Merge branch 'feat/improve-agent-prompt'

api/agents/prompts/__init__.py

@@ -19,6 +19,14 @@ from .memory_prompts import (
     CHAPTER_ORDER,
     STAGE_TO_ORDER,
 )
+from .profile_prompts import (
+    get_profile_greeting_prompt,
+    get_profile_extraction_prompt,
+    get_profile_followup_prompt,
+    format_user_profile_context,
+    get_missing_profile_fields,
+    PROFILE_FIELD_NAMES,
+)
 
 __all__ = [
     "ConversationStage",
@@ -35,5 +43,11 @@ __all__ = [
     "CHAPTER_CATEGORIES",
     "CHAPTER_ORDER",
     "STAGE_TO_ORDER",
+    "get_profile_greeting_prompt",
+    "get_profile_extraction_prompt",
+    "get_profile_followup_prompt",
+    "format_user_profile_context",
+    "get_missing_profile_fields",
+    "PROFILE_FIELD_NAMES",
 ]
 

api/agents/prompts/conversation_prompts.py

@@ -173,6 +173,73 @@ RESPONSE_STYLES = [
 ]
 
 
+def _build_era_context(current_stage: str, user_profile_context: str) -> str:
+    """
+    根据用户的人生阶段和出生年份，生成对应时代的历史/政治/文化背景提示。
+    让 agent 在对话中自然融入时代感。
+    """
+    if not user_profile_context:
+        return ""
+
+    birth_year = None
+    birth_place = ""
+    for line in user_profile_context.split("\n"):
+        if "出生年份" in line:
+            try:
+                birth_year = int(line.split("：")[1].strip().replace("年", ""))
+            except (ValueError, IndexError):
+                pass
+        if "出生地" in line or "成长地" in line:
+            birth_place = line.split("：")[1].strip() if "：" in line else ""
+
+    if not birth_year:
+        return ""
+
+    stage_era_map = {
+        "childhood": (0, 12),
+        "education": (6, 22),
+        "career": (18, 50),
+        "family": (20, 50),
+        "belief": (30, 60),
+    }
+
+    age_range = stage_era_map.get(current_stage, (0, 30))
+    era_start = birth_year + age_range[0]
+    era_end = birth_year + age_range[1]
+
+    era_events = []
+
+    decade_events = {
+        1950: "新中国成立初期、土地改革、抗美援朝",
+        1960: "大跃进、三年自然灾害、中苏关系变化",
+        1970: "文化大革命、知青上山下乡、中美建交",
+        1980: "改革开放、恢复高考、个体经济兴起、电视普及",
+        1990: "社会主义市场经济、下海潮、香港回归、互联网初期",
+        2000: "加入WTO、房地产兴起、手机普及、北京奥运",
+        2010: "移动互联网爆发、微信时代、共享经济、双创浪潮",
+        2020: "新冠疫情、直播经济、人工智能崛起",
+    }
+
+    for decade, events in decade_events.items():
+        if era_start <= decade + 9 and era_end >= decade:
+            era_events.append(f"{decade}年代：{events}")
+
+    if not era_events:
+        return ""
+
+    place_hint = f"（用户来自{birth_place}）" if birth_place else ""
+
+    return f"""
+## 时代背景参考{place_hint}
+用户在这个人生阶段大约经历了 {era_start}-{era_end} 年（{age_range[0]}-{age_range[1]} 岁）：
+{"；".join(era_events)}
+
+你可以在对话中自然地提及这些时代元素来丰富提问，例如：
+- "那个年代好像正好赶上xxx，你们那边是什么情况？"
+- "听说那时候xxx特别流行，你有印象吗？"
+- 不要生硬地列举历史事件，而是像聊天一样自然带入"""
+
+
 def get_guided_conversation_prompt(
     current_stage: str,
     empty_slots: List[str],
@@ -182,6 +249,7 @@ def get_guided_conversation_prompt(
     same_topic_turns: int = 0,
     all_stages_coverage: Dict[str, Dict] = None,
     detected_user_stage: str = "",
+    user_profile_context: str = "",
 ) -> str:
     """
     生成状态感知的对话提示词
@@ -195,6 +263,7 @@ def get_guided_conversation_prompt(
         same_topic_turns: 同一话题的轮数
         all_stages_coverage: 所有阶段的覆盖情况 {stage: {total, filled, empty, ratio}}
         detected_user_stage: 检测到用户正在谈论的阶段（可能和 current_stage 不同）
+        user_profile_context: 用户基础资料上下文
     """
     stage_name_map = {
         "childhood": "童年时光",
@@ -286,8 +355,16 @@ def get_guided_conversation_prompt(
     else:
         topic_desc = f"你们聊到了「{current_stage_name}」这个话题"
 
-    prompt = f"""你是「岁月知己」，用户的老朋友，正在和他/她聊人生故事。{topic_desc}。
+    # --- 用户资料和时代背景 ---
+    profile_section = ""
+    if user_profile_context:
+        profile_section = f"\n## 用户基本信息\n{user_profile_context}\n"
 
+    active_stage = detected_user_stage if user_jumped and detected_user_stage else current_stage
+    era_context = _build_era_context(active_stage, user_profile_context)
+
+    prompt = f"""你是「岁月知己」，用户的老朋友，正在和他/她聊人生故事。{topic_desc}。
+{profile_section}
 ## 已经聊到的内容（{current_stage_name}）
 {filled_slots_str}
 
@@ -296,7 +373,7 @@ def get_guided_conversation_prompt(
 
 ## 整体进度
 {progress_str}
-
+{era_context}
 ## 用户刚才说
 "{user_message}"
 
@@ -309,6 +386,7 @@ def get_guided_conversation_prompt(
 3. **保持自然**：不要每次都追问，有时候可以分享感受、表达好奇、或者轻松聊两句
 4. **适时引导**：跟着用户的节奏聊了几轮后，如果有自然的时机，可以温和地引向还没聊到的人生阶段，但绝不要生硬
 5. **追问要具体**：如果要追问，问具体的细节，比如"那时候是什么季节""身边有谁陪着你""当时心里什么感觉"
+6. **融入时代感**：如果有时代背景信息，在聊天中自然地提及当时的社会环境、流行文化、历史事件，让对话更有代入感和共鸣
 {dynamic_guidance}{uncovered_hint}
 
 ## 回复格式
@@ -331,6 +409,8 @@ def get_guided_conversation_prompt(
 - "那个年代的xxx确实是这样"（理解）
 - "所以后来怎么样了？"（好奇）
 - "对了，你刚才提到xxx，那个时候..."（换话题）
+- "那会儿好像正赶上改革开放，你们那边变化大吗？"（时代融入）
+- "80年代初的xxx，你还有印象吗？"（时代细节）
 
 直接输出你要说的话（多条消息用 [SPLIT] 分隔）："""
 

api/agents/prompts/memory_prompts.py

@@ -2,6 +2,7 @@
 回忆录整理 Agent 提示词模板
 """
 import json
+from typing import Optional
 
 # 章节分类映射
 CHAPTER_CATEGORIES = {
@@ -177,42 +178,89 @@ def get_state_extraction_prompt(user_message: str, current_stage: str, stage_slo
 """
 
 
-def get_creative_title_prompt(stage: str, emotion: str, slots: dict) -> str:
-    """生成有创意的章节标题"""
+def _build_age_hint(stage: str, birth_year: Optional[int] = None) -> str:
+    """根据人生阶段和出生年份推算大致年龄区间"""
+    if not birth_year:
+        return ""
+    stage_age_ranges = {
+        "childhood": (0, 12),
+        "education": (6, 22),
+        "career": (18, 60),
+        "career_early": (18, 30),
+        "career_achievement": (25, 55),
+        "career_challenge": (20, 55),
+        "family": (20, 60),
+        "belief": (30, 70),
+        "beliefs": (30, 70),
+        "summary": (50, 80),
+    }
+    age_range = stage_age_ranges.get(stage)
+    if not age_range:
+        return ""
+    year_start = birth_year + age_range[0]
+    year_end = birth_year + age_range[1]
+    return f"大约 {year_start}-{year_end} 年（{age_range[0]}-{age_range[1]} 岁）"
+
+
+def get_creative_title_prompt(
+    stage: str,
+    emotion: str,
+    slots: dict,
+    user_profile: str = "",
+    birth_year: Optional[int] = None,
+) -> str:
+    """生成有创意的章节标题，包含年龄/时间信息"""
+    age_hint = _build_age_hint(stage, birth_year)
+    profile_section = f"\n用户基本信息：\n{user_profile}" if user_profile else ""
+    time_section = f"\n时间参考：{age_hint}" if age_hint else ""
+
     return f"""{get_system_prompt()}
 
 请根据阶段和情绪生成 1 个有创意的章节标题。
 阶段：{stage}
 情绪：{emotion}
-可用信息：{slots}
+可用信息：{slots}{profile_section}{time_section}
 
 要求：
-1. 标题 12-18 字以内
+1. 标题格式：「时间标注 · 标题正文」
+   - 时间标注用年龄或年代表示，如"6-12岁"、"1980年代"、"二十出头"
+   - 标题正文 12-18 字以内
 2. 情绪 + 人生阶段 + 意象
 3. 示例风格：
-   - 《那个夏天，我第一次离开家》
-   - 《在陌生城市站稳脚跟》
-   - 《不是所有选择都被理解》
-   - 《慢下来，人生开始发声》
+   - 《6-12岁 · 那条巷子尽头的蝉鸣》
+   - 《18岁 · 第一次离开家的夏天》
+   - 《25-35岁 · 在陌生城市站稳脚跟》
+   - 《四十不惑 · 慢下来，人生开始发声》
+   - 《1990年代 · 不是所有选择都被理解》
 
-只输出标题文字，不要加引号或其他内容。
+只输出标题文字，不要加引号或书名号。
 """
 
 
-def get_narrative_prompt(stage: str, slots: dict, new_content: str, existing_content: str = "") -> str:
+def get_narrative_prompt(
+    stage: str,
+    slots: dict,
+    new_content: str,
+    existing_content: str = "",
+    user_profile: str = "",
+    birth_year: Optional[int] = None,
+) -> str:
     """将新对话改写为叙述（只输出新内容的改写，不重复已有内容）"""
-    # 只取已有内容的末尾作为衔接上下文
     context_tail = ""
     if existing_content:
         context_tail = existing_content[-300:] if len(existing_content) > 300 else existing_content
 
     context_section = f"\n\n【衔接上下文（已有内容的末尾，仅供参考衔接，不要重复）】：\n{context_tail}" if context_tail else ""
 
+    profile_section = f"\n\n用户基本信息：\n{user_profile}" if user_profile else ""
+    age_hint = _build_age_hint(stage, birth_year)
+    time_section = f"\n时间参考：{age_hint}" if age_hint else ""
+
     return f"""{get_system_prompt()}
 
 请将以下新的对话内容改写为第一人称文学叙述。
 阶段：{stage}
-可用信息：{slots}
+可用信息：{slots}{profile_section}{time_section}
 
 新的对话内容：
 {new_content}
@@ -225,6 +273,7 @@ def get_narrative_prompt(stage: str, slots: dict, new_content: str, existing_con
 4. 如果有衔接上下文，确保新内容与之自然衔接（语气、时间线连贯）
 5. 语气自然，有情绪
 6. 在适合配图的地方插入图片占位符
+7. 如果有用户的基本信息（出生地、成长地等），在叙述中自然融入地域文化和时代背景
 
 ## 图片占位符格式
 在描述场景、人物、重要时刻的段落后，插入图片占位符，格式为：

api/agents/prompts/profile_prompts.py

@@ -0,0 +1,163 @@
+"""
+用户基础资料收集提示词
+"""
+from typing import Dict, List, Optional
+
+
+PROFILE_FIELD_NAMES = {
+    "birth_year": "出生年份",
+    "birth_place": "出生地",
+    "grew_up_place": "成长地",
+    "occupation": "职业",
+}
+
+
+def get_profile_greeting_prompt(missing_fields: List[str], nickname: str = "") -> str:
+    """生成初次见面、收集基础资料的引导提示词"""
+    missing_names = [PROFILE_FIELD_NAMES[f] for f in missing_fields if f in PROFILE_FIELD_NAMES]
+    missing_str = "、".join(missing_names)
+    name_part = f"，{nickname}" if nickname else ""
+
+    return f"""你是「岁月知己」，一位温暖真诚的人生故事访谈者。你正在和用户初次见面{name_part}。
+
+在正式聊人生故事之前，你需要先了解一些基本信息。还需要了解的信息有：{missing_str}。
+
+## 你的任务
+用自然、亲切的方式，像老朋友聊天一样，向用户询问这些基础信息。
+
+## 规则
+1. 不要一次问所有问题，每次只问 1-2 个
+2. 如果用户已经在对话中提到了某些信息，不要重复问
+3. 用口语化、亲切的方式提问
+4. 当所有信息都收集完后，自然过渡到人生故事访谈
+
+## 提问示例
+- "你是哪一年出生的呀？"
+- "你是在哪里出生的？小时候也是在那里长大的吗？"
+- "你现在是做什么工作的呀？或者之前主要从事什么职业？"
+
+## 严格禁止
+- 禁止输出括号注释、思考过程
+- 禁止说"我需要收集信息"之类的机械话
+- 禁止一次列出所有问题
+
+## 回复格式
+- 如果内容较多，可以用 [SPLIT] 分隔成多条消息
+- 像微信聊天一样自然
+
+直接输出你要说的话："""
+
+
+def get_profile_extraction_prompt(user_message: str, missing_fields: List[str]) -> str:
+    """从用户回答中提取基础资料信息"""
+    missing_names = {f: PROFILE_FIELD_NAMES[f] for f in missing_fields if f in PROFILE_FIELD_NAMES}
+
+    return f"""请从用户的回答中提取基础资料信息。
+
+用户的回答：
+"{user_message}"
+
+需要提取的字段（只提取确实提到的）：
+{missing_names}
+
+请返回 JSON 格式，只包含确实提到的字段：
+{{
+  "birth_year": 1965,
+  "birth_place": "湖南长沙",
+  "grew_up_place": "湖南长沙",
+  "occupation": "教师"
+}}
+
+规则：
+1. birth_year 必须是整数（四位数年份），如"65年出生"应转为 1965
+2. 如果用户说"在老家长大"而之前提到了出生地，grew_up_place 可以和 birth_place 相同
+3. 只提取明确提到的信息，不要猜测
+4. 如果没有提取到任何信息，返回空对象 {{}}
+
+只返回 JSON，不要其他内容。"""
+
+
+def get_profile_followup_prompt(
+    missing_fields: List[str],
+    filled_fields: Dict[str, str],
+    user_message: str,
+    nickname: str = "",
+) -> str:
+    """在收集资料过程中的跟进提问"""
+    missing_names = [PROFILE_FIELD_NAMES[f] for f in missing_fields if f in PROFILE_FIELD_NAMES]
+    missing_str = "、".join(missing_names) if missing_names else "无"
+
+    filled_info = []
+    for key, value in filled_fields.items():
+        name = PROFILE_FIELD_NAMES.get(key, key)
+        filled_info.append(f"{name}: {value}")
+    filled_str = "\n".join(filled_info) if filled_info else "暂无"
+
+    if not missing_names:
+        return f"""你是「岁月知己」。用户的基本信息已经收集完毕：
+{filled_str}
+
+用户刚才说："{user_message}"
+
+请对用户的回答做出温暖的回应，然后自然地过渡到人生故事的访谈。
+可以说类似"了解了！那我们现在开始聊聊你的人生故事吧"这样的话，然后问一个关于童年的问题作为开场。
+
+回复格式：多条消息用 [SPLIT] 分隔。
+直接输出你要说的话："""
+
+    return f"""你是「岁月知己」，正在和用户聊天收集基本信息。
+
+已知信息：
+{filled_str}
+
+还需要了解：{missing_str}
+
+用户刚才说："{user_message}"
+
+请先对用户说的内容做出自然回应，然后继续询问还未了解的信息（每次问 1-2 个）。
+语气要像朋友聊天一样自然亲切。
+
+严格禁止：
+- 禁止输出括号注释、思考过程
+- 禁止说"我注意到""我需要了解"
+
+回复格式：多条消息用 [SPLIT] 分隔。
+直接输出你要说的话："""
+
+
+def format_user_profile_context(
+    birth_year: Optional[int] = None,
+    birth_place: Optional[str] = None,
+    grew_up_place: Optional[str] = None,
+    occupation: Optional[str] = None,
+) -> str:
+    """将用户基础信息格式化为上下文字符串，供其他 agent 使用"""
+    parts = []
+    if birth_year:
+        parts.append(f"出生年份：{birth_year}年")
+    if birth_place:
+        parts.append(f"出生地：{birth_place}")
+    if grew_up_place:
+        parts.append(f"成长地：{grew_up_place}")
+    if occupation:
+        parts.append(f"职业：{occupation}")
+    return "\n".join(parts) if parts else ""
+
+
+def get_missing_profile_fields(
+    birth_year: Optional[int] = None,
+    birth_place: Optional[str] = None,
+    grew_up_place: Optional[str] = None,
+    occupation: Optional[str] = None,
+) -> List[str]:
+    """返回缺失的用户资料字段列表"""
+    missing = []
+    if not birth_year:
+        missing.append("birth_year")
+    if not birth_place:
+        missing.append("birth_place")
+    if not grew_up_place:
+        missing.append("grew_up_place")
+    if not occupation:
+        missing.append("occupation")
+    return missing