修复[知识库搜索]：排除链接文本干扰，防止php.md误匹配sdf1插件内容

- Task #1720: 修复兑换码插件怎么用查询返回php.md而非sdf1.md的问题
- 根因：php.md的链接文本[sdf1插件](sdf1.md)被误判为内容关键词
- 修复：auto_reply.py中排除链接文本进行核心词匹配
- 修复：使用body_no_links替代body_clean进行关键词匹配
- 修复：动作类查询要求标题和正文都包含核心词
- Task #1719: 修复旧消息被环形缓冲区淘汰后重新回复
- 修复：record_user_message()增加跨缓冲区查重
- 修复：第二关增加is_user_message_replied()检查

auto_reply.py

@@ -196,9 +196,15 @@ class AutoReply:
         # ⭐ 移除代码块内容：避免配置示例/问答数据等代码块污染相关性检查
         # 修复"用户组是怎么配置的"被sdf1_game"题目配置格式"（body含代码块）误匹配的问题
         body_clean = re.sub(r'```.*?```', '', body_clean, flags=re.DOTALL)
+        # ⭐ 移除整个链接（包括链接文本），用于核心词匹配
+        # 防止php.md的"[sdf1插件](sdf1.md)"链接文本被误判为内容关键词
+        # 链接文本是引用，不是真正的内容，不应参与核心词匹配
+        body_no_links = _link.sub('', body).lower()
+        body_no_links = re.sub(r'```.*?```', '', body_no_links, flags=re.DOTALL)
 
         ht_tokens = AutoReply._meaningful_tokens(heading_clean + " " + title)
-        body_tokens = AutoReply._meaningful_tokens(body_clean[:800])
+        # ⭐ 使用body_no_links计算body_tokens，排除链接文本干扰
+        body_tokens = AutoReply._meaningful_tokens(body_no_links[:800])
         has_ht = bool(q_mean & ht_tokens)
         has_body = bool(q_mean & body_tokens)
 
@@ -240,7 +246,8 @@ class AutoReply:
                 # 规则：heading主体命中(has_ht) + body是表格(|分隔) + 查询动作词在表格中出现 → 放行
                 _is_table_body = ('|' in (body or '')) or ('-|-' in (body or ''))
                 # 注意：不能用 set(body_clean)——字符集不包含多字符词，须用子串判断
-                _action_hits_body = any(kw in body_clean[:800] for kw in (q_mean & action_kw))
+                # ⭐ 使用body_no_links进行动作词匹配，排除链接文本干扰
+                _action_hits_body = any(kw in body_no_links[:800] for kw in (q_mean & action_kw))
                 if has_ht and _is_table_body and _action_hits_body:
                     logger.debug(
                         f"动作查询表格兜底放行: query={query[:40]!r} "
@@ -267,7 +274,8 @@ class AutoReply:
                 has_body = has_body_nonaction
 
         # ⭐ 后台/前台关键词区分：查询含"后台"但文档不含"后台"→ 不相关
-        full = heading_clean + " " + title.lower() + " " + body_clean[:800]
+        # ⭐ 使用body_no_links进行关键词匹配，排除链接文本干扰
+        full = heading_clean + " " + title.lower() + " " + body_no_links[:800]
         # 注意："管理后台"是整体概念，拆分后"后台"可能不在heading中，但"管理员"+"后端"已表达管理意图
         # 所以当heading含"管理员"或"后端"时，不应因缺"后台"而拒绝
         if "后台" in query and "后台" not in full:
@@ -367,7 +375,9 @@ class AutoReply:
             # ⭐ OCR碎片过滤：纯ASCII且≤2字符的词（如"丿IJ"切成'ij'）是OCR噪声
             # 不参与核心词覆盖判定——否则垃圾词抬高分母，真核心词反而达不到阈值
             core_kw = {kw for kw in core_kw if not (kw.isascii() and len(kw) <= 2)}
-            doc_text = heading_clean + " " + title.lower() + " " + body_clean[:800]
+            # ⭐ 使用body_no_links进行核心词匹配，排除链接文本干扰
+            # 防止php.md的"[sdf1插件](sdf1.md)"链接文本被误判为内容关键词
+            doc_text = heading_clean + " " + title.lower() + " " + body_no_links[:800]
             core_hits = sum(1 for kw in core_kw if kw in doc_text)
 
             # ⭐ 下载意图检查提前到核心词检查之前
@@ -523,7 +533,8 @@ class AutoReply:
             return True
 
         # 子串回退：jieba 可能产生碎片 token，导致交集为空但文档确实含查询短语
-        full = heading_clean + " " + title.lower() + " " + body_clean[:800]
+        # ⭐ 使用body_no_links进行子串回退检查，排除链接文本干扰
+        full = heading_clean + " " + title.lower() + " " + body_no_links[:800]
         stripped = re.sub(r'[？?！!。，,\s]', '', query).lower()
         if len(stripped) >= 4:
             # ⭐ 修复：子串回退必须同时满足两个条件：

monitor.py

@@ -728,6 +728,14 @@ class MessageHistory:
             logger.info(f"[{platform}] 消息去重: 与历史消息相似，跳过入库: {content[:60]!r}")
             return  # 重复消息，不入库
 
+        # ⭐ Task #1719: 检查bot_messages表，防止环形缓冲区淘汰后重新入库
+        #   根因：user_messages环形缓冲区仅保留10条/平台，旧消息被淘汰后
+        #   _is_similar_to_history() 找不到历史记录，导致已回复消息重新入库。
+        #   修复：通过bot_messages表（无环形缓冲区限制）检查该消息是否曾被回复过。
+        if self.is_user_message_replied(platform, content):
+            logger.info(f"[{platform}] 消息去重: bot已回复过(跨缓冲区)，跳过入库: {content[:60]!r}")
+            return  # 已回复消息，不入库
+
         content_hash = hashlib.md5(content.strip().encode('utf-8')).hexdigest()
 
         # ⭐ 防止重复入库：检查是否已存在完全相同的消息
@@ -10881,15 +10889,19 @@ class MessageMonitor:
                         logger.debug(f"[{platform}] OCR过滤: bot回复碎片(lm={lm},ratio={lm/len(t_norm):.0%}) ts={ts!r}")
                         is_fragment = True
                         break
-                    # ⭐ 策略2：字符级重叠率≥60%且至少有3个中文字符重叠（调整阈值）
+                    # ⭐ 策略2：字符级重叠率检测（调整阈值，防短消息误判）
                     # 计算t_norm中有多少字符出现在r_norm中
                     r_char_set = set(r_norm)
                     overlap = sum(1 for c in t_norm if c in r_char_set)
                     overlap_ratio = overlap / len(t_norm) if t_norm else 0
-                    # 如果重叠率≥60%且至少有3个中文字符重叠 → 可能是碎片
                     cjk_overlap = sum(1 for c in t_norm if '\u4e00' <= c <= '\u9fff' and c in r_char_set)
-                    if overlap_ratio >= 0.6 and cjk_overlap >= 3:
+                    # ⭐ Task #1718：短消息(<10字符)提高阈值，防止域相关短查询被误判
-                        logger.debug(f"[{platform}] OCR过滤: bot回复碎片(char_overlap={overlap}/{len(t_norm)},cjk={cjk_overlap}) ts={ts!r}")
+                    # 例："云背包的可用参数"(8字)与bot回复共享"云背包/参数/可用"等分散字符→62.5%命中
+                    # 短消息要求≥75%重叠+≥4中文字符；长消息保持≥60%+≥3
+                    _min_ratio = 0.75 if len(t_norm) < 10 else 0.6
+                    _min_cjk = 4 if len(t_norm) < 10 else 3
+                    if overlap_ratio >= _min_ratio and cjk_overlap >= _min_cjk:
+                        logger.debug(f"[{platform}] OCR过滤: bot回复碎片(char_overlap={overlap}/{len(t_norm)},cjk={cjk_overlap},ratio={overlap_ratio:.0%},threshold={_min_ratio:.0%}) ts={ts!r}")
                         is_fragment = True
                         break
                     # ⭐ 策略3：完全子串匹配（文本完全包含在已回复文本中）
@@ -11137,10 +11149,25 @@ class MessageMonitor:
                                     score = -100.0
                                     logger.info(f"[{platform}] 第二关拦截：DB记录时间差{time_diff_seconds:.0f}秒>300秒，丢弃: {item[:50]}")
                             else:
-                                # ocr_staging表有记录但user_messages表无记录：放行（首次抓取）
+                                # ⭐ Task #1719: ocr_staging有记录但user_messages无记录
-                                old_score = score
+                                #   根因：Task #1697 将 record_ocr_message() 移到评分管道之前，
-                                score = max(score + 5.0, 5.0)
+                                #   导致旧消息（已被环形缓冲区淘汰）再次OCR时，ocr_staging 总有刚创建的记录，
-                                logger.info(f"[{platform}] 第二关通过：ocr_staging有记录但user_messages无记录，放行: {old_score:.1f}→{score:.1f}: {item[:50]}")
+                                #   但 user_messages 中已无该消息。
+                                #   修复：通过 bot_messages 表检查该消息是否曾被回复过（不受环形缓冲区限制）。
+                                _already_replied = False
+                                if self._msg_history:
+                                    try:
+                                        _already_replied = self._msg_history.is_user_message_replied(platform, cleaned_item)
+                                    except Exception:
+                                        pass
+                                if _already_replied:
+                                    score = -100.0
+                                    logger.info(f"[{platform}] 第二关拦截：ocr_staging有记录但user_messages无记录，且bot已回复过，丢弃: {item[:50]}")
+                                else:
+                                    # 首次抓取：ocr_staging有记录但user_messages无记录，且bot未回复过 → 放行
+                                    old_score = score
+                                    score = max(score + 5.0, 5.0)
+                                    logger.info(f"[{platform}] 第二关通过：ocr_staging有记录但user_messages无记录(首次抓取)，放行: {old_score:.1f}→{score:.1f}: {item[:50]}")
                         else:
                             # ocr_staging表无记录：检查user_messages表
                             my_record_ts = self._msg_history.get_message_record_timestamp(platform, cleaned_item)