业务和功能介绍
# DSSTweb-dialogue 项目概述
## 一、立项背景与目标
现有 AI 角色扮演工具在结构化叙事管理方面存在明显短板：缺乏世界感知，AI 仅对当前轮对话做反应；记忆管理粗放，全量记忆线性增长导致输出文风僵硬；没有任务系统，无法提供多分支多结局的主线体验；缓存利用不足，推理成本偏高。SillyTavern 等工具被设计为通用聊天前端，架构上难以承载大世界模拟、结构化记忆、动态任务线等深层游戏化需求。
DSSTweb-dialogue 旨在构建独立的 AI 角色扮演叙事引擎，将 LLM 从对话机器人升级为叙事协同创作者。核心目标包括：设计三层 LLM 管线，将每轮回复拆解为世界分析、正文生成、任务更新三个阶段，各司其职层层服务；通过稳定的前缀消息结构充分利用 DeepSeek 前缀缓存，实现约百分之九十八的缓存命中率；引入世界线概念，主线是世界客观运行的剧本而非玩家任务清单，系统预测事件走向，玩家作为变数介入，形成自然叙事驱动的多分支多结局体验；构建大世界模拟内核，NPC 由位置、目标、情绪、认知和日程驱动自主行动，不等待主控命令；实现基于事件驱动的结构化记忆提取与关系网络增量更新；兼容 SillyTavern 角色卡、世界书和正则脚本等生态格式；提供轻量对话与全量刷新双模式，兼顾自然对话体验和上下文深度。
## 二、核心模块
前端为 Vite 加 TypeScript 加 Vue 3 单页应用，涵盖角色管理、世界书编辑、对话游玩、记忆关系面板、任务面板、Token 用量展示等功能。后端为 Express 5 加 SQLite 服务，包含路由层、三层 LLM 管线编排、提示词构造、协议解析、回合后处理、SQLite 持久化、OpenAI 兼容及 DeepSeek 网页 API 双客户端、世界书关键词激活引擎、世界状态报告六段式提取合并、SillyTavern 格式角色卡解析、正则脚本后处理引擎等模块。
## 三、业务流程
每次玩家输入触发完整的回合处理管线。服务端首先递增轮次计数并检查阶段截止时间。第一阶段调用 LLM 进行世界分析，判断世界书角色出场、随机事件是否发生、主线事件触发条件，输出结构化分析报告。第二阶段将分析结果注入消息头部，调用 LLM 进行正文生成，利用前缀缓存机制实现与第一阶段共享缓存命中。第三阶段从对话中提取任务进展，输出目标进度、事件触发、分支选择、结局倾向等结构化更新。服务端随后执行后果操作，包括事件触发后果、阶段完成后果、分支选择后果，并求值所有结局条件，满足即触发结局。最后合并记忆条目、关系增量与世界状态报告，回写 Token 用量。
对话发送分为两种模式。普通发送构建轻量提示词，仅含角色基本信息和对话历史，LLM 回复纯叙事正文，不产生协议块。发送全量构建完整提示词，注入记忆表格、关系网、世界状态和模
## 一、立项背景与目标
现有 AI 角色扮演工具在结构化叙事管理方面存在明显短板：缺乏世界感知，AI 仅对当前轮对话做反应；记忆管理粗放，全量记忆线性增长导致输出文风僵硬；没有任务系统，无法提供多分支多结局的主线体验；缓存利用不足，推理成本偏高。SillyTavern 等工具被设计为通用聊天前端，架构上难以承载大世界模拟、结构化记忆、动态任务线等深层游戏化需求。
DSSTweb-dialogue 旨在构建独立的 AI 角色扮演叙事引擎，将 LLM 从对话机器人升级为叙事协同创作者。核心目标包括：设计三层 LLM 管线，将每轮回复拆解为世界分析、正文生成、任务更新三个阶段，各司其职层层服务；通过稳定的前缀消息结构充分利用 DeepSeek 前缀缓存，实现约百分之九十八的缓存命中率；引入世界线概念，主线是世界客观运行的剧本而非玩家任务清单，系统预测事件走向，玩家作为变数介入，形成自然叙事驱动的多分支多结局体验；构建大世界模拟内核，NPC 由位置、目标、情绪、认知和日程驱动自主行动，不等待主控命令；实现基于事件驱动的结构化记忆提取与关系网络增量更新；兼容 SillyTavern 角色卡、世界书和正则脚本等生态格式；提供轻量对话与全量刷新双模式，兼顾自然对话体验和上下文深度。
## 二、核心模块
前端为 Vite 加 TypeScript 加 Vue 3 单页应用，涵盖角色管理、世界书编辑、对话游玩、记忆关系面板、任务面板、Token 用量展示等功能。后端为 Express 5 加 SQLite 服务，包含路由层、三层 LLM 管线编排、提示词构造、协议解析、回合后处理、SQLite 持久化、OpenAI 兼容及 DeepSeek 网页 API 双客户端、世界书关键词激活引擎、世界状态报告六段式提取合并、SillyTavern 格式角色卡解析、正则脚本后处理引擎等模块。
## 三、业务流程
每次玩家输入触发完整的回合处理管线。服务端首先递增轮次计数并检查阶段截止时间。第一阶段调用 LLM 进行世界分析，判断世界书角色出场、随机事件是否发生、主线事件触发条件，输出结构化分析报告。第二阶段将分析结果注入消息头部，调用 LLM 进行正文生成，利用前缀缓存机制实现与第一阶段共享缓存命中。第三阶段从对话中提取任务进展，输出目标进度、事件触发、分支选择、结局倾向等结构化更新。服务端随后执行后果操作，包括事件触发后果、阶段完成后果、分支选择后果，并求值所有结局条件，满足即触发结局。最后合并记忆条目、关系增量与世界状态报告，回写 Token 用量。
对话发送分为两种模式。普通发送构建轻量提示词，仅含角色基本信息和对话历史，LLM 回复纯叙事正文，不产生协议块。发送全量构建完整提示词，注入记忆表格、关系网、世界状态和模
项目实现
# 架构设计与工作总结
## 一、整体架构与设计思路
本项目是一个独立的 AI 角色扮演叙事引擎，采用前后端分离架构。前端为 Vite 加 TypeScript 加 Vue 3 单页应用，负责角色管理、世界书编辑、对话消息渲染、记忆关系面板、Token 用量展示等 UI 交互，使用 jQuery 辅助 DOM 操作，通过 SSE 协议实现 AI 回复的流式接收。后端为 Express 5 加 SQLite 服务，使用 Zod 做请求校验，通过 OpenAI 兼容 API 和 DeepSeek 网页 API 双路径对接大语言模型。
设计思路的核心是三层 LLM 管线。每轮玩家输入触发三次结构化的 LLM 调用，第一阶段进行世界分析，判断出场角色和事件触发条件；第二阶段基于分析结果生成叙事正文，支持流式输出；第三阶段从对话中提取任务进展和状态变更。三个阶段共享相同的消息前缀，充分利用 DeepSeek 的前缀缓存机制，实测缓存命中率达百分之九十八。
主线程务系统采用世界线设计，主线是世界客观运行的剧本而非任务清单。系统预测事件走向形成有向无环图，阶段间存在依赖关系，结局通过条件表达式自动求值。大世界模拟模块采用服务端调度加 LLM 叙事的混合方式，服务端每轮生成 NPC 候选推进项和主动权事件，LLM 将其转化为自然剧情。记忆系统采用事件驱动提取加自动合并压缩的策略，关系网络支持自定义字段增量更新。
## 二、负责模块与成果
本人独立完成了整个项目的设计与开发，涵盖前端 SPA、后端服务、数据库设计、LLM 提示词工程、主线任务系统、大世界模拟内核等全部模块。
核心成果包括：设计并实现了三层 LLM 管线架构，每轮三次调用实现结构化叙事，通过前缀缓存策略将综合推理成本降低至约百分之五。构建了完整的主线任务系统，支持多阶段多分支多结局，任务状态每轮自动更新，结局通过条件表达式自动触发。实现了大世界模拟内核，支持 NPC 自主行动与世界主动权机制，包含六类主动权事件和可见性投影系统。构建了结构化记忆系统，支持每轮自动提取和自动合并压缩。构建了关系网络系统，支持自定义字段和增量更新。实现了轻量和全量双模式对话，用户可每轮独立选择。兼容了 SillyTavern 生态的角色卡、世界书和正则脚本格式，降低了用户的迁移成本。
项目代码总量约一万五千行，其中前端 TypeScript 约五千行，服务端 JavaScript 约八千行，提示词模板约两千行。数据库采用 SQLite，包含角色、游玩轮次、消息、记忆、关系网等核心表结构。
## 三、难点与解决方案
第一个难点是 LLM 输出不稳定。LLM 在长上下文场景下容易遗漏指令或输出格式错误。解决方案是采用三层管线设计，每层职责单一、提示词精简；对关键输出做协议块解析和自动修补，解析失败时自动触发重试或修补
## 一、整体架构与设计思路
本项目是一个独立的 AI 角色扮演叙事引擎，采用前后端分离架构。前端为 Vite 加 TypeScript 加 Vue 3 单页应用，负责角色管理、世界书编辑、对话消息渲染、记忆关系面板、Token 用量展示等 UI 交互，使用 jQuery 辅助 DOM 操作，通过 SSE 协议实现 AI 回复的流式接收。后端为 Express 5 加 SQLite 服务，使用 Zod 做请求校验，通过 OpenAI 兼容 API 和 DeepSeek 网页 API 双路径对接大语言模型。
设计思路的核心是三层 LLM 管线。每轮玩家输入触发三次结构化的 LLM 调用，第一阶段进行世界分析，判断出场角色和事件触发条件；第二阶段基于分析结果生成叙事正文，支持流式输出；第三阶段从对话中提取任务进展和状态变更。三个阶段共享相同的消息前缀，充分利用 DeepSeek 的前缀缓存机制，实测缓存命中率达百分之九十八。
主线程务系统采用世界线设计，主线是世界客观运行的剧本而非任务清单。系统预测事件走向形成有向无环图，阶段间存在依赖关系，结局通过条件表达式自动求值。大世界模拟模块采用服务端调度加 LLM 叙事的混合方式，服务端每轮生成 NPC 候选推进项和主动权事件，LLM 将其转化为自然剧情。记忆系统采用事件驱动提取加自动合并压缩的策略，关系网络支持自定义字段增量更新。
## 二、负责模块与成果
本人独立完成了整个项目的设计与开发，涵盖前端 SPA、后端服务、数据库设计、LLM 提示词工程、主线任务系统、大世界模拟内核等全部模块。
核心成果包括：设计并实现了三层 LLM 管线架构，每轮三次调用实现结构化叙事，通过前缀缓存策略将综合推理成本降低至约百分之五。构建了完整的主线任务系统，支持多阶段多分支多结局，任务状态每轮自动更新，结局通过条件表达式自动触发。实现了大世界模拟内核，支持 NPC 自主行动与世界主动权机制，包含六类主动权事件和可见性投影系统。构建了结构化记忆系统，支持每轮自动提取和自动合并压缩。构建了关系网络系统，支持自定义字段和增量更新。实现了轻量和全量双模式对话，用户可每轮独立选择。兼容了 SillyTavern 生态的角色卡、世界书和正则脚本格式，降低了用户的迁移成本。
项目代码总量约一万五千行，其中前端 TypeScript 约五千行，服务端 JavaScript 约八千行，提示词模板约两千行。数据库采用 SQLite，包含角色、游玩轮次、消息、记忆、关系网等核心表结构。
## 三、难点与解决方案
第一个难点是 LLM 输出不稳定。LLM 在长上下文场景下容易遗漏指令或输出格式错误。解决方案是采用三层管线设计，每层职责单一、提示词精简；对关键输出做协议块解析和自动修补，解析失败时自动触发重试或修补
示例图片视频
相似推荐
基于GD32H759I的轻量级卷积循环网络边缘语音降噪系统-EdgeDenoise边缘语音降噪终端
面向会议记录、工业对讲、人机交互及嵌入式智能终端在风扇、空调、键盘敲击和室内混响等噪声环境下的语音采集需求，设计并实现一套基于GD32H759IMT6微控制器的边缘语音降噪系统。系统通过ES7210音频采集模块、SAI和DMA连续获取48 kHz多通道音频，在本地完成通道选择、音量统计、短时傅里叶变换、频带特征提取、神经网络推理、频谱掩蔽和语音重建，无需依赖云端服务器。
系统支持RAW原始音频、RNNoise对照降噪和自研CRN降噪三种工作模式，可通过触摸屏完成模式切换、输入通道选择、增益调整、开始或停止录音以及屏幕截图。LCD实时显示原始与降噪波形、音量、模型状态、录音时间、缓存状态和输出文件名；TF卡可保存原始WAV录音、CRN降噪音频及LCD截图，形成“音频采集—边缘推理—效果显示—文件保存”的完整闭环。
图片数据智能提取
本程序用于信息录入场景，可将截图内容整理为规范表格。先借助 OCR 识别提取截图内图文原始信息，再调用大模型 API，按预设规则完成数据筛选与结构化解析，属于专用数据格式提取脚本。支持自定义提取规则灵活适配不同业务需求，可按需调整输出模板，高效完成图片信息标准化导出，大幅减少人工录入整理工作量。
excel智能体
立项背景与目标 ：日常办公中，表格合并、文档处理、数据看板生成等重复性工作耗时且门槛高。雪球旨在利用大语言模型的自然语言理解能力，让用户通过一句话即可完成复杂办公任务，实现"对话即操作"的智能办公体验。
软件功能与核心模块 ：平台围绕四大模块构建——表格处理引擎（JOIN联查、批量填充、分组聚合、拆分合并）、文档处理引擎（Word改写/模板填充、PDF提取/拆分/合并、PPT生成）、BI看板生成器（11种ECharts图表，支持HTML/PNG/PDF/PPT导出）和PPT自适应渲染引擎（四级降级策略）。所有工具通过DeepSeek Agent统一调度。
业务流程与功能路径 ：用户自然语言输入 → Agent解析意图并编排步骤 → 自动调用工具链执行 → SSE流式返回执行进度与结果 → 任务快照持久化存档。全程支持审计日志脱敏和中断恢复，确保数据安全与操作可追溯。
基于多智能体与知识图谱的复杂知识分析平台
1. 立项背景和目标
面向复杂知识问答、多步任务拆解和证据驱动分析场景，搭建统一的 AI Agent 平台。旨在解决传统问答系统在复杂任务中可分解性不足、证据链不可追溯、文档与图谱数据割裂、模型选型缺乏统一评测等痛点，降低知识密集型分析任务的人工操作成本。
2. 核心功能模块
多智能体协作： 采用 planner -> dispatcher -> summary 主链路，支持任务拆解、依赖编排和拓扑执行。
知识检索与定位： 集成文档多格式解析、片段级检索、页级定位及 Neo4j 知识图谱 Cypher 检索。
评测与选型底座： 支持对不同模型、提示词策略和子代理组合进行横向对比与流程稳定性观察。
前端工作台： 支持多会话聊天、模型参数配置、执行轨迹面板、知识图谱可视化及结果下载。
3. 业务流程与功能路径
用户上传多格式文档或输入复杂分析任务 -> 系统提取分析并构建图谱 -> 多智能体协作编排并调度任务（子代理执行文档精读和图谱检索） -> 聚合生成可追溯、可信的结构化报告或演示文稿 -> 通过 SSE 流式反馈、渲染任务轨迹并展示给前端。
豪视界-AI 图像处理平台
AI 图像处理平台（"流行智能"后更名"豪视界"） —— 一个面向电商卖家的 SaaS 化 AI图像处理工具站。核心业务逻辑:卖家上传商品图,平台调用多个 AI引擎完成换背景、生成模特图、扩图/高清/去水印等处理,按张扣积分,处理结果存云端图库。
支撑业务的系统能力
- 账户体系:邮箱/手机注册登录、JWT 鉴权、图形验证码、访客可浏览(登录才可下单)
- 积分计费系统:注册赠送 100 积分、按任务类型差异化定价(可后台配置)、消费流水记录、积分套餐
- 异步任务系统:任务状态机(等待→处理中→完成/失败)、批量提交、全局任务列表、结果轮询
- 图库:处理结果云端存储(阿里云 OSS)、缩略图、任务详情回看
- 管理后台:用户管理(禁用/启用/改积分)、任务监控与重试、系统配置、积分规则/套餐配置、操作日志、仪表盘统计
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服