Task #1670: 改进预分割逻辑，避免因局部噪声特征导致整个消息被丢弃

1. 改进_split_and_denoise_segments()方法:
   - 按时间戳作为消息边界分割
   - 按系统消息作为分割点
   - 避免因局部噪声特征导致整个消息被丢弃

2. 改进_is_system_message()方法:
   - 先剥离时间戳，再检查系统消息特征
   - 避免时间戳被误判为系统消息

3. 改进噪声检测逻辑:
   - 先剥离时间戳
   - 再检查系统消息
   - 最后检查噪声

解决用户报告的问题: OCR把消息拼接成一个整体，只要其中一个命中丢弃规则就会跳过导致消息丢失。

monitor.py

@@ -7445,18 +7445,27 @@ class MessageMonitor:
 
     @staticmethod
     def _is_system_message(text: str) -> bool:
-        """过滤机器人/系统消息，不作为用户消息处理。"""
+        """过滤机器人/系统消息，不作为用户消息处理。
+
+        ⭐ Task #1670: 改进系统消息检测，避免因局部噪声特征导致整个消息被丢弃。
+        策略：先剥离时间戳，再检查系统消息特征。
+        """
         if not text:
             return True
         # NFKC 标准化：去除 UIA/OCR 夹杂的零宽字符、不可见 Unicode
         text = unicodedata.normalize('NFKC', text)
+
+        # ⭐ Task #1670: 先剥离时间戳，再检查系统消息
+        # 这样可以避免时间戳被误判为系统消息
+        cleaned_text = re.sub(r'(?:\d{4}[/-]\d{1,2}[/-]\d{1,2})?\s*\d{1,2}[;:.]\d{2}[;:.]?\d{0,2}', '', text).strip()
+
         # 系统前缀/标记
         system_markers = [
             "✅", "❌", "📝", "🔍", "📄", "➡", "♡", "✿",
             "[WECHAT]", "[QQ]", "[wechat]", "[qq]",
         ]
         for m in system_markers:
-            if text.startswith(m):
+            if cleaned_text.startswith(m):
                 return True
         # ⭐ QQ/微信 界面噪声文字（按钮/提示/碎片/导航，非用户消息）
         qq_ui_noise = [
@@ -7475,7 +7484,7 @@ class MessageMonitor:
             "发送", "接收", "取消", "确认", "确定", "关闭",
         ]
         for n in qq_ui_noise:
-            if text == n:
+            if cleaned_text == n:
                 return True
         # 系统事件模板 — 注意：用 startswith 而非 in，避免混合文本（OCR 多行合一）误杀
         system_patterns = [
@@ -7490,15 +7499,15 @@ class MessageMonitor:
             "PS ", "❯ ", "$ ",
         ]
         for p in system_patterns:
-            if text.startswith(p):
+            if cleaned_text.startswith(p):
                 return True
         # QQ系统消息残片：撤回了一条消息、你撤回了, 条消息等
-        if re.match(r'^(?:你|对方|他|她|管理员)\s*撤回了\s*,?\s*\d*\s*条?\s*消息', text):
+        if re.match(r'^(?:你|对方|他|她|管理员)\s*撤回了\s*,?\s*\d*\s*条?\s*消息', cleaned_text):
             return True
-        if re.match(r'^撤回了一条消息', text):
+        if re.match(r'^撤回了一条消息', cleaned_text):
             return True
         # 纯时间格式（不含消息内容）
-        if re.match(r'^\d{1,2}:\d{2}', text):
+        if re.match(r'^\d{1,2}:\d{2}', cleaned_text):
             return True
         return False
 
@@ -8255,6 +8264,11 @@ class MessageMonitor:
           - 时间戳 HH:MM / HH:MM:SS：消息间天然边界
           - 图片 URL (https://img.ypshidifu.cn/...)：bot 回复中的图片引用
           - 长空白/间隔：消息间的自然分隔
+
+        ⭐ Task #1670: 改进分割逻辑，支持更细粒度的分割
+          - 按时间戳作为消息边界分割
+          - 按系统消息作为分割点
+          - 避免因局部噪声特征导致整个消息被丢弃
         """
         if not raw_text:
             return ""
@@ -8263,14 +8277,20 @@ class MessageMonitor:
         if not self._is_noise_text(raw_text) and '<br' not in raw_text and 'https://img' not in raw_text:
             return raw_text
 
-        # ---- 分割成候选段 ----
+        # ---- ⭐ Task #1670: 改进分割逻辑 ----
-        import copy
+        # 首先按时间戳和系统消息作为分割点，进行细粒度分割
+        # 这样可以避免一个段包含多种不同性质的内容
 
+        # 分割策略：
+        # 1. 按时间戳分割（支持变体分隔符）
+        # 2. 按系统消息分割
+        # 3. 按换行符分割
         segments = []
 
-        # 按多级分隔符分割
+        # 步骤1: 按时间戳分割（支持多种格式）
-        # 1) <br> 或 <br/> 是 bot 回复中最强的噪声标记，优先在此处切分
+        # 匹配: 2026/9/121:46;36, 2026/9/122:43;23, 9;51.24, 16:28:40 等
-        parts = re.split(r'(<\s*br\s*/?\s*>|\s*<br>\s*)', raw_text)
+        timestamp_pattern = r'(?<!\d)(?:\d{4}[/-]\d{1,2}[/-]\d{1,2})?\s*\d{1,2}[;:.]\d{2}[;:.]?\d{0,2}(?!\d)'
+        parts = re.split(f'({timestamp_pattern})', raw_text)
 
         for part in parts:
             if not part or not part.strip():
@@ -8278,14 +8298,10 @@ class MessageMonitor:
             part = part.strip()
 
             # 如果段落仍然很长且包含多种内容，尝试进一步切分
-            if len(part) > 100 and ('https://' in part or re.search(r'\d{1,2}:\d{1,2}', part)):
+            if len(part) > 100:
-                # 按 URL 前后的问号句或时间戳进一步切分
+                # 按系统消息进一步切分
-                sub_parts = re.split(
+                system_msg_pattern = r'(?:你|对方|他|她|管理员)\s*撤回了|撤回了一条消息|你撤回了'
-                    r'(?<=。|？|！|\.)\s+(?=[^<])'
+                sub_parts = re.split(f'({system_msg_pattern})', part)
-                    r'|(?<=[^:])\s+(?=\d{1,2}:\d{1,2})'
-                    r'|(?<=\S)\s{2,}(?=\S)',
-                    part
-                )
                 for sp in sub_parts:
                     sp = sp.strip()
                     if sp:
@@ -8293,6 +8309,15 @@ class MessageMonitor:
             else:
                 segments.append(part)
 
+        # 如果上述分割没有产生多个段，尝试按换行符分割
+        if len(segments) <= 1:
+            segments = []
+            lines = raw_text.split('\n')
+            for line in lines:
+                line = line.strip()
+                if line:
+                    segments.append(line)
+
         if not segments:
             return raw_text  # 分割失败，回退到原始文本
 
@@ -8308,23 +8333,42 @@ class MessageMonitor:
                 stripped_seg = re.sub(r'([\u4e00-\u9fff])\*(?!\*)', r'\1', stripped_seg)
                 if stripped_seg != stripped_seg_before_star:
                     logger.debug(f"[{platform}] 预分割: 清理markdown加粗残留*: {stripped_seg_before_star[:60]!r} -> {stripped_seg[:60]!r}")
-            is_noise = self._is_noise_text(stripped_seg) if stripped_seg else True
+
+            # ⭐ Task #1670: 改进噪声检测逻辑
+            # 1. 先剥离时间戳
+            # 2. 再检测系统消息
+            # 3. 最后检测噪声
+            is_noise = False
             _is_cfg_fragment = False
-            if not is_noise and stripped_seg:
+
-                # ⭐ Task #1596: 二次过滤——bot 配置面板碎片（kv<3 漏网）也要丢弃，
+            if stripped_seg:
-                # 否则合并回整段后总 kv 数 ≥ 阈值触发整体丢弃，连带牺牲用户消息。
+                # 剥离时间戳后的内容
-                _is_cfg_fragment = self._is_config_fragment(stripped_seg)
+                cleaned_seg = re.sub(r'(?:\d{4}[/-]\d{1,2}[/-]\d{1,2})?\s*\d{1,2}[;:.]\d{2}[;:.]?\d{0,2}', '', stripped_seg).strip()
-                if _is_cfg_fragment:
+
+                # 检查是否为系统消息（只检查开头）
+                if cleaned_seg and re.match(r'^(?:你|对方|他|她|管理员)\s*撤回了|撤回了一条消息|你撤回了', cleaned_seg):
                     is_noise = True
+                    logger.debug(f"[{platform}] 预分割: 段[{i}] 检测到系统消息，丢弃: {stripped_seg[:60]!r}")
+                # 检查是否为配置碎片
+                elif self._is_config_fragment(stripped_seg):
+                    is_noise = True
+                    _is_cfg_fragment = True
+                    logger.debug(f"[{platform}] 预分割: 段[{i}] 含bot配置碎片，丢弃: {stripped_seg[:60]!r}")
+                # 检查是否为噪声
+                elif self._is_noise_text(stripped_seg):
+                    is_noise = True
+                    logger.debug(f"[{platform}] 预分割: 段[{i}] 含噪声特征，丢弃: {stripped_seg[:60]!r}")
+                else:
+                    # 保留干净的段
+                    clean_segments.append(stripped_seg)
+                    logger.debug(f"[{platform}] 预分割: 段[{i}] 干净，保留: {stripped_seg[:60]!r}")
+            else:
+                # 空段，丢弃
+                is_noise = True
+                logger.debug(f"[{platform}] 预分割: 段[{i}] 剥离bot回复后为空，丢弃: {seg[:60]!r}")
+
             if is_noise:
                 noise_count += 1
-                if _is_cfg_fragment:
-                    logger.debug(f"[{platform}] 预分割: 段[{i}] 含bot配置碎片，丢弃: {stripped_seg[:60]!r}")
-                else:
-                    logger.debug(f"[{platform}] 预分割: 段[{i}] 含噪声特征，丢弃: {stripped_seg[:60]!r}" if stripped_seg else f"[{platform}] 预分割: 段[{i}] 剥离bot回复后为空，丢弃: {seg[:60]!r}")
-            else:
-                clean_segments.append(stripped_seg)
-                logger.debug(f"[{platform}] 预分割: 段[{i}] 干净，保留: {stripped_seg[:60]!r}")
 
         # ---- 结果汇总 ----
         if not clean_segments: