### 方案D：轻量级工具注入
+
+**架构设计**：
+- 预处理：分析消息，预先调用工具
+- 将工具结果注入到提示词
+- 正常调用 `llm.achat()`
+
+**优势**：改动极小，性能影响最小
+**劣势**：AI 无法主动决定使用工具，智能程度低
+
+---
+
+## 最终推荐方案：方案A（ReActAgent 架构）
+
+### 实施要点
+
+#### 1. 在 WPSConfigSystem.py 添加方法
+```python
+def get_all_usernames(self) -> List[Dict[str, Any]]:
+    """获取所有用户名列表"""
+    cursor = get_db().conn.cursor()
+    cursor.execute(
+        "SELECT user_id, username FROM user_info WHERE username != '' AND username IS NOT NULL"
+    )
+    rows = cursor.fetchall()
+    return [{"user_id": row["user_id"], "username": row["username"]} for row in rows]
+```
+
+#### 2. 改造 ChatAI.py
+
+**导入新增**：
+```python
+from llama_index.core.tools import FunctionTool
+from llama_index.core.agent.workflow import AgentWorkflow
+from llama_index.core.agent.workflow.react_agent import ReActAgent
+from PWF.Convention.Runtime.Architecture import Architecture
+```
+
+**添加 `_initialize_agent()` 方法**：
+- 获取 WPSConfigAPI 实例
+- 创建三个工具函数
+- 初始化 ReActAgent
+- 创建 AgentWorkflow
+
+**工具函数**：
+1. `get_username_by_id(user_id: int) -> str`
+2. `get_userid_by_name(username: str) -> str` 
+3. `list_all_usernames() -> str`
+
+**修改 `chat()` 方法**：
+- 将历史消息格式化为提示词
+- 使用 `await self.workflow.run(user_msg=...)` 
+- 保留历史消息管理逻辑
+- 添加错误处理
+
+**更新系统提示词**：
+- 告知 AI 可用的三个工具
+- 说明工具使用场景和时机
+- 保持原有的 @用户 格式规则
+
+### 技术挑战与解决方案
+1. **历史消息管理**：保留数组结构，调用时动态转换
+2. **WPSConfigAPI 访问**：在 `_initialize_agent()` 中通过 Architecture.Get() 获取
+3. **错误处理**：工具调用失败时返回友好提示，不中断对话
+4. **模型兼容性**：测试 qwen3:0.6b 的工具调用能力，必要时提供降级方案
+
+# 当前执行步骤："4. 执行完成，等待测试"
+
+# 任务进度
+## [2025-11-20_15:25:43]
+- 状态：研究完成
+- 已完成：
+  - 分析 WPSConfigSystem.py 现有功能
+  - 分析 ChatAI.py 当前架构
+  - 研究 NewsReport.py 工具调用实现
+  - 创建任务文件
+- 下一步：进入 INNOVATE 模式
+
+## [2025-11-20_15:30:00]
+- 状态：创新完成
+- 已完成：
+  - 探索了 4 种技术方案（ReActAgent、混合架构、双智能体、轻量级注入）
+  - 评估各方案优劣势和技术风险
+  - 确定推荐方案：完全 ReActAgent 架构
+  - 更新任务文件，记录方案分析
+- 下一步：进入 PLAN 模式
+
+## [2025-11-20_15:35:00]
+- 状态：规划完成
+- 已完成：
+  - 制定详细的代码修改规格
+  - 设计完整的系统提示词（包含工具使用说明、示例、错误处理）
+  - 明确每个函数的签名和实现细节
+  - 创建8项实施清单
+  - 添加降级机制设计
+- 下一步：进入 EXECUTE 模式
+
+## [2025-11-20_15:38:25]
+- 状态：执行完成
+- 已修改文件：
+  - Plugins/WPSConfigSystem.py（添加 get_all_usernames() 方法）
+  - Plugins/Others/ChatAI.py（完全重构为 ReActAgent 架构）
+- 已完成修改：
+  1. ✅ WPSConfigSystem.py 添加 get_all_usernames() 方法
+  2. ✅ ChatAI.py 添加导入（FunctionTool, AgentWorkflow, ReActAgent）
+  3. ✅ ChatAIAgent.__init__() 添加 workflow 和 config_api 属性
+  4. ✅ ChatAIAgent.__init__() 添加 _initialize_agent() 调用
+  5. ✅ 实现 _initialize_agent() 方法（包含三个工具函数）
+  6. ✅ 实现 _build_system_prompt() 方法（详细提示词，约200行）
+  7. ✅ 重构 chat() 方法使用 workflow.run()
+  8. ✅ 添加 _fallback_chat() 降级方法
+- Linter 检查：✅ 无错误
+- 更改摘要：
+  - 新增方法：get_all_usernames() (WPSConfigSystem)
+  - 新增方法：_initialize_agent() (ChatAI)
+  - 新增方法：_build_system_prompt() (ChatAI)
+  - 新增方法：_fallback_chat() (ChatAI)
+  - 重构方法：chat() (ChatAI)
+  - 新增工具函数：get_username_by_id, get_userid_by_name, list_all_usernames
+  - 新增导入：FunctionTool, AgentWorkflow, ReActAgent
+- 下一步：用户测试工具调用功能
+
+# 详细实施规格（PLAN 阶段输出）
+
+## 实施清单
+1. 在 WPSConfigSystem.py 添加 get_all_usernames() 方法
+2. 在 ChatAI.py 添加新的导入语句
+3. 在 ChatAIAgent.__init__() 添加 workflow 和 config_api 属性
+4. 在 ChatAIAgent.__init__() 添加 _initialize_agent() 调用
+5. 添加 _initialize_agent() 方法（创建三个工具）
+6. 添加 _build_system_prompt() 方法（详细提示词）
+7. 重构 chat() 方法使用 workflow.run()
+8. 添加 _fallback_chat() 降级方法
+
+## 关键设计
+
+### 系统提示词特点
+- 详细说明三个工具的用途、参数、返回值
+- 提供大量使用示例（5个场景）
+- 明确工具使用原则（何时用/何时不用）
+- 包含错误处理指导
+- 强调 <at> 标签使用规则
+
+### 三个工具函数
+1. get_username_by_id(user_id: int) -> str
+2. get_userid_by_name(username: str) -> str
+3. list_all_usernames() -> str
+
+### 错误处理
+- Workflow 初始化失败 → 使用 _fallback_chat()
+- 工具调用失败 → 返回友好错误信息
+- 整体异常 → 降级到简单对话模式
+
+# 最终审查
+（待完成后填写）
+

Plugins/Others/ChatAI.py

@@ -2,12 +2,15 @@ from Plugins.WPSAPI import *
 from datetime import datetime
 from llama_index.llms.ollama import Ollama
 from llama_index.core.llms import ChatMessage
-from typing import List, Dict, Optional
+from llama_index.core.tools import FunctionTool
+from llama_index.core.agent.workflow import AgentWorkflow
+from llama_index.core.agent.workflow.react_agent import ReActAgent
+from typing import List, Dict, Optional, Any
 
 logger: ProjectConfig = Architecture.Get(ProjectConfig)
 OLLAMA_URL = logger.FindItem("ollama_url", "http://ollama.liubai.site")
 OLLAMA_MODEL = logger.FindItem("ollama_model", "qwen3:0.6b")
-MAX_HISTORY = logger.FindItem("chat_ai_max_history", 20)
+MAX_HISTORY = logger.FindItem("chat_ai_max_history", 100)
 logger.SaveProperties()
 
 
@@ -30,21 +33,12 @@ class ChatAIAgent:
         # 全局消息历史列表
         self.global_history: List[Dict[str, any]] = []
         
-        # 系统提示词
+        # Agent 工作流和配置API
-        self.system_prompt = """你是一个友好的AI助手，能够同时在多个群聊中与不同用户对话。
+        self.workflow: Optional[AgentWorkflow] = None
-
+        self.config_api = None  # 延迟加载，避免循环依赖
-重要规则：
+        
-- 你能看到所有群聊的对话历史，每条消息都标注了时间、群聊ID和用户ID
+        # 初始化 Agent 和工具
-- 当你需要特指某个用户或专门回复某个用户时，必须在回复中使用以下格式：<at user_id="用户ID"></at>
+        self._initialize_agent()
-- 禁止直接输出用户ID数字，始终使用 <at> 标签包裹
-- 注意区分不同群聊和不同用户的对话上下文
-
-示例对话：
-[2025-11-20 10:00:00] [群聊#12345] [用户#11111]: 你好
-你的回复: 你好！有什么可以帮助你的吗？
-
-[2025-11-20 10:01:00] [群聊#67890] [用户#22222]: 刚刚谁在说话, 说了什么？
-你的回复: 刚刚群聊12345的用户<at user_id="11111"></at>在说话, 他说了你好。"""
         
         logger.Log("Info", f"{ConsoleFrontColor.GREEN}ChatAIAgent 初始化完成{ConsoleFrontColor.RESET}")
         logger.Log("Info", f"模型: {OLLAMA_MODEL}, 最大历史: {max_history}")
@@ -56,6 +50,316 @@ class ChatAIAgent:
             cls._instance = cls()
         return cls._instance
     
+    def _initialize_agent(self) -> None:
+        """初始化 ReActAgent 和工具函数"""
+        try:
+            # 延迟导入避免循环依赖
+            from Plugins.WPSConfigSystem import WPSConfigAPI
+            from PWF.Convention.Runtime.Architecture import Architecture
+            
+            # 获取 WPSConfigAPI 实例
+            try:
+                self.config_api: WPSConfigAPI = Architecture.Get(WPSConfigAPI)
+            except Exception as e:
+                logger.Log("Warning", f"无法获取 WPSConfigAPI: {e}")
+                self.config_api = None
+            
+            # 创建工具函数
+            tools = []
+            
+            if self.config_api:
+                # 工具1: 根据用户ID查询用户名
+                def get_username_by_id(user_id: int) -> str:
+                    """根据用户ID查询用户名
+                    
+                    Args:
+                        user_id: 用户ID（整数）
+                        
+                    Returns:
+                        用户名字符串。如果用户未设置用户名，返回 'user_用户ID' 格式
+                        
+                    Examples:
+                        get_username_by_id(12345) -> "张三"
+                        get_username_by_id(99999) -> "user_99999"
+                    """
+                    try:
+                        username = self.config_api.get_user_name(user_id)
+                        return username if username else f"user_{user_id}"
+                    except Exception as e:
+                        logger.Log("Error", f"查询用户名失败 user_id={user_id}: {e}")
+                        return f"user_{user_id}"
+                
+                # 工具2: 根据用户名查询用户ID
+                def get_userid_by_name(username: str) -> str:
+                    """根据用户名查询用户ID
+                    
+                    Args:
+                        username: 用户名（字符串）
+                        
+                    Returns:
+                        如果找到用户，返回用户ID（字符串格式）
+                        如果未找到，返回 "未找到用户名为'{username}'的用户"
+                        
+                    Examples:
+                        get_userid_by_name("张三") -> "12345"
+                        get_userid_by_name("不存在的用户") -> "未找到用户名为'不存在的用户'的用户"
+                    """
+                    try:
+                        user_id = self.config_api.find_user_id_by_username(username)
+                        if user_id is not None:
+                            return str(user_id)
+                        return f"未找到用户名为'{username}'的用户"
+                    except Exception as e:
+                        logger.Log("Error", f"查询用户ID失败 username={username}: {e}")
+                        return f"查询失败: {str(e)}"
+                
+                # 工具3: 获取所有用户名列表
+                def list_all_usernames() -> str:
+                    """获取系统中所有已设置用户名的用户列表
+                    
+                    Returns:
+                        格式化的用户列表字符串，每行一个用户
+                        格式: "用户ID: 用户名"
+                        如果没有用户，返回 "当前系统中没有设置用户名的用户"
+                        
+                    Examples:
+                        返回示例:
+                        "12345: 张三
+                         67890: 李四
+                         11111: 王五"
+                    """
+                    try:
+                        users = self.config_api.get_all_usernames()
+                        if not users:
+                            return "当前系统中没有设置用户名的用户"
+                        
+                        lines = [f"{user['user_id']}: {user['username']}" for user in users]
+                        return "\n".join(lines)
+                    except Exception as e:
+                        logger.Log("Error", f"获取用户列表失败: {e}")
+                        return f"获取用户列表失败: {str(e)}"
+                
+                # 注册工具
+                tools = [
+                    FunctionTool.from_defaults(
+                        fn=get_username_by_id,
+                        name="get_username_by_id",
+                        description="根据用户ID（整数）查询对应的用户名。用于当你知道用户ID，需要知道该用户的名字时。"
+                    ),
+                    FunctionTool.from_defaults(
+                        fn=get_userid_by_name,
+                        name="get_userid_by_name",
+                        description="根据用户名（字符串）查询对应的用户ID。用于当你知道用户名，需要知道该用户的ID时。"
+                    ),
+                    FunctionTool.from_defaults(
+                        fn=list_all_usernames,
+                        name="list_all_usernames",
+                        description="获取系统中所有已设置用户名的用户列表。用于当你需要了解系统中有哪些用户，或者用户询问'有哪些用户'、'谁在线'等问题时。"
+                    ),
+                ]
+            
+            # 创建系统提示词
+            system_prompt = self._build_system_prompt()
+            
+            # 创建 ReActAgent
+            agent = ReActAgent(
+                llm=self.llm,
+                tools=tools,
+                verbose=True,
+                system_prompt=system_prompt,
+            )
+            
+            # 创建 AgentWorkflow
+            self.workflow = AgentWorkflow(
+                agents=[agent],
+                timeout=600.0,
+            )
+            
+            logger.Log("Info", f"{ConsoleFrontColor.GREEN}Agent 工具初始化完成，共 {len(tools)} 个工具{ConsoleFrontColor.RESET}")
+            
+        except Exception as e:
+            logger.Log("Error", f"初始化 Agent 失败: {e}")
+            import traceback
+            logger.Log("Error", traceback.format_exc())
+            self.workflow = None
+    
+    def _build_system_prompt(self) -> str:
+        """构建详细的系统提示词"""
+        return """你是一个友好且智能的 AI 助手，能够同时在多个群聊中与不同用户对话。
+
+# 核心能力
+
+## 1. 对话历史理解
+- 你能看到所有群聊的对话历史
+- 每条消息都标注了：[时间] [群聊ID] [用户ID]
+- 你需要根据上下文理解对话，区分不同群聊和用户
+
+## 2. 用户信息工具 🔧
+
+你拥有三个强大的工具来查询用户信息：
+
+### 工具 1: get_username_by_id(user_id: int)
+**用途**：根据用户ID查询用户名
+**参数**：user_id（整数类型）
+**返回**：用户名字符串
+**使用场景**：
+- 当你看到对话历史中有用户ID，想知道这个用户叫什么名字时
+- 当用户问"用户12345是谁"时
+- 当你需要用更友好的称呼来提及某个用户时
+
+**示例**：
+```
+用户问："用户12345是谁？"
+你的思考：我需要查询用户ID 12345 的用户名
+你的动作：调用 get_username_by_id(12345)
+工具返回："张三"
+你的回复："用户12345是张三。"
+```
+
+### 工具 2: get_userid_by_name(username: str)
+**用途**：根据用户名查询用户ID
+**参数**：username（字符串类型）
+**返回**：用户ID字符串，或未找到的提示
+**使用场景**：
+- 当用户提到某个人名，你需要知道对应的用户ID时
+- 当用户问"张三的ID是多少"时
+- 当你需要用 <at> 标签提及某个用户，但只知道名字时
+
+**示例**：
+```
+用户问："张三的用户ID是多少？"
+你的思考：我需要查询名为"张三"的用户ID
+你的动作：调用 get_userid_by_name("张三")
+工具返回："12345"
+你的回复："张三的用户ID是12345。"
+```
+
+### 工具 3: list_all_usernames()
+**用途**：获取所有已设置用户名的用户列表
+**参数**：无
+**返回**：格式化的用户列表
+**使用场景**：
+- 当用户问"系统里有哪些用户"时
+- 当用户问"谁在这里"、"有哪些人"时
+- 当你需要了解系统中的用户概况时
+
+**示例**：
+```
+用户问："系统里有哪些用户？"
+你的思考：我需要获取所有用户列表
+你的动作：调用 list_all_usernames()
+工具返回：
+"12345: 张三
+ 67890: 李四
+ 11111: 王五"
+你的回复："系统中目前有以下用户：
+- 张三（ID: 12345）
+- 李四（ID: 67890）
+- 王五（ID: 11111）"
+```
+
+## 3. 工具使用原则 ⚠️
+
+**何时应该使用工具**：
+✅ 用户明确询问用户信息（"XX是谁"、"XX的ID是多少"）
+✅ 对话中提到不认识的人名，需要确认身份
+✅ 需要列举系统中的用户
+✅ 需要将用户名转换为ID，或ID转换为用户名
+
+**何时不需要使用工具**：
+❌ 对话历史中已经明确显示了用户ID和相关信息
+❌ 用户只是在普通聊天，没有涉及用户查询
+❌ 你已经在同一轮对话中查询过相同的信息
+
+**工具使用建议**：
+1. 优先检查对话历史，看是否已有所需信息
+2. 一次对话中避免重复查询相同信息
+3. 查询失败时，友好地告知用户
+4. 工具返回结果后，用自然语言整理给用户
+
+## 4. 用户提及规则 📢
+
+**重要**：当你需要特指某个用户时，必须使用 `<at>` 标签！
+
+**正确格式**：
+- `<at user_id="用户ID"></at>` 
+- `<at user_id="用户ID">用户名</at>`
+
+**错误格式**（禁止）：
+- ❌ 直接输出数字ID："用户12345"
+- ❌ 不使用标签："@张三"
+
+**示例**：
+```
+用户问："我和小明谁比较忙？"
+你的思考：用户提到"小明"，我需要查询小明的ID，然后用<at>标签回复
+步骤1：调用 get_userid_by_name("小明")
+步骤2：假设返回 "12345"
+你的回复："我觉得<at user_id="12345">小明</at>可能比较忙，不过这只是我的猜测。"
+```
+
+## 5. 对话示例 💬
+
+### 示例 1：查询用户信息
+```
+[2025-11-20 10:00:00] [群聊#12345] [用户#11111]: 用户99999是谁？
+AI思考：用户询问用户99999的身份，我需要查询
+AI动作：调用 get_username_by_id(99999)
+AI回复：用户99999是王小明。
+```
+
+### 示例 2：根据名字查ID
+```
+[2025-11-20 10:01:00] [群聊#12345] [用户#11111]: 李华的ID是多少？
+AI思考：用户询问李华的ID
+AI动作：调用 get_userid_by_name("李华")
+工具返回："88888"
+AI回复：李华的用户ID是88888。
+```
+
+### 示例 3：列出所有用户
+```
+[2025-11-20 10:02:00] [群聊#12345] [用户#11111]: 系统里有哪些用户？
+AI思考：用户想知道所有用户列表
+AI动作：调用 list_all_usernames()
+工具返回："12345: 张三\n67890: 李四"
+AI回复：系统中目前有以下用户：
+- 张三（ID: 12345）
+- 李四（ID: 67890）
+```
+
+### 示例 4：智能对话中使用工具
+```
+[2025-11-20 10:03:00] [群聊#12345] [用户#11111]: 帮我问问小红今天有空吗？
+AI思考：用户提到"小红"，我需要用<at>标签提及她，所以要先查询ID
+AI动作：调用 get_userid_by_name("小红")
+工具返回："55555"
+AI回复：<at user_id="55555">小红</at> 今天有空吗？用户<at user_id="11111"></at>想知道。
+```
+
+### 示例 5：普通对话（不需要工具）
+```
+[2025-11-20 10:04:00] [群聊#12345] [用户#11111]: 今天天气真好
+AI思考：这是普通聊天，不涉及用户查询，不需要使用工具
+AI回复：是的，今天天气很不错呢！适合出去走走。
+```
+
+## 6. 错误处理 🔧
+
+- 如果工具调用失败，友好地告知用户
+- 如果查询不到用户，明确说明"未找到该用户"
+- 如果不确定是否需要使用工具，优先使用工具确保准确性
+
+## 7. 总结
+
+你的职责：
+1. 理解对话上下文，区分不同群聊和用户
+2. 在需要时主动使用工具查询用户信息
+3. 始终使用 <at> 标签提及用户
+4. 提供友好、准确、有帮助的回复
+
+记住：工具是帮助你更好地服务用户的，当不确定时，优先使用工具确保信息准确！"""
+    
     def _add_message(self, chat_id: int, user_id: int, role: str, content: str) -> None:
         """添加消息到全局历史
         
@@ -148,6 +452,11 @@ class ChatAIAgent:
             # 添加用户消息到历史
             self._add_message(chat_id, user_id, "user", message)
             
+            # 检查是否成功初始化 workflow
+            if self.workflow is None:
+                logger.Log("Warning", "Workflow 未初始化，使用降级模式")
+                return await self._fallback_chat(message, chat_id, user_id)
+            
             # 格式化历史消息（不包括刚添加的用户消息）
             history_without_last = self.global_history[:-1] if len(self.global_history) > 1 else []
             history_text = "\n".join([
@@ -158,29 +467,32 @@ class ChatAIAgent:
             # 构建当前用户消息的格式化版本
             current_msg = f"[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] [群聊#{chat_id}] [用户#{user_id}]: {message}"
             
-            # 构建对话提示
+            # 构建完整的用户查询，包含历史上下文
-            conversation_prompt = f"""以下是历史对话记录：
+            full_query = f"""# 历史对话记录
 {history_text}
 
-当前消息：
+# 当前消息
 {current_msg}
 
-请作为AI助手回复当前用户。记住：
+# 任务
-1. 使用 <at user_id="{user_id}"></at> 格式来提到任意你想提及的用户
+请作为 AI 助手回复当前用户。记住：
-2. 根据对话历史和当前消息，给出有意义的回复
+1. 如果需要查询用户信息，主动使用工具
-3. 如果历史中有其他群聊或用户的信息，你可以引用它们"""
+2. 使用 <at user_id="用户ID"></at> 格式提及用户
+3. 根据对话历史和当前消息，给出有意义的回复"""
             
             logger.Log("Info", f"处理对话 - 群聊#{chat_id} 用户#{user_id}")
             logger.Log("Info", f"当前历史消息数: {len(self.global_history)}")
             
-            # 使用 achat 方法进行对话
+            # 使用 workflow 运行 agent
-            messages = [
+            result = await self.workflow.run(user_msg=full_query)
-                ChatMessage(role="system", content=self.system_prompt),
-                ChatMessage(role="user", content=conversation_prompt)
-            ]
             
-            response = await self.llm.achat(messages)
+            # 提取回答
-            answer = str(response.message.content)
+            if hasattr(result, 'response'):
+                answer = str(result.response)
+            elif hasattr(result, 'message'):
+                answer = str(result.message)
+            else:
+                answer = str(result)
             
             # 添加 AI 回复到历史
             self._add_message(chat_id, user_id, "assistant", answer)
@@ -194,7 +506,60 @@ class ChatAIAgent:
             import traceback
             error_trace = traceback.format_exc()
             logger.Log("Error", f"详细错误:\n{error_trace}")
-            return f"处理对话时出错: {str(e)}"
+            
+            # 尝试降级处理
+            try:
+                return await self._fallback_chat(message, chat_id, user_id)
+            except:
+                return f"处理对话时出错: {str(e)}"
+    
+    async def _fallback_chat(self, message: str, chat_id: int, user_id: int) -> str:
+        """降级对话处理（当 workflow 不可用时）
+        
+        Args:
+            message: 用户消息
+            chat_id: 群聊ID
+            user_id: 用户ID
+            
+        Returns:
+            AI 回复
+        """
+        logger.Log("Info", "使用降级模式处理对话")
+        
+        # 格式化历史消息（不包括刚添加的用户消息）
+        history_without_last = self.global_history[:-1] if len(self.global_history) > 1 else []
+        history_text = "\n".join([
+            self._format_message_with_context(msg)
+            for msg in history_without_last
+        ]) if history_without_last else "（这是第一条对话）"
+        
+        # 构建当前用户消息的格式化版本
+        current_msg = f"[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] [群聊#{chat_id}] [用户#{user_id}]: {message}"
+        
+        # 构建对话提示
+        conversation_prompt = f"""以下是历史对话记录：
+{history_text}
+
+当前消息：
+{current_msg}
+
+请作为AI助手回复当前用户。"""
+        
+        # 使用简单的系统提示词
+        simple_prompt = """你是一个友好的AI助手。
+- 使用 <at user_id="用户ID"></at> 格式来提及用户
+- 根据对话历史和当前消息，给出有意义的回复"""
+        
+        # 使用 achat 方法进行对话
+        messages = [
+            ChatMessage(role="system", content=simple_prompt),
+            ChatMessage(role="user", content=conversation_prompt)
+        ]
+        
+        response = await self.llm.achat(messages)
+        answer = str(response.message.content)
+        
+        return answer
 
 
 class ChatAIPlugin(WPSAPI):

Plugins/WPSConfigSystem.py

@@ -247,6 +247,20 @@ class WPSConfigAPI(WPSAPI):
         row = cursor.fetchone()
         return int(row["user_id"]) if row else None
 
+    def get_all_usernames(self) -> List[Dict[str, Any]]:
+        """获取所有已设置用户名的用户列表
+        
+        Returns:
+            包含 user_id 和 username 的字典列表
+            示例: [{"user_id": 123, "username": "张三"}, ...]
+        """
+        cursor = get_db().conn.cursor()
+        cursor.execute(
+            "SELECT user_id, username FROM user_info WHERE username != '' AND username IS NOT NULL ORDER BY user_id ASC"
+        )
+        rows = cursor.fetchall()
+        return [{"user_id": row["user_id"], "username": row["username"]} for row in rows]
+
     def get_user_url(self, user_id: int) -> Optional[str]:
         record = self._get_user_record(user_id)
         if not record: