可以用的平子武贴器

🚀 快速开始 (How to Run)

5. 使用 Docker 启动

仓库已经补齐了可直接运行的 Docker Compose 配置，默认会启动： - atri-db：带 pgvector + pgroonga 的 PostgreSQL - atri-bot：ATRI 主程序容器

首次使用前，至少确认两件事： 1. assets/supplier_config.json 中的模型接口可用。 2. NapCat 能连接到 ws://宿主机IP:8888/websocket?access_token=你的token。

推荐先复制一份环境变量文件：

cp .env.docker.example .env

然后直接启动：

docker compose up -d --build

如果你已经跑过旧版本数据库结构，升级后建议先清理旧数据卷再重建：

docker compose down -v
docker compose up -d --build

查看日志：

docker compose logs -f app
docker compose logs -f db

停止并删除容器：

docker compose down

如果需要连数据库看表：

docker compose exec db psql -U postgres -d postgres

说明： - 容器启动时会基于 assets/config.json 生成一份运行时配置，不会覆盖你原本的本地配置。 - 默认把宿主机的 assets/、document/、log/、temp/ 挂进容器，便于直接改配置和保留运行数据。 - 内置 AI 沙盒默认只做镜像名覆盖；如果你还想让容器内再调用 Docker 沙盒，需要额外挂载 Docker Socket。

---

4. 启动项目

项目依赖 Python 3.13 环境，推荐使用 uv 管理依赖。

使用 uv (推荐): ```bash

2. 数据库配置 (PostgreSQL)

项目当前仅支持 PostgreSQL 数据库。 1. 安装数据库：建议安装较新的 PostgreSQL 版本。官方安装文档 2. 安装数据库插件： - 必须安装 pgvector（向量检索）pgvector 项目地址 - 必须安装 pgroonga（全文检索）PGroonga 文档 3. 数据库初始化： 项目提供了初始化 SQL 文件：assets/PostgreSQL基础.sql（开发版）和 docker/db/info.sql（Docker 初始化版）。 进入数据库（Linux 示例）：

    sudo -u postgres psql
    

3. 模型与环境配置

#### 🤖 嵌入模型 (Embedding) 推荐优先使用本地的 Qwen3-Embedding-0.6B:F16。当然你也可以接入其他 Embedding API（OpenAI 格式兼容），只是仓库里目前主要按 Ollama 的使用方式测试过。 推荐使用 Ollama 进行本地部署：

ollama run Qwen3-Embedding-0.6B:F16

注意：如果更换 Embedding 模型，之前构建的向量数据需要重新构建。

#### 🗣️ 语音合成 (TTS) - 可选 支持接入 GPT-SoVITS。 实现 Bot 主动发送语音或通过命令调用语音功能，可以设置语速、情感等常用参数；当然前提是你已经准备好了自己的语音模型。 使用前需要修改 atribot/commands/audio/TTS.py 中的参考音频路径，以及 GPT-SoVITS 接口端口地址。

{
    "这里是对应的情感": {
        "refer_wav_path": "这里是参考音频的完整路径",
        "prompt_text": "参考音频的对应文本",
        "prompt_language": "参考文本对应的语言"
    },           
    "平静": {
        "refer_wav_path": "/home/atri/tts_reference/夏生さんが望むのでしたら.mp3",
        "prompt_text": "夏生さんが望むのでしたら",
        "prompt_language": "ja"
    }
}

📦 沙盒环境 (sandbox) - 可选

为 AI 模型配备了默认的代码沙盒环境，使其能够安全地执行用户请求或自主生成的代码片段。当前实现基于 Docker 🐳沙盒，支持运行 Python 等语言的代码，可用于代码解释、数据计算等场景。

• 扩展性：如需支持其他类型的沙盒（如 Web 沙盒、系统命令沙盒），可继承 atribot/LLMchat/sandbox/sandbox_base.py 中的基类并实现相应接口。
• 文件操作：AI 上下文中能够看到的文件可以放到 Python 环境中进行简单处理。

#### ⚙️ 配置文件 在启动前，请务必检查 assets 目录中的配置： 1. 将 config copy.json 重命名为 config.json 并配置(记得查看"如何配置配置文件.py")。 2. 将 supplier_config copy.json 重命名为 supplier_config.json 并配置（模型供应商配置,支持任意opneAI兼容的）。

    cp "assets/config copy.json" assets/config.json
    cp "assets/supplier_config copy.json" assets/supplier_config.json
    

🧠 深度 LLM 聊天集成

完全自主实现的 LLM 聊天全链路，从输入处理到输出决策全部可控：

- 全异步高并发：回复流程完全异步，支持多供应商 Key 池轮询，多群并发场景下也能稳定运行。 - 结构化决策输出：模型以 JSON 格式返回结构化决策（回复 / 更新画像 / 静默 / 调用工具），行为完全可控且易于扩展。 - 工具扩展能力：支持 Function Calling、MCP (Model Context Protocol) 协议工具集，以及 Skills 自定义提示词。 - 两级记忆系统： - 短期：每个群 / 用户维护独立的滑动上下文窗口，超限时由 LLM 自动压缩摘要、无损续接。 - 长期：对话结束后提取关键事件，经 Embedding 向量化后存入 PostgreSQL（pgvector），检索时采用向量 + 全文双路召回 + RRF 融合 + 时间衰减评分，让 Bot 有个比较可靠的长期记忆。 > 注：长期记忆聚焦于对话中的事件与偏好，不适用于存储长文档，对于聊天场景下已足够实用。 - 用户画像：为每位用户维护称呼、关系、性格、偏好等画像文档，嵌入每次对话上下文，保证跨会话态度一致。 - 高可用降级：主模型 API 出现异常时，自动按配置顺序切换到备用供应商和模型，保证有问必达。 - 拟人化交互： - 自然发送表情包，支持分段回复模拟真实打字节奏。 - 达到条件时主动融入群聊话题，而不只是被动等待 @。 - 支持人设切换等基础功能。