工具模块
Tools.core
Tools/core.py 提供最基础的运行上下文和版本信息。
python
VERSION_NAME = "3.1 - Next Release"
class BotContext:
"""Bot 运行上下文"""
def __init__(self):
self.EnableNetwork = "Ds" # AI 模型模式 ("Ds" / "GoogleGemini")
self.user_lists = {} # 对话历史 {user_id: [messages]}
self.stop_working = False # 停止工作标志user_lists 存储结构：
python
{
"user_openid_1": [
{"role": "user", "content": "你好"},
{"role": "assistant", "content": "你好呀~"},
# ...最多 20 条
],
"user_openid_2": [...]
}Tools.rag_memory
Tools/rag_memory.py 提供基于检索增强生成(RAG)的对话记忆系统。
核心原理
使用 bigram TF-IDF 进行中文语义检索：
- 将文本拆分为双字片段（bigram）：
"你好世界" → ["你好", "好世", "世界"] - 计算 TF-IDF 权重，IDF =
ln(N / (1 + df)) - 余弦相似度计算相关性
- 引入新鲜度权重：越新的对话权重越高
API
python
class RAGMemory:
def __init__(self, data_dir: str):
"""初始化 RAG 记忆系统"""
def add_exchange(self, user_id: str, question: str, answer: str):
"""存储一次对话交换"""
def get_relevant_context(self, user_id: str, query: str) -> str:
"""检索与 query 最相关的历史对话，拼接为上下文文本"""
def clear_user_history(self, user_id: str):
"""清除用户的所有 RAG 记忆"""参数
| 参数 | 默认值 | 说明 |
|---|---|---|
top_k | 3 | 返回最相关的历史条数 |
min_relevance | 0.05 | 最小相关度阈值 |
max_tokens | 800 | 拼接上下文的最大字符数 |
存储格式
data/rag/{user_openid}.json：
json
{
"user_id": "xxx",
"exchanges": [
{"q": "你好", "a": "你好呀~", "ts": 1700000000.0},
{"q": "今天天气", "a": "今天天气不错", "ts": 1700000100.0}
]
}最多保留 200 条最近的对话记录。