Task #1609 修复：同轮择优逻辑优先处理最新消息而非最旧消息

根因：OCR读到两条消息（17:45和18:17），质量分评估未考虑时间戳新鲜度，
导致旧消息因关键词'插件'加分更高被选中

修复：在质量分评估中加入时间戳新鲜度奖励（≤300秒+5分，≤600秒+3分，≤1800秒+1分），
并修改排序逻辑：先按质量分降序，再按时间戳差值升序（越新鲜越好）

效果：当多条消息质量分相近时，优先处理最新消息

monitor.py

@@ -9650,24 +9650,44 @@ class MessageMonitor:
                     continue
                 # ⭐ 添加到候选列表（含质量分）
                 score = self._score_message_quality(cleaned_item)
-                _candidates.append((score, item, cleaned_item))
+                # ⭐ Task #1609: 时间戳新鲜度奖励——优先处理最新消息
+                # 从原始文本中提取时间戳，计算与当前时间的差值
+                _ts_match = re.search(r'(\d{1,2}):(\d{1,2})(?::(\d{1,2}))?', item)
+                if _ts_match:
+                    _h, _m = int(_ts_match.group(1)), int(_ts_match.group(2))
+                    _s = int(_ts_match.group(3)) if _ts_match.group(3) else 0
+                    # 转换为今天的秒数（从0点开始）
+                    _ts_seconds = _h * 3600 + _m * 60 + _s
+                    _now_seconds = now % 86400  # 当前时间的秒数（从0点开始）
+                    _diff = _now_seconds - _ts_seconds
+                    # 如果差值为负，说明时间戳跨天（如23:59 vs 00:01），视为很旧
+                    if _diff < 0:
+                        _diff += 86400
+                    # 新鲜度奖励：≤300秒+5分，≤600秒+3分，≤1800秒+1分
+                    if _diff <= 300:
+                        score += 5.0
+                    elif _diff <= 600:
+                        score += 3.0
+                    elif _diff <= 1800:
+                        score += 1.0
+                _candidates.append((score, item, cleaned_item, _diff if _ts_match else 86400))
 
             # ⭐ 同轮择优：只选质量分最高的那条消息触发回复
             if _candidates:
-                # 按质量分降序排序，选最高分
-                _candidates.sort(key=lambda x: x[0], reverse=True)
-                _best_score, _best_raw, _best_cleaned = _candidates[0]
-                # 如果有多条同分，优先选较短的（真实用户消息通常更短）
+                # 按质量分降序排序，再按时间戳差值升序（越新鲜越好）
+                _candidates.sort(key=lambda x: (x[0], -x[3]), reverse=True)
+                _best_score, _best_raw, _best_cleaned, _best_diff = _candidates[0]
+                # 如果有多条同分，优先选时间戳最新的（差值最小）
                 _top_candidates = [c for c in _candidates if c[0] == _best_score]
-                _top_candidates.sort(key=lambda x: len(x[2]))
-                _best_score, _best_raw, _best_cleaned = _top_candidates[0]
+                _top_candidates.sort(key=lambda x: x[3])  # 按时间戳差值升序
+                _best_score, _best_raw, _best_cleaned, _best_diff = _top_candidates[0]
 
                 logger.info(
                     f"[{platform}] 同轮择优: 选中({_best_score:.1f}分) {_best_cleaned[:50]!r}, "
                     f"候选{len(_candidates)}条"
                 )
                 if len(_candidates) > 1:
-                    for _sc, _raw, _cl in _candidates[1:]:
+                    for _sc, _raw, _cl, _diff in _candidates[1:]:
                         logger.debug(f"[{platform}] 同轮择优: 丢弃({_sc:.1f}分) {_cl[:50]!r}")
 
                 # ⭐ 添加到最近处理列表