feat: 同轮择优机制防bot抢跑

当一轮poll检测到多条候选消息时，只选最可能是真实用户消息的那条触发回复。

新增 _score_message_quality() 方法，评估维度：
- 长度惩罚（越长越可疑）
- 疑问词奖励（用户提问特征）
- 噪声前缀惩罚（UI标签提示污染）
- 有效关键词奖励（插件/下载等）
- 英文比例惩罚（乱码提示）
- 标点混乱惩罚（OCR噪声）

修复场景：
污染历史消息(长+无前缀+无疑问词) vs 真实用户消息(短+含疑问词)
→ 择优后只回复真实用户消息，避免bot抢跑

相关issue: #1542

monitor.py

@@ -5513,6 +5513,62 @@ class MessageMonitor:
             return False
         return bool(re.search(r'[\u4e00-\u9fff]', stripped))
 
+    @staticmethod
+    def _score_message_quality(text: str) -> float:
+        """评估消息质量分，用于同轮择优（防bot抢跑）。
+
+        真实用户消息通常：
+        - 较短（污染历史消息常较长）
+        - 含疑问词或问号（用户提问）
+        - 无前缀噪声（如"必选，"、"运营方"等UI标签）
+        - 含有效关键词（插件、下载、地址等）
+
+        污染历史消息通常：
+        - 较长（混合了多条消息或UI元素）
+        - 无前缀噪声
+        - 不含疑问词
+
+        返回质量分（越高越可能是真实用户消息）。
+        """
+        if not text or len(text.strip()) < 2:
+            return -100.0  # 太短，可疑
+
+        score = 0.0
+        length = len(text)
+
+        # 长度惩罚：越长越可疑（污染消息通常较长）
+        if length > 50:
+            score -= (length - 50) * 0.5  # 每超1字扣0.5分
+        elif length <= 20:
+            score += 5.0  # 短消息加分
+
+        # 疑问词奖励：用户提问通常含疑问词
+        _QUESTION_WORDS = ('？', '?', '吗', '呢', '哪些', '什么', '怎么', '如何', '为什么', '能', '可以', '哪', '哪儿')
+        if any(q in text for q in _QUESTION_WORDS):
+            score += 10.0
+
+        # 噪声前缀惩罚：UI标签（如"必选，"、"运营方"）提示历史污染
+        _NOISE_PREFIXES = ('必选', '运营方', '玩家', '服务器', '公告', '规则', '下载', '注意', '重要')
+        if text.startswith(_NOISE_PREFIXES) or any(text.startswith(p + '，') or text.startswith(p + ',') for p in _NOISE_PREFIXES):
+            score -= 15.0
+
+        # 有效关键词奖励：插件、下载、地址等提示真实用户意图
+        _GOOD_KEYWORDS = ('插件', '下载', '地址', '安装', '配置', '教程', '问题', '错误')
+        if any(kw in text for kw in _GOOD_KEYWORDS):
+            score += 3.0
+
+        # 英文/数字比例惩罚：污染消息常含乱码英文
+        cjk_count = len(re.findall(r'[\u4e00-\u9fff]', text))
+        ascii_count = len(re.findall(r'[a-zA-Z0-9]', text))
+        if ascii_count > cjk_count * 2 and cjk_count < 5:
+            score -= 10.0  # 纯英文/数字消息，可疑
+
+        # 标点混乱惩罚：OCR噪声常导致标点异常
+        if text.count('，') > 3 or text.count(',') > 3:
+            score -= 5.0
+
+        return score
+
     @staticmethod
     def _normalize_timestamps(text: str) -> str:
         """规整 OCR 逐字输出的时间戳，修复「孤儿空格」导致的漏消息。
@@ -7862,13 +7918,17 @@ class MessageMonitor:
                 if now - v < 60.0
             }
 
+            # ⭐ 同轮择优：当一轮检测到多条候选消息时，只选最可能是真实用户消息的那条
+            #   防bot抢跑：污染历史消息（长、含噪声前缀）vs 真实用户消息（短、含疑问词）
+            _candidates = []  # list of (score, item, cleaned_item)
+
             # ⭐ 首次成功轮询（上次无消息→本次有消息）：拦截历史基线
             is_baseline = self._last_new_msg_time.get(platform, 0) == 0
             baseline_handled = False  # 基线轮只处理一次（标记第一条消息）
 
-            # ⭐ 遍历处理所有新消息（不再只取最后一条）
+            # ⭐ 第一轮：评估所有候选消息质量
             for item in new_items:
-                # ⭐ 基线轮：只标记第一条消息，不触发回复
+                # 基线轮：只标记第一条消息，不触发回复
                 if is_baseline and not baseline_handled:
                     # 基线轮：日志标记但不触发回复。
                     # ⚠ 四项关键处置，防止"基线吞消息后永不回复"：
@@ -7912,7 +7972,6 @@ class MessageMonitor:
                 # 例：第一次OCR"所以那登录插件应该去哪里下载呢？" vs 第二次"所以那登录插件应该去哪里下载呢?"
                 _normalized_item = cleaned_item.replace('？', '?').replace('。', '.').replace('，', ',')
                 # ⭐ 5分钟内OCR重复识别去重：同一消息被OCR识别两次（乱码+正确文本），相似度>=90%则跳过
-                now = time.time()
                 # 清理过期条目
                 self._recent_processed_messages = [
                     (txt, ts) for txt, ts in self._recent_processed_messages
@@ -7946,17 +8005,39 @@ class MessageMonitor:
                 if is_duplicate:
                     self._last_new_msg_time[platform] = time.time()
                     continue
-                # 添加到最近处理列表
-                self._recent_processed_messages.append((cleaned_item, now))
+                # 添加到候选列表（含质量分）
+                score = self._score_message_quality(cleaned_item)
+                _candidates.append((score, item, cleaned_item))
+
+            # ⭐ 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）
+                _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]
+
+                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:]:
+                        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
+                self._recent_processed_messages.append((_best_cleaned, now))
                 self._last_new_msg_time[platform] = time.time()
-                self._last_msg[platform] = cleaned_item
+                self._last_msg[platform] = _best_cleaned
                 engine_tag = self._last_chosen_engine.get(platform, "")
-                logger.info(f"[{platform}] 新消息[{engine_tag}]: {item[:60]}")
+                logger.info(f"[{platform}] 新消息[{engine_tag}]: {_best_raw[:60]}")
                 # ⚠️ 急停检查：回复前最后检查，防止急停后仍然发送
                 if not self._running:
                     return
                 if self._on_message:
-                    self._on_message(platform, cleaned_item)
+                    self._on_message(platform, _best_cleaned)
                 if platform == "qq":
                     if stale == 3:
                         logger.debug(f"[QQ] 冻结 #{stale}，强制刷新")