Dev (#80)

* fix(discord): 修复 WebSocket 连接检测并增强跨平台文件处理

修复 Discord WebSocket 连接检测逻辑，使用正确的属性检查连接状态
为跨平台消息处理添加文件类型支持，并增加详细的调试日志
优化附件处理逻辑，确保所有文件类型都能正确识别和转发

* feat(跨平台): 优化消息处理并添加纯文本提取功能

添加 extract_text_only 函数过滤非文本标记
修改翻译逻辑仅处理纯文本内容
完善附件处理和消息内容拼接
修复仅包含表情时的消息处理问题

* refactor(discord-cross): 使用模块专用日志记录器替换全局日志记录器

将各模块中的全局日志记录器替换为模块专用日志记录器，以提供更清晰的日志来源标识
同时在适配器中添加会话状态检查和重连机制，提升消息发送的可靠性

* feat(翻译): 改进翻译功能，同时显示原文和译文

修改翻译功能，不再替换原文而是同时显示原文和翻译内容，方便用户对照
更新 DeepSeek API 配置为官方地址和模型
优化 Discord 适配器的重连逻辑，直接关闭 WebSocket 触发重连
修复 Discord 频道 ID 转换逻辑，简化处理流程

* feat(cross-platform): 添加跨平台功能支持及配置优化

- 新增跨平台配置模型和全局配置支持
- 优化 Discord 适配器的连接管理和错误处理
- 添加 watchdog 和 discord.py 依赖
- 创建 DeepSeek API 配置文档
- 移除重复的同步帮助图片代码
- 改进跨平台插件配置加载逻辑

* fix(jrcd): 修正群组ID检查条件

删除不再使用的示例插件文件

* feat: 改进配置加载逻辑并更新项目配置

当配置文件不存在时自动生成示例配置
添加pyproject.toml作为项目构建配置
更新.gitignore忽略更多文件类型
删除不再使用的反向WebSocket示例文件

* docs: 更新架构文档和项目结构说明

添加反向WebSocket连接模式说明
补充核心管理器文档
更新项目结构文件
在文档首页添加特色功能说明

* fix(discord): 修复WebSocket连接检查并添加错误日志

refactor(config): 更新配置文件的网络和认证信息

feat(cross-platform): 为跨平台消息处理添加异常捕获和日志

* fix(discord-cross): 修复跨平台消息处理和附件下载问题

修复QQ群消息处理中的非群消息过滤问题
优化Discord附件下载逻辑，使用aiohttp替代requests
修复Redis订阅任务重复创建问题
调整消息格式化的embed字段处理逻辑

* feat(vectordb): 添加向量数据库支持及集成功能

新增向量数据库管理器模块，支持文本的存储、检索和相似度查询
添加知识库插件和AI聊天插件，利用向量数据库实现记忆功能
优化跨平台翻译模块，集成向量数据库存储历史翻译记录
改进消息处理逻辑，优先使用用户显示名称

adapters/discord_adapter.py

@@ -112,7 +112,8 @@ class DiscordAdapter(discord.Client if DISCORD_AVAILABLE else object):
                     try:
                         data = json.loads(message["data"])
                         if data.get("type") == "send_message":
-                            await self.handle_send_message(data)
+                            # 使用 asyncio.create_task 异步处理消息，避免阻塞订阅循环
+                            asyncio.create_task(self.handle_send_message(data))
                     except json.JSONDecodeError as e:
                         self.logger.error(f"[DiscordAdapter] 解析 Redis 消息失败: {e}")
                     except Exception as e:

adapters/router.py

@@ -356,7 +356,8 @@ class DiscordToOneBotConverter:
         
         # 注入 Discord 特定信息（用于跨平台插件识别）
         discord_channel_id = discord_message.channel.id if not isinstance(discord_message.channel, discord.DMChannel) else None
-        discord_username = discord_message.author.name
+        # 使用 global_name (显示名称/昵称) 如果存在，否则使用 name (用户名)
+        discord_username = getattr(discord_message.author, 'global_name', None) or discord_message.author.name
         discord_discriminator = f"#{discord_message.author.discriminator}" if discord_message.author.discriminator != "0" else ""
         
         if is_private:

core/managers/__init__.py

@@ -13,6 +13,7 @@ from .browser_manager import BrowserManager
 from .image_manager import ImageManager
 from .reverse_ws_manager import ReverseWSManager
 from .thread_manager import thread_manager
+from .vectordb_manager import vectordb_manager
 
 # --- 实例化所有单例管理器 ---
 
@@ -55,4 +56,5 @@ __all__ = [
     "image_manager",
     "reverse_ws_manager",
     "thread_manager",
+    "vectordb_manager",
 ]

core/managers/vectordb_manager.py

@@ -0,0 +1,134 @@
+# -*- coding: utf-8 -*-
+"""
+向量数据库管理器模块
+
+该模块提供了一个基于 ChromaDB 的向量数据库管理器，
+用于存储和检索文本向量，为大语言模型提供记忆能力。
+"""
+import os
+import json
+from typing import List, Dict, Any, Optional
+import chromadb
+from chromadb.config import Settings
+from core.utils.logger import ModuleLogger
+from core.utils.singleton import Singleton
+
+logger = ModuleLogger("VectorDBManager")
+
+class VectorDBManager(Singleton):
+    """
+    向量数据库管理器（单例）
+    """
+    _client = None
+    _collections = {}
+
+    def __init__(self):
+        super().__init__()
+        self.db_path = os.path.join(os.path.dirname(os.path.dirname(os.path.dirname(__file__))), "data", "vectordb")
+        os.makedirs(self.db_path, exist_ok=True)
+
+    def initialize(self):
+        """初始化 ChromaDB 客户端"""
+        if self._client is None:
+            try:
+                logger.info(f"正在初始化向量数据库，路径: {self.db_path}")
+                self._client = chromadb.PersistentClient(
+                    path=self.db_path,
+                    settings=Settings(
+                        anonymized_telemetry=False,
+                        allow_reset=True
+                    )
+                )
+                logger.success("向量数据库初始化成功！")
+            except Exception as e:
+                logger.error(f"向量数据库初始化失败: {e}")
+                self._client = None
+
+    def get_collection(self, name: str):
+        """获取或创建集合"""
+        if self._client is None:
+            self.initialize()
+            
+        if self._client is None:
+            return None
+            
+        if name not in self._collections:
+            try:
+                # 使用默认的 sentence-transformers 嵌入模型
+                self._collections[name] = self._client.get_or_create_collection(name=name)
+                logger.debug(f"已获取/创建向量集合: {name}")
+            except Exception as e:
+                logger.error(f"获取向量集合 {name} 失败: {e}")
+                return None
+                
+        return self._collections[name]
+
+    def add_texts(self, collection_name: str, texts: List[str], metadatas: List[Dict[str, Any]], ids: List[str]) -> bool:
+        """
+        向集合中添加文本
+        
+        Args:
+            collection_name: 集合名称
+            texts: 文本列表
+            metadatas: 元数据列表（用于过滤和存储额外信息）
+            ids: 唯一ID列表
+        """
+        collection = self.get_collection(collection_name)
+        if collection is None:
+            return False
+            
+        try:
+            collection.add(
+                documents=texts,
+                metadatas=metadatas,
+                ids=ids
+            )
+            logger.debug(f"成功向集合 {collection_name} 添加 {len(texts)} 条记录")
+            return True
+        except Exception as e:
+            logger.error(f"向集合 {collection_name} 添加记录失败: {e}")
+            return False
+
+    def query_texts(self, collection_name: str, query_texts: List[str], n_results: int = 5, where: Optional[Dict[str, Any]] = None) -> Dict[str, Any]:
+        """
+        查询相似文本
+        
+        Args:
+            collection_name: 集合名称
+            query_texts: 查询文本列表
+            n_results: 返回结果数量
+            where: 过滤条件
+        """
+        collection = self.get_collection(collection_name)
+        if collection is None:
+            return {"documents": [], "metadatas": [], "distances": []}
+            
+        try:
+            results = collection.query(
+                query_texts=query_texts,
+                n_results=n_results,
+                where=where
+            )
+            return results
+        except Exception as e:
+            logger.error(f"查询集合 {collection_name} 失败: {e}")
+            return {"documents": [], "metadatas": [], "distances": []}
+
+    def delete_texts(self, collection_name: str, ids: Optional[List[str]] = None, where: Optional[Dict[str, Any]] = None) -> bool:
+        """
+        删除文本
+        """
+        collection = self.get_collection(collection_name)
+        if collection is None:
+            return False
+            
+        try:
+            collection.delete(ids=ids, where=where)
+            logger.debug(f"成功从集合 {collection_name} 删除记录")
+            return True
+        except Exception as e:
+            logger.error(f"从集合 {collection_name} 删除记录失败: {e}")
+            return False
+
+# 全局向量数据库管理器实例
+vectordb_manager = VectorDBManager()

main.py

@@ -111,6 +111,10 @@ async def main():
     2. 初始化 WebSocket 客户端
     3. 建立连接并保持运行
     """
+    # 初始化向量数据库
+    from core.managers.vectordb_manager import vectordb_manager
+    vectordb_manager.initialize()
+
     # 首先加载所有插件
     plugin_manager.load_all_plugins()
 

plugins/ai_chat.py

@@ -0,0 +1,113 @@
+# -*- coding: utf-8 -*-
+"""
+AI 聊天插件，支持向量数据库记忆功能
+"""
+import time
+import uuid
+from core.managers.command_manager import matcher
+from models.events.message import GroupMessageEvent, PrivateMessageEvent
+from core.managers.vectordb_manager import vectordb_manager
+from core.utils.logger import ModuleLogger
+from core.config_loader import global_config
+
+logger = ModuleLogger("AIChat")
+
+# 尝试导入 OpenAI 客户端
+try:
+    from openai import AsyncOpenAI
+    OPENAI_AVAILABLE = True
+except ImportError:
+    OPENAI_AVAILABLE = False
+
+async def get_ai_response(user_id: int, group_id: int, user_message: str) -> str:
+    """获取 AI 回复，包含向量数据库记忆"""
+    if not OPENAI_AVAILABLE:
+        return "请先安装 openai 库: pip install openai"
+        
+    # 从配置中获取 DeepSeek API 配置（复用跨平台插件的配置或全局配置）
+    api_key = getattr(global_config.cross_platform, 'deepseek_api_key', None) or "your-api-key"
+    api_url = getattr(global_config.cross_platform, 'deepseek_api_url', "https://api.deepseek.com/v1")
+    model = getattr(global_config.cross_platform, 'deepseek_model', "deepseek-chat")
+    
+    if api_key == "your-api-key":
+        return "请先在配置中设置 DeepSeek API Key"
+        
+    # 1. 从向量数据库检索相关记忆
+    collection_name = f"chat_memory_{user_id}"
+    memory_context = ""
+    
+    try:
+        results = vectordb_manager.query_texts(
+            collection_name=collection_name,
+            query_texts=[user_message],
+            n_results=3
+        )
+        
+        if results and results.get("documents") and results["documents"][0]:
+            memory_context = "\n\n相关历史记忆：\n"
+            for i, doc in enumerate(results["documents"][0], 1):
+                memory_context += f"{i}. {doc}\n"
+    except Exception as e:
+        logger.error(f"检索聊天记忆失败: {e}")
+        
+    # 2. 构建 Prompt
+    system_prompt = f"""你是一个友好的 AI 助手。请根据用户的输入进行回复。
+如果提供了相关历史记忆，请参考这些记忆来保持对话的连贯性。{memory_context}"""
+
+    try:
+        client = AsyncOpenAI(
+            api_key=api_key,
+            base_url=api_url.replace("/chat/completions", "")
+        )
+        
+        response = await client.chat.completions.create(
+            model=model,
+            messages=[
+                {"role": "system", "content": system_prompt},
+                {"role": "user", "content": user_message}
+            ],
+            temperature=0.7,
+            max_tokens=1000
+        )
+        
+        ai_reply = response.choices[0].message.content
+        
+        # 3. 将本次对话存入向量数据库
+        if ai_reply:
+            try:
+                doc_id = str(uuid.uuid4())
+                text_to_embed = f"用户: {user_message}\nAI: {ai_reply}"
+                metadata = {
+                    "user_id": user_id,
+                    "group_id": group_id,
+                    "timestamp": int(time.time())
+                }
+                
+                vectordb_manager.add_texts(
+                    collection_name=collection_name,
+                    texts=[text_to_embed],
+                    metadatas=[metadata],
+                    ids=[doc_id]
+                )
+            except Exception as e:
+                logger.error(f"保存聊天记忆失败: {e}")
+                
+        return ai_reply
+    except Exception as e:
+        logger.error(f"AI 聊天请求失败: {e}")
+        return f"请求失败: {str(e)}"
+
+@matcher.command("chat", "聊天")
+async def chat_command(event: GroupMessageEvent | PrivateMessageEvent, args: list[str]):
+    """AI 聊天命令"""
+    if not args:
+        await event.reply("请提供要聊天的内容，例如：/chat 你好")
+        return
+        
+    user_message = " ".join(args)
+    user_id = event.user_id
+    group_id = getattr(event, 'group_id', 0)
+    
+    await event.reply("正在思考中...")
+    reply = await get_ai_response(user_id, group_id, user_message)
+    await event.reply(reply)

plugins/discord-cross/handlers.py

@@ -148,7 +148,7 @@ async def handle_qq_group_message(event: GroupMessageEvent):
             group_name = f"群{group_id}"
         
         await handle_qq_message(
-            nickname=event.sender.nickname or event.sender.card or str(event.user_id),
+            nickname=event.sender.card or event.sender.nickname or str(event.user_id),
             user_id=event.user_id,
             group_name=group_name,
             group_id=group_id,

plugins/discord-cross/translator.py

@@ -2,8 +2,11 @@
 """
 跨平台消息互通插件翻译模块
 """
+import time
+import uuid
 from typing import Dict, List
 from core.utils.logger import ModuleLogger
+from core.managers.vectordb_manager import vectordb_manager
 from .config import config
 
 # 创建模块专用日志记录器
@@ -19,7 +22,7 @@ def get_translation_context(channel_id: int, direction: str) -> List[Dict[str, s
     return TRANSLATION_CONTEXT_CACHE.get(cache_key, [])
 
 def add_translation_context(channel_id: int, direction: str, original: str, translated: str):
-    """添加翻译到上下文缓存"""
+    """添加翻译到上下文缓存和向量数据库"""
     cache_key = f"{channel_id}_{direction}"
     if cache_key not in TRANSLATION_CONTEXT_CACHE:
         TRANSLATION_CONTEXT_CACHE[cache_key] = []
@@ -31,6 +34,59 @@ def add_translation_context(channel_id: int, direction: str, original: str, tran
     
     if len(TRANSLATION_CONTEXT_CACHE[cache_key]) > MAX_CONTEXT_MESSAGES:
         TRANSLATION_CONTEXT_CACHE[cache_key] = TRANSLATION_CONTEXT_CACHE[cache_key][-MAX_CONTEXT_MESSAGES:]
+        
+    # 将翻译记录保存到向量数据库
+    try:
+        collection_name = f"translation_memory_{channel_id}"
+        doc_id = str(uuid.uuid4())
+        
+        # 将原文和译文组合作为向量化文本
+        text_to_embed = f"原文: {original}\n译文: {translated}"
+        
+        metadata = {
+            "channel_id": channel_id,
+            "direction": direction,
+            "original": original,
+            "translated": translated,
+            "timestamp": int(time.time())
+        }
+        
+        vectordb_manager.add_texts(
+            collection_name=collection_name,
+            texts=[text_to_embed],
+            metadatas=[metadata],
+            ids=[doc_id]
+        )
+        logger.debug(f"[CrossPlatform] 翻译记录已保存到向量数据库: {collection_name}")
+    except Exception as e:
+        logger.error(f"[CrossPlatform] 保存翻译记录到向量数据库失败: {e}")
+
+def get_similar_translations(channel_id: int, text: str, direction: str, limit: int = 3) -> str:
+    """从向量数据库检索相似的翻译记录"""
+    try:
+        collection_name = f"translation_memory_{channel_id}"
+        
+        # 检索相似文本
+        results = vectordb_manager.query_texts(
+            collection_name=collection_name,
+            query_texts=[text],
+            n_results=limit,
+            where={"direction": direction}
+        )
+        
+        if not results or not results.get("documents") or not results["documents"][0]:
+            return ""
+            
+        context_ref = "\n\n参考历史相似翻译（向量检索）：\n"
+        for i, metadata in enumerate(results["metadatas"][0], 1):
+            original = metadata.get("original", "")
+            translated = metadata.get("translated", "")
+            context_ref += f"{i}. 原文: {original[:100]}\n   译文: {translated[:100]}\n"
+            
+        return context_ref
+    except Exception as e:
+        logger.error(f"[CrossPlatform] 从向量数据库检索翻译记录失败: {e}")
+        return ""
 
 async def translate_with_deepseek(
     text: str, 
@@ -51,11 +107,17 @@ async def translate_with_deepseek(
     messages = []
     context_ref = ""
     if channel_id > 0:
+        # 1. 获取最近的上下文缓存
         context = get_translation_context(channel_id, direction)
         if context:
-            context_ref = "\n\n参考之前的翻译：\n"
+            context_ref = "\n\n参考最近的翻译：\n"
             for i, ctx in enumerate(context[-5:], 1):
                 context_ref += f"{i}. 原文: {ctx['original'][:100]}\n   译文: {ctx['translated'][:100]}\n"
+                
+        # 2. 从向量数据库检索相似的历史翻译
+        similar_context = get_similar_translations(channel_id, text, direction)
+        if similar_context:
+            context_ref += similar_context
     
     system_prompt = f"""你是一个专业的翻译助手。请将以下文本翻译成{lang_name}。
 只返回翻译后的文本，不要添加任何解释、注释或其他内容。避免翻译出仇视言论以及违反中国大陆相关法律法规的内容。如果有，请在翻译后有敏感的词语中把文本替换成井号（#）
@@ -115,11 +177,17 @@ async def translate_with_deepseek_sync(
     
     context_ref = ""
     if channel_id > 0:
+        # 1. 获取最近的上下文缓存
         context = get_translation_context(channel_id, direction)
         if context:
-            context_ref = "\n\n参考之前的翻译：\n"
+            context_ref = "\n\n参考最近的翻译：\n"
             for i, ctx in enumerate(context[-5:], 1):
                 context_ref += f"{i}. 原文: {ctx['original'][:100]}\n   译文: {ctx['translated'][:100]}\n"
+                
+        # 2. 从向量数据库检索相似的历史翻译
+        similar_context = get_similar_translations(channel_id, text, direction)
+        if similar_context:
+            context_ref += similar_context
     
     system_prompt = f"""你是一个专业的翻译助手。请将以下文本翻译成{lang_name}。
 只返回翻译后的文本，不要添加任何解释、注释或其他内容。避免翻译出仇视言论以及违反中国大陆相关法律法规的内容。如果有，请在翻译后有敏感的词语中把文本替换成井号（#）

plugins/knowledge_base.py

@@ -0,0 +1,86 @@
+# -*- coding: utf-8 -*-
+"""
+群聊知识库插件，支持向量数据库检索
+"""
+import time
+import uuid
+from core.managers.command_manager import matcher
+from models.events.message import GroupMessageEvent
+from core.managers.vectordb_manager import vectordb_manager
+from core.utils.logger import ModuleLogger
+from core.permission import Permission
+
+logger = ModuleLogger("GroupKnowledgeBase")
+
+@matcher.command("kb_add", "添加知识库", permission=Permission.ADMIN)
+async def kb_add_command(event: GroupMessageEvent, args: list[str]):
+    """添加知识库条目"""
+    if len(args) < 2:
+        await event.reply("用法: /kb_add <问题> <答案>")
+        return
+        
+    question = args[0]
+    answer = " ".join(args[1:])
+    group_id = event.group_id
+    
+    try:
+        collection_name = f"knowledge_base_{group_id}"
+        doc_id = str(uuid.uuid4())
+        
+        text_to_embed = f"问题: {question}\n答案: {answer}"
+        metadata = {
+            "group_id": group_id,
+            "question": question,
+            "answer": answer,
+            "added_by": event.user_id,
+            "timestamp": int(time.time())
+        }
+        
+        success = vectordb_manager.add_texts(
+            collection_name=collection_name,
+            texts=[text_to_embed],
+            metadatas=[metadata],
+            ids=[doc_id]
+        )
+        
+        if success:
+            await event.reply(f"知识库条目添加成功！\n问题: {question}")
+        else:
+            await event.reply("知识库条目添加失败，请查看日志。")
+    except Exception as e:
+        logger.error(f"添加知识库失败: {e}")
+        await event.reply(f"添加失败: {str(e)}")
+
+@matcher.command("kb_search", "搜索知识库")
+async def kb_search_command(event: GroupMessageEvent, args: list[str]):
+    """搜索知识库条目"""
+    if not args:
+        await event.reply("用法: /kb_search <关键词>")
+        return
+        
+    query = " ".join(args)
+    group_id = event.group_id
+    
+    try:
+        collection_name = f"knowledge_base_{group_id}"
+        
+        results = vectordb_manager.query_texts(
+            collection_name=collection_name,
+            query_texts=[query],
+            n_results=3
+        )
+        
+        if not results or not results.get("documents") or not results["documents"][0]:
+            await event.reply("未找到相关的知识库条目。")
+            return
+            
+        reply_msg = f"为您找到以下相关知识：\n"
+        for i, metadata in enumerate(results["metadatas"][0], 1):
+            question = metadata.get("question", "")
+            answer = metadata.get("answer", "")
+            reply_msg += f"\n{i}. Q: {question}\n   A: {answer}"
+            
+        await event.reply(reply_msg)
+    except Exception as e:
+        logger.error(f"搜索知识库失败: {e}")
+        await event.reply(f"搜索失败: {str(e)}")