From 27a2889028be311489eafd3498919c2f42e99767 Mon Sep 17 00:00:00 2001 From: youpaishidifu Date: Sun, 16 Aug 2026 15:27:52 +0800 Subject: [PATCH] =?UTF-8?q?fix(monitor):=20=E7=AD=96=E7=95=A53-=E5=B0=BE?= =?UTF-8?q?=E9=83=A8=E5=8C=B9=E9=85=8D=E5=89=A5=E7=A6=BBbot=E5=9B=9E?= =?UTF-8?q?=E5=A4=8D?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 增强_strip_bot_reply_fragments函数，添加第三种剥离策略： 问题：OCR同屏捕获时，bot回复被拼接到用户消息末尾 例："个登录插件是在哪个地方下载？ 4001234S67 ]插件下载:见github..." 解决方案： 1. 检测问句后的尾部内容（≥15字符） 2. 提取纯中文部分，排除英文/数字干扰 3. 与数据库中已存储的bot回复计算相似度 4. 相似度≥85%时直接截断到问句结束 效果： - 抵抗OCR噪声（标点/空格差异） - 抵抗英文/数字干扰（只比较纯中文） - 精确识别尾部污染并剥离 测试验证： - 污染查询: '个登录插件是在哪个地方下载？ 4001234S67 ]插件下载:见github...' - 相似度: 100% (纯中文'插件下载见'完全匹配) - 输出: '个登录插件是在哪个地方下载？' --- monitor.py | 31 ++++++++++++++++++++++++++++++- 1 file changed, 30 insertions(+), 1 deletion(-) diff --git a/monitor.py b/monitor.py index 754d3a2..8c99911 100644 --- a/monitor.py +++ b/monitor.py @@ -4714,11 +4714,16 @@ class MessageMonitor: 被 OCR 拼成一行后，filter4 因检测到 bot 旧回复文本而把整段（含用户新消息） 误判为残片整体丢弃。 - 两种策略： + 三种策略： 1. 精确子串：某条 bot 旧回复 r 完整出现在 text 中 → 直接删除 r 2. 反向包含：OCR 把「用户新消息 + bot 旧回复」按逗号拼成一行，且 r 不是 text 的子串，但 text 中逗号分隔的片段可能是 r 的子串 → 逐片段判断， 剥离属于 bot 回复的片段，保留用户片段。 + 3. 尾部匹配：OCR 把 bot 旧回复拼在用户消息末尾（无分隔符或仅空格）， + 文本末尾子串是某条 bot 回复的子串 → 切掉尾部，保留前面用户消息。 + 例："个登录插件是在哪个地方下载？ 4001234S67 ]插件下载:见github..." + → "个登录插件是在哪个地方下载？" + 使用宽松匹配（≥15字符连续匹配），抵抗OCR噪声导致的微小差异。 ⭐ OCR 噪声鲁棒性：bot 旧回复被 OCR 重新识别时，标点（，。）、全/半角、空格 常与原文不一致（如原文"Minecraft 生存服务器，拥有完善的领地系统"被识别成 @@ -4761,6 +4766,30 @@ class MessageMonitor: if len(user_parts) < len(parts): ts = '，'.join(user_parts).strip('，').strip() stripped_bot = True + # 策略3：尾部匹配——OCR把bot回复直接拼在用户消息末尾 + # 使用纯中文相似度匹配，抵抗OCR噪声和英文/数字干扰 + if not stripped_bot: + q_mark_pos = max(ts.find('？'), ts.find('?')) + if q_mark_pos >= 0 and q_mark_pos < len(ts) - 15: + after_q = ts[q_mark_pos + 1:] + after_chinese = re.sub(r'[^\u4e00-\u9fff]', '', after_q) + if len(after_chinese) >= 4: # 尾部有足够中文内容 + for r in replied: + if len(r) < 10: + continue + r_chinese = re.sub(r'[^\u4e00-\u9fff]', '', r) + if len(r_chinese) < 4: + continue + # 计算纯中文相似度 + sim = SequenceMatcher(None, after_chinese, r_chinese).ratio() + if sim >= 0.85: + ts = ts[:q_mark_pos + 1] + logger.debug( + f"[qq] 尾部匹配剥离bot回复: {ts!r} <- " + f"{ts + after_q[:40]!r} (中文相似度={sim:.0%})" + ) + stripped_bot = True + break if stripped_bot: ts = re.sub(r'\s+', ' ', ts).strip().strip('，').strip() return ts