引言：为什么要重新造轮子？¶

核心痛点：为什么现在的机器人像个“复读机”？

最近我想搭建一个QQ机器人来活跃个人群的气氛。试过许多市面上开源的框架，效果大多差强人意。它们普遍存在以下问题：

• 说话不自然：机械感重，缺乏“人味儿”。
• 句式匮乏：回复总是采用相似的模版。
• 过度拟合：过分依赖聊天记录中已有的表达，容易被群友带偏，变成无意义的“捧哏”。
• 缺乏上下文：无法理解话题的来龙去脉，只能对最新的一句话做反应。

我认为，产生这种状况的根本原因在于缺乏多轮对话的引导机制。

大模型接收的文本往往局限于截取的一小段聊天记录，而真实群聊中，一个话题的跨度可能远超截取范围。AI 既不知道话题从何而起，也容易受到冗长、没头没尾且充满噪声的聊天记录影响。在这种环境下，AI 很容易“学坏”，模仿群友的破碎语言。即使你写了 Prompt 要求“不要复制已有的发言”，在庞大的上下文噪声面前，这条规则也很容易失效。

架构思路：怎么做？¶

为了解决上述问题，我设想了一个分层架构，将机器人的思维过程解耦。机器人的大脑被分为三层：上下文处理层、兴趣度分析层、回答层。

注：本文仅讨论机器人程序的内部逻辑架构，不涉及协议端（如如何 hook QQ 消息）的讨论。

1. 上下文处理层（The Context Layer）¶

职责：信息的清洗与归档。
群聊是多线程并发的，一个群内可能同时穿插着多个话题。

• 话题分类与队列化：该层负责将杂乱的消息流按“话题”进行分类，将属于同一话题的消息塞入对应的话题队列。
• 记忆压缩（Summary）：为了控制 Token 消耗和队列长度，当某话题队列达到阈值时，调用 LLM 对旧消息进行总结（Summarize）。清空原队列，仅保留“总结”作为新的队首，后续消息继续入队。这相当于让机器人拥有了“长期记忆”。

2. 兴趣度分析层（The Interest Layer）¶

职责：注意力的分配。

• 计算兴趣度（KoI）：在回答层工作结束后，该层对当前所有活跃的话题队列进行分析，计算出一个 0 到 1 的兴趣度（Interest Score）。这个分数决定了机器人“想不想插嘴”。
• 动态反馈机制：
• 热度反馈：话题更新越频繁，兴趣度越高（避免挖坟）。
• 正向/负向激励：接收来自第三层的反馈。如果机器人上次参与了话题且反响不错，下次对该类话题的兴趣度会乘以一个 >1 的系数；反之则乘以 <1 的系数。

3. 回答层（The Response Layer）¶

职责：决策与输出。

• 行动判断：根据第二层提供的兴趣度分布，提取兴趣度最高的话题。让 LLM 基于当前群内氛围（Atmosphere Analysis）做最终判断：是抖个机灵，还是保持沉默？
• 氛围感知：具体的兴趣度数值只是参考，LLM 需要结合上下文判断是否“适宜”。例如大家在争论严肃问题时，即使触发关键词，机器人也应选择闭嘴。
• 输出与闭环：生成的回复不仅发给用户，也要回传给第一层，作为上下文的一部分，防止机器人“忘记”自己说过的话。

项目具体实现细节¶

一、 上下文处理层：基于 MoE 的话题路由¶

1. 存储设计：二级记忆架构¶

为了兼顾性能与持久化，我们采用类似 Redis + SQL 的二级存储策略：

• 热数据（内存）：最新的消息以字典形式存放，通过 Message_ID 快速索引。
• 冷数据（数据库）：旧消息和历史记录存入数据库，作为持久化备份。
• 数据结构：在话题队列中，仅存储 Message_ID 的引用，实际内容通过 ID 查询，减少内存开销。

2. 多轮对话与话题路由¶

引入 LangChain 来管理多轮对话逻辑，并采用 MoE (Mixture of Experts, 混合专家) 思想处理消息分类：

• 专家链条：为每个活跃的话题队列建立一个独立的分析链（Agent）。
• 置信度评估：每当新消息到来，所有 Agent 同时分析该消息属于自己话题的置信度。
• 路由冲突解决：
• 若两个队列都认为消息属于自己，选择置信度高的。
• 若置信度相同，优先归入序号靠前（创建较早或活跃度高）的队列。

3. 多群管理与进程隔离¶

• 进程模型：每个群聊分配独立的监管进程，建立 Message_Queue_Set <-> Group_ID 的映射。
• 资源限制：为了防止算力发散，单群限制同时存在最多 3个 活跃话题队列。
• 替换策略：若已满3个，新话题触发时，强制替换掉当前更新频率最低（最冷门）的旧队列。

4. 队列生命周期管理（Lifecycle）¶

自动销毁（TTL）：若一个队列经过 15~20 条其他消息的更新周期后，仍无新消息入队，视为话题终结，销毁队列。

滚动总结：当队列长度超过 10~12 条时，触发 LLM 总结任务。
* Input：当前队列所有消息。
* Output：一段精简的剧情摘要。
* Action：[摘要] + [新消息] 组成新队列。

有效性标记：将队列分为“有总结”和“无总结”两类。后续层级仅处理“有总结”的队列，确保机器人发言时掌握了足够的前置信息，避免“半瓶子醋”。

二、 兴趣度分析层：基于关键词池的动态评分¶

1. 文本级分析¶

为了降低 API 调用成本，本层主要依赖关键词匹配进行初步筛选，而非每次都调用大模型。

2. 动态兴趣池 (KoI_Pool) 算法¶

我设计了一套动态演化的兴趣算法，让机器人不仅有“出厂设置”，还能“紧跟时事”：

• 初始化：读取 config，将预设关键词（如“游戏”、“编程”、“猫娘”）加入 KoI_Pool，基础得分设为 1。
• 趋势感知：启动一个后台监管进程，每隔 10~20 分钟采样数据库中的近期群消息。调用 LLM 提取高频新词（如最近流行的“幻兽帕鲁”），将其加入 Pool，并赋予更高的得分 3。

• 目的：这让机器人更倾向于参与当前群内最火爆的讨论。

• 得分计算：Raw_Interest = ∑(匹配到的关键词得分)。

3. 概率归一化¶

在所有队列计算完原始得分后，使用 Softmax 函数 将分数转化为概率分布。这能拉大“热门话题”与“冷门话题”的差距，作为最终参数传递给第三层。

三、 回答层：拟人化的决策机制¶

1. 沉默是金¶

当所有话题的计算兴趣度均为 0（即全是无关水贴），该层直接休眠，回到第一层监听循环。这避免了机器人无意义的刷屏。

2. 决策逻辑 (The Decision)¶

LLM 接收兴趣度最高的话题队列作为 Context，进行最后一步判断。这里 Prompt 的设计至关重要：

• 引导原则：Prompt 中必须包含“优先选择不参与”的指令，强迫 LLM 寻找“必须发言”的理由（如被 @，或者是它极度感兴趣的领域）。
• 氛围检测：LLM 需分析话题的情感色彩。如果是争吵、悲伤的话题，即使兴趣度高，也强制 return False。

3. 闭环反馈 (Feedback Loop)¶

拒绝参与：若 LLM 决定沉默，该话题在下一轮的兴趣度计算中，会乘以一个降权系数（如 0.8），使其快速冷却。

主动参与：
* 正向反馈：若 LLM 决定发言，反馈给第一层，提高该话题队列 Agent 的置信度阈值（更容易捕获后续消息）。
* 兴趣粘性：该话题在第二层的兴趣度乘以增权系数（如 1.5），模拟人类“聊得正嗨”的状态，提高延续对话的可能性。