HeXi/hexi/plugins/nonebot_plugin_galgame_card/DESIGN.md

# 群聊人设卡（Galgame 风格人物卡构建器）设计文档

> 本文档固化设计决策，作为各层实现的唯一依据。标注 ⏳ 的为草案/待定项。

## 1. 定位

**目标**：基于群聊发言语料，蒸馏群成员的形象风格，生成 galgame 风格的人物卡（人设）。

**非目标**：
- 不做关系网分析（"相处模式"只是画像的一个段落，不是独立产品）
- 不做真实身份推断（年龄/职业/住址等现实信息只能进"不确定信息"段）
- 不生成真实样貌（样貌参考为虚构，永远带标注）

**消费方**：① 展示给人看（人物卡）；② 可选：作为扮演 prompt 注入（MaiBot 兼容方向）。

## 2. 整体架构

功能分层：采集 → 治理 → 存储 → 调度 → 分析 → 呈现。

两级流水线（借鉴 MaiBot 印象机制）：

```
群聊消息 ──五维落库──> 语料 ──(攒够 N 条)──> 印象(LLM 自然语言) ──(攒够 M 条)──> 画像(九段协议) ──> 版本化快照
```

- **语料 → 印象**：每次对"上次印象之后的新语料"生成一段自然语言印象（话题/氛围/互动），存 `persona_impression`。印象是增量中间产物，画像不重读全部原文。
- **印象 → 画像**：从印象集 + 规则统计（@/回复 互动、活跃时段）生成九段人物卡。
- 画像每次生成都是新版本（version +1），永久留档可对比。

## 3. 数据层（已实现 ✅）

五张表，前缀 `persona_`：

### persona_group —— 群采集开关（数据来源总闸门）

| 字段 | 类型 | 说明 |
|---|---|---|
| group_id | BigInteger PK | 群号 |
| enabled | Boolean 默认 False | 该群是否开启采集（默认关，需显式开启） |
| updated_at | DateTime | 最后变更时间 |

群关闭 → 该群所有人一律不采集；群开启后，个人还需 opt-in（两级闸门）。

### persona_user —— 参与者名单（按群 opt-in）

| 字段 | 类型 | 说明 |
|---|---|---|
| user_id | BigInteger PK | 参与人 QQ |
| group_id | BigInteger PK | 所在群 |
| joined_at | DateTime | 加入时间 |

### persona_chat_log —— 采集语料（五维 + 发言段链条）

| 字段 | 类型 | 说明 |
|---|---|---|
| id | Integer PK 自增 | 全局有序，印象覆盖区间用它表示 |
| user_id | BigInteger | 谁发的 |
| group_id | BigInteger | |
| nickname | String(64) | 群昵称快照 |
| content | Text | 内容（纯文本，已脱敏截断） |
| target_user_id | BigInteger NULL | 发给谁（ev.reply 的 sender / @ 对象；无则 NULL=群聊漫谈） |
| target_inherited | Boolean | target 是否从发言段链条继承（对上一句的解释/补充仍算发给同一对象） |
| follows_id | Integer NULL | 发言段链条：同一说话人的上一条语料 id（间隔 ≤ 5 分钟） |
| reply_to_content | Text NULL | 被回复内容快照（对方不在语料里也能知道他在回应什么） |
| created_at | DateTime | 几点发的 |

索引：`(user_id, group_id, created_at)`。滚动保留：单用户单群上限 3000 条（⏳ 常量待定）。

**发言段链条**（解决"不带 @/回复 的后续补充丢目标"）：`@B 借我玩玩` → 下一条 `我的意思是借号不是借人`（无显式目标）继承 target=B 并打 `target_inherited` 标记；分析层窗口组装可沿 `follows_id` 回溯整段发言。

### persona_impression —— 印象（两级流水线中间产物）

| 字段 | 类型 | 说明 |
|---|---|---|
| id | Integer PK 自增 | |
| user_id / group_id | BigInteger | |
| content | Text | LLM 生成的自然语言印象 |
| cover_from_id / cover_to_id | Integer | 覆盖的语料 id 区间（增量依据） |
| model | String(64) | 生成模型 |
| created_at | DateTime | |

### persona_image —— 图片识别结果缓存（⏳ 多模态预留，未启用）

| 字段 | 类型 | 说明 |
|---|---|---|
| hash | String(64) PK | 图片 hash（对应 chat_log.image_hashes） |
| description | Text | 多模态识别结果（表情包梗/截图内容） |
| model | String(64) | 识别模型 |
| recognized_at | DateTime | |

**预留接口**：`vision.py`（BaseImageRecognizer，当前为 Noop 占位）。将来接入多模态 LLM 后：异步后台识别（绝不在消息路径同步调）、同一 hash 只识别一次（缓存复用）、失败不影响采集。识别描述供分析层窗口组装喂给总结 LLM。

### persona_summary —— 画像快照（版本化）

| 字段 | 类型 | 说明 |
|---|---|---|
| id | Integer PK 自增 | |
| user_id / group_id | BigInteger | |
| version | Integer | 每次生成 +1，同人同群唯一 |
| card_text | Text | 九段 markdown 画像原文 |
| corpus_count | Integer | 语料覆盖条数（元信息） |
| impression_count | Integer | 使用的印象条数（元信息） |
| model | String(64) | 生成模型 |
| created_at | DateTime | |

约束：`UNIQUE(user_id, group_id, version)`（并发写入由调度层锁保护）。

## 4. 九段画像协议（已定稿 ✅）

格式：markdown 固定标题 + 有界 bullet，代码可解析、人可编辑、LLM 可生成、可注入 prompt。

```
# 人物卡 · {主称呼}
语料 {N} 条 · 时间跨度 {start}-{end} · 版本 v{n} · 生成于 {date}

## 身份印象    ≤4 条   群内可见的：自称方式、群角色（吐槽役）、常用昵称
## 性格特征    ≤6 条   毒舌但心软 / 重度拖延 / 嘴硬
## 说话风格    ≤5 条   爱用"草"开头、句尾 wwww、先吐槽再给结论
## 口头禅语录  ≤6 条   带原文引用："有一说一，这个图确实带"
## 兴趣话题    ≤5 条   明日方舟（资深）；聊工作→抱怨、聊感情→回避
## 相处模式    ≤4 条   对小B互怼最多，对新人客气（一句话式，非关系网）
## 时间画像    ≤3 条   深夜 22-02 点活跃，白天潜水
## 样貌参考    ≤3 条   🎨 虚构标注：基于气质的参考描述
## 不确定信息  ≤3 条   疑是学生（语料出现"上课"），未证实
```

- 段内 bullet 为纯文本，可带原文引用（口头禅语录段必须带原文）
- 样貌参考段**必须**带 🎨 虚构标注与设计依据（"基于 XX 气质"）
- 现实身份信息只能出现在"不确定信息"段
- ⏳ 每段具体生成约束（prompt 细则）属分析层，待细化

## 5. 证据纪律（已定稿 ✅）

三层防编造（借鉴 MaiBot）：

1. 印象 prompt 明文约束："不要添加语料中没有依据的新事实"
2. 规则统计（互动对象、活跃时段）优先于 LLM 分类结果
3. LLM 分类结果默认降级进"不确定信息"段——**模型说的不算稳定真相**

指纹缓存（⏳）：证据（印象集 + 统计）hash 未变则不重新生成画像。

## 6. 采集与治理（✅ 消息路径已实现，⏳ 阈值待调）

实现位置：`__init__.py`（on_message 入口 + 鉴权 + 采样）+ `processor.py`（纯函数治理，可单测）。

**两级闸门**：群开关 `persona_group.enabled`（群级，默认关）+ 个人 opt-in `persona_user`（个人，群内开启才生效）。两条同时满足才采集。

- 群开关控制：`开启人设采集 @群` / `关闭人设采集`（⏳ 命令名待定，权限：超管/群主）
- 只采集 `persona_user` 名单内成员（opt-in），退出即停

**脱敏（硬约束：本地正则完成，绝不经过 LLM——LLM 只接触脱敏后文本）**：
敏感值**替换为占位符**而非丢弃整条，保留对话语境（如"借号"互动是人格素材，凭证不是）。
实现：`processor.desensitize()`，四层，覆盖场景：借号/验证码代收/密码口令/兑换码卡密/密保/收入/联系方式变体/位置。

| 规则层 | 模式 | 占位符 |
|---|---|---|
| 明确模式（按最长优先排序，防截胡） | 身份证 → 银行卡 → 邮箱 → 手机号(含分隔变体) → IP → wxid → 坐标 → 车牌 | `[身份证]` `[银行卡]` `[邮箱]` `[手机号]` `[IP]` `[微信号]` `[坐标]` `[车牌]` |
| 定位式（同条"关键词+值"） | `密码是 xyz789` `账号 abc123` `激活码 ABCDE-1` `验证码是 123456` `VX: xxx` `月薪 25000`（连接词支持 是/为/冒号/空格） | `[密码]` `[账号]` `[兑换码]` `[验证码]` `[微信号]` `[收入]` |
| 跨条语境 | 关键词在附近消息（如"收下验证码"→ 下一条 `123456`）→ 本条值按语境类型替换 | `[验证码]` `[密码]` `[兑换码]` |
| 兜底 | 裸长数字串 ≥6 位 → `[账号]`；字母+数字混合 ≥6 位 → `[密码]`（保守替换，宁误杀不放过） | `[账号]` `[密码]` |

语境来源：本群最近 3 条已治理文本（复用复读检测的内存窗口）。
待扩展场景（⏳）：密保答案（"你妈妈的名字"）、QQ 号文本、代充代练语境。

- 噪声过滤：纯表情图（无文字）、复读、命令/签到、长链接轰炸
- 长文截断（约 200 字/条）
- 采样：连续刷屏 5 秒内只记 1 条

## 7. 调度与触发（⏳ 草案）

| 方式 | 条件 |
|---|---|
| 手动 | 管理员 `生成人物卡 @xxx`（强制，无视阈值） |
| 印象 | 新语料 ≥ 50 条（⏳）且距上次印象 ≥ 24h |
| 画像 | 新印象 ≥ 5 条（⏳）或语料显著增长；首次需语料 ≥ 200 条 |
| 防重入 | 同人同群生成中加锁 |

## 8. 入口层命令集（⏳ 草案）

`加入人设` `退出人设`（opt-in 控制）、`查看人设 @xxx`（展示九段卡）、`生成人设 @xxx`（管理员强制）。

## 9. 借鉴与不借鉴 MaiBot（已定稿 ✅）

**借鉴**：两级流水线（印象机制）、九段协议格式（段落文本协议）、证据纪律三层、指纹缓存、防串人（证据绑定 user_id）。

**不借鉴**：向量库 + BM25 双路召回 + PPR（语料量级 SQL 直查即可）、完整 A_memorix 记忆系统、md5 person_id（QQ 号即 id）。

## 10. 开发阶段

- **Phase 1**：数据层（四表 + 仓储）✅ 本文档落盘时完成
- **Phase 2**：治理层（采集过滤 + opt-in 命令）
- **Phase 3**：分析层（印象/画像生成，LLM 客户端）
- **Phase 4**：调度层（触发/锁）+ 呈现层（人物卡展示）
- ⏳ 后续可选：galgame 风格卡面图片渲染（协议文本为渲染源）