ninemine/NewWPSBot

Fork 0

Files

ninemine ac74baf3fb 尝试新增ai会话

2025-11-20 11:36:29 +08:00

7.8 KiB

Raw Permalink Blame History

背景

文件名：2025-11-20_1_ai_chat_plugin.md 创建于：2025-11-20_11:06:10 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

创建一个 AI 对话插件，支持多用户、多群聊的会话隔离，具备短期记忆功能（内存存储，无需持久化）。

核心需求

基于 LlamaIndex + Ollama 的 AI 对话功能
维护一个全局的会话历史（不按用户/群聊分隔）
AI 能同时在不同群聊和不同用户对话
历史消息包含时间戳、群聊ID、用户ID信息，AI 能分辨消息来源
最大历史消息数量可配置（默认20条）
不需要持久化，重启后会话清空
提供清空全局历史会话的指令
AI 能够 @ 用户：使用 <at user_id="{user_id}"></at> 格式，禁止直接输出 user_id

指令入口

ai_chat: 对话指令
ai_chat_clear: 清空当前用户的会话历史

技术要点

参考 NewsReport.py 的架构模式
使用内存字典存储会话历史
模型使用 qwen3:0.6b
消息格式包含上下文信息（时间、群聊、用户）

项目概览

这是一个基于 PWF 框架的 WPS 机器人项目，使用插件化架构。

插件基类：WPSAPI → BasicWPSInterface → PluginInterface
每个插件通过 callback(message, chat_id, user_id) 处理消息
支持数据库、定时任务、路由等功能
已有多个游戏系统插件（菜园、战斗、炼金等）

分析

现有架构分析

插件系统：
- 插件通过继承 WPSAPI 实现
- callback 方法接收 message（已去除 command）、chat_id、user_id
- 通过 register_plugin(command) 注册指令入口
- 通过 dependencies() 声明依赖关系
NewsReport.py 架构：
- NewsAIAgent 类：封装 AI 逻辑（LlamaIndex + Ollama）
- NewsAIPlugin 类：继承 WPSAPI，作为插件入口
- 使用 ProjectConfig().GetFile() 进行文件缓存
会话管理需求：
- 全局单一会话历史，不按用户/群聊分隔
- 每条消息标记 chat_id（群聊ID）和 user_id（用户ID）
- AI 能看到所有群聊、所有用户的对话历史
- 使用 List[Dict] 存储全局消息列表
- 内存存储，无需持久化
配置系统：
- 使用 ProjectConfig.FindItem(key, default) 读取配置
- 使用 ProjectConfig.SaveProperties() 保存配置
- 配置存储在 Assets/config.json

技术选型

AI 框架：LlamaIndex + Ollama
模型：qwen3:0.6b
存储方式：内存列表（List[Dict]）- 全局单一历史
消息格式：包含 timestamp, chat_id, user_id, role, content

提议的解决方案

整体架构

ChatAI.py
├── ChatAIAgent (AI 智能体)
│   ├── 会话字典管理
│   ├── 消息历史维护
│   └── LLM 对话调用
├── ChatAIPlugin (对话插件)
│   ├── 注册 ai_chat 指令
│   └── 处理用户对话
└── ChatAIClearPlugin (清空历史插件)
    ├── 注册 ai_chat_clear 指令
    └── 清空会话历史

核心类设计

1. ChatAIAgent

单例模式，通过 Architecture 注册
维护 全局消息历史: List[Dict]

每条消息格式：

{
    "timestamp": "2025-11-20 11:06:10",
    "chat_id": 12345,
    "user_id": 67890,
    "role": "user" | "assistant",
    "content": "消息内容"
}

AI 能够看到所有群聊、所有用户的完整对话历史

2. ChatAIPlugin

继承 WPSAPI
依赖 WPSAPI
初始化时创建/获取 ChatAIAgent
callback 处理用户消息，调用 Agent.chat()

3. ChatAIClearPlugin

继承 WPSAPI
依赖 ChatAIPlugin（确保 Agent 已初始化）
callback 调用 Agent.clear_history() 清空全局历史

系统提示词设计

AI 需要理解的关键信息：

多群聊、多用户环境：能看到所有群聊和用户的对话历史
消息格式：每条消息包含 [时间] [群聊ID] [用户ID] 标记
@ 用户格式：AI 回复时，当需要特指或回复某个用户时，使用 <at user_id="{user_id}"></at>
禁止行为：禁止直接输出裸露的 user_id 数字

示例提示词：

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。

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
- 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>
- 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#67890]: 你好
AI回复: <at user_id="67890"></at> 你好！有什么可以帮助你的吗？

[2025-11-20 10:01:00] [群聊#12345] [用户#11111]: 今天天气怎么样？
AI回复: <at user_id="11111"></at> 抱歉，我无法获取实时天气信息。

[2025-11-20 10:02:00] [群聊#67890] [用户#22222]: 刚才12345群的用户说了什么？
AI回复: <at user_id="22222"></at> 刚才群聊12345中，用户67890问候了我，用户11111询问了天气。

消息流程

用户消息 (chat_id, user_id) → ChatAIPlugin.callback()
    ↓
获取当前时间
    ↓
添加用户消息到全局历史（带时间戳、chat_id、user_id）
    ↓
格式化全局历史消息为 LLM 输入
    ├─ 包含所有群聊、所有用户的历史
    ├─ 每条消息标注来源（群聊、用户、时间）
    └─ AI 能理解跨群聊、跨用户的上下文
    ↓
调用 Ollama LLM（使用包含 @ 格式说明的系统提示词）
    ↓
添加 AI 回复到全局历史（标注当前 chat_id, user_id）
    ↓
返回格式化的回复

当前执行步骤："1. 创建任务文件"

任务进度

[2025-11-20_11:06:10]

已创建：.tasks/2025-11-20_1_ai_chat_plugin.md
更改：创建任务文件，记录任务背景和设计方案
原因：按照 RIPER-5 协议要求，在进入 EXECUTE 模式前创建任务文件
阻碍因素：无
状态：成功

[2025-11-20_11:13:25]

已修改：.tasks/2025-11-20_1_ai_chat_plugin.md
更改：
1. 更新核心需求，明确全局单一会话历史设计
2. 添加系统提示词设计章节
3. 说明 @ 用户格式：
4. 禁止直接输出 user_id
原因：根据用户反馈，澄清架构设计（全局历史 vs 分用户历史）
阻碍因素：无
状态：成功

[2025-11-20_11:16:49]

已修改：.tasks/2025-11-20_1_ai_chat_plugin.md
更改：修正系统提示词设计，明确用户消息是普通文本，只有 AI 回复时才使用格式
原因：用户澄清 @ 用户格式只用于 AI 回复，不用于用户消息
阻碍因素：无
状态：成功

[2025-11-20_11:22:38]

已创建：Plugins/Others/ChatAI.py
更改：完整实现 AI 对话插件系统
1. ChatAIAgent 类：全局会话管理、消息历史维护、LLM 对话
2. ChatAIPlugin 类：注册 ai_chat 指令，处理用户对话
3. ChatAIClearPlugin 类：注册 ai_chat_clear 指令，清空历史
4. 使用 qwen3:0.6b 模型
5. 最大历史消息数量可配置（默认20）
6. 系统提示词包含 @ 用户格式说明
7. 全局单一会话历史设计
原因：实施 EXECUTE 模式清单项 1-28
阻碍因素：无
状态：成功

[2025-11-20_11:29:24]

已修改：Plugins/Others/ChatAI.py
更改：修复 AI 重复用户消息的问题
1. 从 acomplete（文本补全）改为 achat（对话）方法
2. 使用 ChatMessage 结构化消息格式
3. 分离系统提示词和对话历史
4. 优化提示词结构，更清晰地指示 AI 回复
5. 添加 llama_index.core.llms.ChatMessage 导入
原因：用户反馈 AI 一直重复用户说的话
阻碍因素：无
状态：未确认

最终审查

待完成

7.8 KiB Raw Permalink Blame History Unescape Escape

背景