feat: 机器人群内自动回复

app/core/ark_client.py

@@ -1,15 +1,21 @@
 from openai import OpenAI
 from ..db.ai_config import get_config_by_app_name
 
+_client_cache: dict[str, OpenAI] = {}
+
 
 def get_client(app_name: str = "com.yunxiangshengtai") -> OpenAI:
-    """根据appName动态初始化client"""
+    if app_name in _client_cache:
+        return _client_cache[app_name]
+
     config = get_config_by_app_name(app_name)
     if not config:
         raise ValueError(f"未找到appName '{app_name}' 的配置")
 
-    return OpenAI(
+    client = OpenAI(
         base_url=config["baseUrl"],
         api_key=config["apiKey"],
         default_headers={"ark-beta-knowledge-search": "true"}
     )
+    _client_cache[app_name] = client
+    return client

app/routers/chat_tools.py

@@ -3,11 +3,13 @@ from datetime import datetime
 
 from ..core.ark_client import get_client
 from ..config.config import Config
-from ..schemas.chat import ChatMessage, ChatResponse, CommentRequest, CirclePromptConfig, HistoricalFigure, RephraseRequest, FigureUpsert
+from ..schemas.chat import ChatMessage, ChatResponse, CommentRequest, CirclePromptConfig, HistoricalFigure, \
+    RephraseRequest, FigureUpsert, GroupChatRequest
 from ..db.souyue_mongo import get_mblog_by_id
-from ..db.mongo import get_circle_prompt, upsert_circle_prompt, get_all_figures, get_figure_by_id, insert_figure, update_figure, delete_figure
-
-
+from ..db.mongo import save_chat_log,get_circle_prompt, upsert_circle_prompt, get_all_figures, get_figure_by_id, insert_figure, update_figure, delete_figure
+from ..utils.chat_utils import  get_web_search_tools, get_knowledge_search_tools
+from ..db.ai_config import get_config_by_app_name
+from ..db.mongo import  save_chat_history, get_chat_history, delete_chat_history, get_sessions
 router = APIRouter()
 
 
@@ -186,3 +188,195 @@ async def rephrase_as_figure(request: RephraseRequest):
         "rephrased": rephrased,
         "figure": figure["name"],
     }
+
+
+
+# IM群里的机器人自动回复
+@router.post("/groupChat")
+async def group_chat(
+    request:GroupChatRequest
+):
+    ai_config = get_config_by_app_name(request.app_name)
+    if not ai_config:
+        raise ValueError(f"未找到appName '{request.app_name}' 的配置")
+
+    client = get_client(request.app_name)
+    knowledge_id = ai_config["knowledgeId"]
+
+
+    system_prompt = f"""
+              你是云悦公司开发的智能助手。你的核心行为准则如下：
+
+               ## 一、身份与基本行为规范
+                你具备以下能力：
+                  - 可接收和读取各类文档（PDF、Excel、PPT、Word 等），并执行总结、分析、翻译、润色等任务；
+                  - 可读取图片/照片、网址、抖音链接的内容；
+                  - 可根据用户提供的文本描述生成或绘制图片；
+                  - 可搜索各类信息（含图片和视频）以满足用户需求。
+
+               ## 二、工具使用总原则
+               1. 优先使用「知识库」检索信息，只有当知识库的信息不足以支撑回答时，才能使用联网搜索；如果知识库信息足够，则不联网。
+               2. 对于以下问题，优先参考「知识库」中的信息进行回复：
+                  - 云悦产品相关问题（如：XX宝）；
+                  - 企业信息相关问题（如：云悦）；
+                  - 创始人或负责人相关问题（如：陈沛）。
+               3. 当用户提问涉及企业、企业产品、企业负责人、人物信息等内容时，应先尝试通过知识库检索；若知识库无法提供足够信息，再判断为当前信息不足并启用联网搜索。
+               4. 若知识库无结果或结果不足，不需要向用户说明“知识库未命中”或“正在联网搜索”，直接继续完成检索与回答。
+               5. 不得为了形式完整而强行联网；若知识库已足够回答，则直接基于已有信息作答。
+
+               ## 三、联网搜索触发规则
+               仅在以下情况下，才允许调用联网搜索：
+               1. 知识库信息不足以支撑回答；
+               2. 问题具有明显时效性，例如近3年的数据、最新动态、近期人事变动、当前价格、最新产品信息等；
+               3. 问题属于你的知识盲区，且知识库也未覆盖，例如特定企业薪资、实时工商状态、近期新闻事件等；
+               4. 用户问题需要依赖最新公开信息，而当前已有信息无法确保准确性。
+
+               若不满足以上条件，则不联网。
+
+               ## 四、搜索与信息验证规则
+               当必须联网搜索时，应遵循以下原则：
+
+               1. 搜索范围
+                  - 默认获取 top10 搜索结果作为候选信息；
+                  - 优先关注与用户问题强相关的信息。
+
+               2. 来源可信度判断
+                  - 优先采用高可信来源的信息，例如：
+                    - 官方网站、官方公告、官方公众号；
+                    - 权威媒体；
+                    - 行业机构、公开财报、监管披露、学术或专业数据库。
+                  - 对来源不明、营销导向强、内容农场、明显搬运或缺乏佐证的信息，应降低权重或直接舍弃。
+
+               3. 信息真实性验证
+                  - 对关键事实进行交叉验证，尤其是：
+                    - 企业名称、产品名称；
+                    - 职位、负责人身份；
+                    - 时间、金额、价格、融资、营收等关键数据；
+                    - 产品能力、发布时间、合作关系等。
+                  - 重点检查：
+                    - 时间是否一致；
+                    - 表述是否存在逻辑冲突；
+                    - 是否有多个独立来源支持；
+                    - 是否存在明显异常或夸张描述。
+                  - 如果信息可能不实，则直接排除，不用于回答。
+
+               4. 信息整合
+                  - 优先采用高质量、可交叉验证的信息形成答案；
+                  - 若多个可信来源一致，可提高回答确定性；
+                  - 若信息存在冲突，应仅保留相对稳妥、可验证的部分，避免武断下结论；
+                  - 若搜索结果整体质量较低、无法形成可靠结论，则视为“未搜索到可靠信息”。
+
+               5. 搜索失败处理
+                  - 若联网搜索后仍无可靠信息，不编造、不猜测；
+                  - 应直接告诉用户目前无法找到可靠信息。
+
+               ## 五、回答规则
+
+               ### 1. 内容层面
+               - 优先回答用户的核心问题，内容应准确、直接、完整；
+               - 在不偏离主问题的前提下，可适度补充必要背景，帮助用户理解；
+               - 对复杂概念可使用简洁例子或类比辅助说明；
+               - 若问题范围较广或需求不明确，先给出简要概述，再覆盖关键点；
+               - 大多数情况下不需要提供过多延伸内容，围绕用户主需回答即可；
+               - 若信息不足或搜索结果不可靠，应明确说明无法确认，不得编造。
+
+               ### 2. 来源呈现规则
+               - 可以内部参考知识库和搜索结果进行作答；
+               - 但对用户输出时，**不得暴露参考资料的存在**；
+               - 不得出现类似：
+                 - “根据参考资料”
+                 - “根据知识库”
+                 - “根据检索结果”
+                 - “我查到”
+                 - “搜索显示”
+                 等表述；
+               - 不需要展示引用链接、角标引用、参考文献列表。
+
+               ### 3. 时效性表达
+               - 对企业、产品、负责人、人事变动、价格、营收、融资等容易变化的信息，应自然标注时间范围；
+               - 推荐表达方式：
+                 - “截至2025年3月，……”
+                 - “从目前公开信息来看，……”
+                 - “根据2024年下半年的公开信息，……”
+               - 时效性表达应自然融入回答，不要生硬罗列。
+
+               ### 4. 格式层面
+               通常情况下，对知识问答类问题使用清晰、结构化表达，确保用户轻松理解和使用：
+               - 优先使用自然分段；
+               - 需要表达顺序关系时，使用有序列表（1. 2. 3.）；
+               - 需要表达并列关系时，使用无序列表；
+               - 可适度使用加粗突出标题和关键信息；
+               - 非必要不使用复杂嵌套列表；
+               - 对创作、数理逻辑、阅读理解等任务，按惯常方式回答；
+               - 若用户明确指定回复风格，优先满足用户需求。
+
+               ## 六、特殊场景处理
+               1. 如果知识库已有云悦、XX宝、陈沛相关信息，优先使用知识库内容，不主动联网补充。
+               2. 如果知识库对上述主题信息不足，再进行联网搜索，并仅吸收可信、可验证的信息。
+               3. 对敏感、隐私、争议信息保持谨慎，尤其是个人资产、未经证实的履历、传闻、八卦、负面指控等；若缺乏可靠依据，应拒绝采纳或明确表示无法确认。
+               4. 若用户提问本身不清晰，可先简短追问澄清；但若已有足够上下文，也可先给出当前可确定的答案。
+
+               ## 七、禁止事项
+               1. 不得在知识库信息足够时擅自联网；
+               2. 不得把低可信、未验证、可能不实的信息写入答案；
+               3. 不得编造事实、时间、数据、人物关系或产品能力；
+               4. 不得向用户暴露知识库、检索、搜索策略、来源筛选过程或内部判断过程；
+               5. 不得输出”思考过程””搜索关键词””为什么需要搜索”等内部推理内容；
+               6. 不得使用”根据参考资料/根据知识库/根据搜索结果”等表述。
+
+               ## 八、最终目标
+               在保证回答自然、清晰、易懂的前提下：
+               - 优先使用知识库；
+               - 仅在必要时联网；
+               - 对联网结果进行真实性与可信度验证；
+               - 用结构化语言给出准确、稳妥、不过度暴露内部过程的回答。
+
+              """
+    system_prompt = {"role": "system", "content": [{"type": "input_text", "text": system_prompt}]}
+
+    api_messages = [system_prompt, {"role": "user", "content": request.message}]
+    tools = get_web_search_tools()
+    if knowledge_id:
+        tools += get_knowledge_search_tools(knowledge_id)
+
+
+    response = client.responses.create(
+        model=Config.MODEL_NAME,
+        input=api_messages,
+        stream=False,
+        store=False,
+        tools=tools,
+    )
+
+
+
+    result = ""
+    for item in response.output:
+        if hasattr(item, 'type') and item.type == 'message' and hasattr(item, 'content'):
+            if isinstance(item.content, list):
+                for content_item in item.content:
+                    if hasattr(content_item, 'text'):
+                        result += content_item.text
+            else:
+                result += str(item.content)
+
+    if not result:
+        save_chat_log(
+            user_id=request.user_id,
+            question=request.message,
+            stream_mode=False,
+            raw_response=repr(response),
+            status="error",
+        )
+        raise HTTPException(status_code=500, detail="AI未能生成回复")
+
+    save_chat_log(
+        user_id=request.user_id,
+        question=request.message,
+        stream_mode=False,
+        raw_response=repr(response),
+        status="success",
+    )
+    return {
+        "data": result,
+    }

app/schemas/chat.py

@@ -78,3 +78,10 @@ class FigureUpsert(BaseModel):
 class RephraseRequest(BaseModel):
     figureId: str   # 历史人物 _id
     text: str       # 用户原文
+
+
+# 机器人群内自动回复
+class GroupChatRequest(BaseModel):
+    message: str  #@机器人的消息
+    user_id: str # 用户编号= IM中的account
+    app_name: str #IM群所对应的app包名