请求邀请码，我可以深度的测试咱们的产品
1 个赞
我想用 SOLO 做业务流程梳理，提升工作效率
1 个赞
社长，你给我站出来，我哦们交流一下邀请码的事情
1 个赞
请给个邀请码
1 个赞
TetherBot 项目问题修复与功能增强
—— 基于微信的 AI 助手长对话能力深度优化
发布日期：2026年4月23日 | 项目路径：tetherbot-weixin | 状态：已完成
────────────────────────────────────────────────────────────
一、项目背景
TetherBot 是一个基于微信的 AI 助手项目，集成大语言模型（LLM）、多工具调用和会话管理能力。
在本次优化之前，项目存在以下核心问题：长期对话中话题无法保持、上下文丢失、工具返回结果生硬、长对话处理能力不足。
1.1 典型问题案例
· **问题现象：**用户说"现在我们明确一下聊天主题为：AI助手与用户的协作伦理"，AI 回复"�� 现在是 17:45:48，2026年04月23日，Thursday"，完全忽略了话题设置。
· **用户追问：**用户问"你记得我们明确的聊天主题是什么吗？“，AI 回答"我的记忆是基于当前的对话上下文的”，表示无法回溯话题。
· 根本原因："现在"触发时间关键词 → 被错误识别为时间查询 → 话题设置逻辑被跳过 → 话题永远无法建立 → 每条消息创建新会话（ID不一致）
二、问题根因分析
RC-1：会话ID不固定
**问题描述：**每次消息使用 f"wechat_{sender_id}" 查找会话，但 create_conversation() 生成随机 UUID，导致每次都创建新会话，对话历史完全丢失。
**涉及文件：**wechat/ai_handler.py
代码片段：
conversation_id = f"wechat_{sender_id}" → 创建新会话
RC-2：话题设置优先级低
问题描述："现在"同时触发时间关键词和话题设置意图，但时间查询分支优先执行，话题检测逻辑被跳过。
**涉及文件：**wechat/ai_handler.py
代码片段：
_is_realtime_query(“现在…”) → True → 时间分支 → _detect_and_set_topic 从未被调用
RC-3：工具结果未合成
**问题描述：**实时查询（天气、新闻、计算器）直接返回 JSON 格式的工具输出，用户体验生硬、不自然。
**涉及文件：**wechat/ai_handler.py
代码片段：
直接 return {“success”: True, “weather”: “…”} → 未经过 LLM 合成
RC-4：记忆系统未集成
**问题描述：**MemoryManager 存在完整架构（BuiltinMemoryProvider、TF-IDF索引、长期存储），但 AIHandler 从未调用 sync_turn / prefetch 方法。
**涉及文件：**wechat/ai_handler.py
代码片段：
内存系统代码存在但完全被绕过
RC-5：长对话无压缩
**问题描述：**对话超过 20 轮后，上下文窗口持续增长，最终导致 token 超限或响应变慢。
**涉及文件：**core/conversation.py
代码片段：
compress_long_conversation() 方法存在但从未被调用
三、修复方案与实现
FIX-1：固定会话ID与会话持久化
**修复说明：**通过 _user_conversations 字典维护 user_id → conversation_id 映射，确保同一用户复用同一会话。
实现细节：
· 新增 _user_conversations: Dict[str, str] 字段存储用户到会话ID的映射
· 新增 _get_or_create_conversation() 方法：查找缓存的会话ID，若存在且ACTIVE则复用，否则创建新会话
· 会话创建后立即缓存映射关系，第二次消息开始使用同一会话
**涉及文件：**wechat/ai_handler.py (行 18-25, 55-67)
核心代码：
self._user_conversations: Dict[str, str] = {}
def _get_or_create_conversation(self, sender_id: str) → tuple:
if sender_id in self._user_conversations:
conv_id = self._user_conversations[sender_id]
conversation = self.conversation_manager.get_conversation(conv_id)
if conversation and conversation.state == ConversationState.ACTIVE:
return conversation, conv_id
conversation = self.conversation_manager.create_conversation(…)
self._user_conversations[sender_id] = conversation.conversation_id
return conversation, conversation.conversation_id
FIX-2：话题设置优先级高于实时查询
**修复说明：**新增 _is_topic_setting() 方法检测话题建立意图，在 process_message_async() 中优先于 realtime 查询处理。
实现细节：
· 定义话题设置关键词：明确一下、主题是、话题是、定为、我们来聊等
· 流程调整：is_topic_setting() → is_realtime_query() → normal LLM path
· 话题关键词自动检测：从用户消息中提取主题存入 conversation.context[“topic”]
· 话题上下文注入：_build_topic_context() 生成提示文本，在每次 LLM 调用前注入
**涉及文件：**wechat/ai_handler.py (行 107-116, 499-522)
核心代码：
def _is_topic_setting(self, query: str) → bool:
query_lower = query.lower()
topic_setting_keywords = [
“明确一下”, “主题是”, “话题是”, “定为”, “讨论”,
“我们现在明确”, “现在我们讨论”,
]
return any(kw in query_lower for kw in topic_setting_keywords)
FIX-3：实时查询结果 LLM 合成
**修复说明：**将工具调用结果（天气、新闻、GitHub、计算器）通过 LLM 合成自然语言回复，而非直接返回 JSON。
实现细节：
· _handle_realtime_query() 返回 (tool_results, synthesis_needed)
· _synthesize_realtime_reply() 构建结构化查询结果上下文，通过 LLM 生成自然语言
· 支持城市名智能提取：去除"天气"、“查询”、"怎么样"等后缀
· 保留最近 6 轮对话历史作为上下文参考
**涉及文件：**wechat/ai_handler.py (行 142-200, 267-331)
核心代码：
def _handle_realtime_query(self, query: str) → tuple:
tool_results = {}
synthesis_needed = False
# … 多工具检测 …
return tool_results, synthesis_needed
async def _synthesize_realtime_reply(self, query, tool_results, history):
context_block = “\n\n”.join(context_parts)
messages = [{“role”: “system”, “content”: system_prompt}]
messages.extend(history[-6:])
messages.append({“role”: “user”, “content”: f"查询结果：{context_block}…"})
return await llm_manager.generate_with_history(messages)
FIX-4：记忆系统完整集成
**修复说明：**将 BuiltinMemoryProvider 接入消息处理流程，实现每轮对话的记忆同步和检索注入。
实现细节：
· 首次消息时初始化 BuiltinMemoryProvider（_init_memory_for_user）
· 每轮对话结束后调用 sync_turn() 同步到内存系统（TF-IDF 索引）
· 每轮对话前调用 prefetch() 检索相关记忆，注入 system prompt
· 支持 session 记忆（TTL 3600秒）和 long_term 记忆（持久化到磁盘）
**涉及文件：**wechat/ai_handler.py (行 106-133)
核心代码：
self._memory_provider = None
self._memory_initialized: Dict[str, bool] = {}
def _init_memory_for_user(self, sender_id, conversation_id):
from memory.builtin_memory import BuiltinMemoryProvider
from memory.config import DEFAULT_MEMORY_CONFIG
if self._memory_provider is None:
self._memory_provider = BuiltinMemoryProvider(DEFAULT_MEMORY_CONFIG)
session_key = f"wechat_{sender_id}_{conversation_id}"
self._memory_provider.initialize(session_key)
self._memory_initialized[sender_id] = True
def _get_memory_context(self, query, sender_id) → str:
context = self._memory_provider.prefetch(query, session_id=sender_id)
if context:
return f"\n[System note…]\n\n{context}\n"
return “”
def _sync_turn_to_memory(self, sender_id, user_content, assistant_content):
self._memory_provider.sync_turn(user_content, assistant_content, session_id=sender_id)
FIX-5：长对话上下文压缩
**修复说明：**当对话超过 20 轮时，自动压缩历史，保留摘要 + 最近 8 轮对话。
实现细节：
· 阈值常量 COMPRESS_AT_TURNS=20, KEEP_RECENT_TURNS=8
· _compress_conversation() 生成摘要（主题、首条消息、最近消息统计），插入为 system turn
· 保留最近 8 轮对话（用户最可能需要参考的上下文）
· 设置 is_compressed 标志，防止重复压缩
· 压缩后 topic 和 topic_set_at_turn 上下文值完整保留
**涉及文件：**wechat/ai_handler.py (行 135-172)
核心代码：
COMPRESS_AT_TURNS = 20
KEEP_RECENT_TURNS = 8
def _compress_conversation(self, conversation) → str:
turn_count = conversation.get_turn_count()
if turn_count < COMPRESS_AT_TURNS:
return “”
summary = self._generate_summary(conversation)
compressed_turn = conversation.add_turn(role=“system”,
content=f"[对话摘要] {summary}",
metadata={“compressed”: True, “original_turns”: turn_count})
kept_turns = conversation.turns[-KEEP_RECENT_TURNS:]
conversation.turns = [compressed_turn] + kept_turns
conversation.set_context_value(“is_compressed”, True)
return “[之前的对话已压缩，我在其中保留了关键信息…]”
四、验证测试
编号
测试项
预期结果
状态
验证数据
T1
会话ID持久化
同一用户多次发送消息，会话ID保持一致
通过
id1 == id2
T2
话题检测与注入
设置话题后，后续消息能正确注入话题上下文
通过
Topic stored: True
T3
话题优先级
“现在我们明确…” 优先进入话题分支而非时间查询
通过
is_topic_setting: True
T4
工具结果合成
计算器、天气、GitHub 查询结果通过 LLM 自然语言输出
通过
Calc: 14
T5
记忆初始化
首次消息时正确初始化 BuiltinMemoryProvider
通过
Memory initialized: True
T6
记忆同步
对话内容正确同步到记忆系统（TF-IDF索引）
通过
Memory sync+recall: True
T7
记忆检索注入
相关记忆内容正确注入 system prompt
通过
“” in mem_ctx
T8
上下文压缩
超过20轮后自动压缩，保留摘要+最近8轮
通过
Turns: 9, compressed=True
T9
压缩后功能完整
压缩后话题、记忆、检索仍然正常工作
通过
Topic preserved: True
T10
长期对话流程
25轮对话（~30条消息）全流程正常
通过
29 turns, memory=True
原问题复现验证
轮次
用户消息
Bot回复
验证结果
1
现在我们明确一下聊天主题为：AI助手与用户的协作伦理
（LLM自然语言回复，确认话题）
话题建立成功
2
你记得我们明确的聊天主题是什么吗？
（LLM基于上下文回答，提及AI助手与用户的协作伦理）
话题被正确回忆
3
北京天气怎么样？
（LLM合成后的自然语言天气回复）
天气查询自然化
4
继续讨论这个话题
（LLM保持话题一致性）
话题持续跟踪
五、架构改进总结
会话管理层
· 修复了会话ID不固定问题：从每次创建新会话 → 固定ID复用
· ConversationManager 提供 10+ 会话管理方法（压缩、摘要、分支、合并不再空转）
· context dict 用于存储话题、压缩标记等元数据
消息处理层
· 话题设置优先于实时查询（优先级队列逻辑）
· 实时查询结果通过 LLM 自然语言合成（非直接JSON输出）
· system prompt 三段式注入：压缩说明 + 话题上下文 + 记忆上下文
记忆系统层
· BuiltinMemoryProvider 完整激活：TF-IDF索引 + session存储 + long_term持久化
· 每轮同步（sync_turn）+ 每轮检索（prefetch）形成闭环
· 记忆权重算法：时间衰减（recency）+ 访问频率（frequency）+ 相关性（relevance）
上下文优化层
· 20轮自动压缩，防止token无限增长
· 压缩策略：摘要 + 最近8轮，平衡历史信息与上下文长度
· compression flag 防止重复压缩
六、CLI 工具增强
在本次优化的同时，还对 CLI 工具进行了增强，统一集成到 tools/system_tools/web_tools.py 中：
工具类
功能
备注
GitHubTrendingTool
GitHub热门项目查询
支持按语言/时间范围筛选
GitHubRepoSearchTool
GitHub仓库搜索
关键词搜索 + star数排序
GitHubFileFetchTool
GitHub文件内容获取
支持 owner/repo/path 获取文件
WeatherTool
天气预报
修复：使用 wttr.in JSON API 而非 HTML 解析
CalculatorTool
数学计算器
支持 sqrt/sin/cos/log/pi 等函数
ChineseNewsTool
搜狐新闻抓取
分类支持（国内/国际/科技/体育）
七、技术细节
7.1 关键技术点
· TF-IDF 索引：BuiltinMemoryProvider 使用 TF-IDF 算法构建倒排索引，支持高效的记忆检索
· 时间衰减：记忆相关性随时间指数衰减（base=0.95），确保近期记忆优先被召回
· 三段式 System Prompt：compression_note + topic_context + memory_context
· 异步处理：所有 LLM 调用使用 asyncio.wait_for() 超时控制（30秒）
· 城市名智能提取：正则去除"天气"/“怎么样”/"如何"等后缀，适配不同查询句式
7.2 修改文件清单
文件路径
修改内容
改动量
wechat/ai_handler.py
核心修改：会话管理、话题跟踪、记忆集成、压缩逻辑
~100行新增
tools/system_tools/web_tools.py
WeatherTool API修复
~5行修改
八、后续优化方向
· **向量检索升级：**当前使用 TF-IDF 关键词检索，可升级为向量嵌入检索（参考文件: memory/retriever.py）
· **外部记忆提供者：**支持 Redis/Honeycomb/Hindsight 等外部记忆后端（参考文件: memory/memory_provider.py）
· **智能话题检测：**当前基于关键词规则的话题检测，可升级为 LLM 自动分析（参考文件: wechat/ai_handler.py）
· **对话摘要生成：**当前使用规则摘要，可升级为 LLM 生成结构化摘要（参考文件: core/conversation.py）
· **会话持久化：**当前会话存储在内存中，重启后丢失，可接入 SQLite/Redis 持久化（参考文件: core/conversation.py）
────────────────────────────────────────────────────────────
TetherBot 项目组 | 2026年4月23日 | AI Programming Community
1 个赞
场景选对了，后面就看打磨了
1 个赞
场景选对了，后面就看打磨了
1 个赞
体验的项目需要优化一下，感觉有点bug
1 个赞
我想用 TRAE SOLO 搭建个人复利工程：基于 Obsidian 建立双链知识库，实现笔记自动结构化、每日复盘自动生成、知识卡片自动关联，把学习、投资复盘、项目管理长期复利沉淀，提升个人生产力。
1 个赞
报名，求邀请码，感恩
1 个赞
用 SOLO 打造像大厂面试官一样敢说真话的 AI 简历陪跑教练
欢迎投票，投票后访问链接支持每天直接使用，无需自配AI，点击即用
面向应届/在校大学生 （实习、校招、转专业、0–1 年早期求职者），在「投简历前的最后一关」提供 顶尖大厂面试官 + 资深 HRBP + 职业发展教练 三重身份的 AI 诊断与改写服务。
1 个赞
欢迎大家体验我用TRAE SOLO构建的疗愈小程序，多提宝贵建议，也欢迎大家帮我投上宝贵的一票！非常感谢 
1 个赞
想申请 SOLO 内测码
1 个赞
每一次玩儿这个，有些不太明白，得多看看，多学学
1 个赞
求个内测邀请码，谢谢！
1 个赞
内测码？这比赛是不是还没开始啊
1 个赞
我之前已经受邀加入了，这还没到5月10号，现在就不能用了，一直排队，什么情况。
求邀请码
1 个赞