fix(quality_summary): 优化增量分析逻辑，优化提示词

_conf_schema.json

@@ -435,12 +435,19 @@
                 "type": "object",
                 "hint": "聊天质量分析提示词模板，可自定义修改",
                 "items": {
-                    "quality_prompt": {
+                    "quality_v2_prompt": {
                         "description": "默认聊天质量分析提示词",
                         "type": "text",
                         "editor_mode": true,
                         "editor_language": "markdown",
-                        "default": "你是一个毒舌且幽默的群聊质量分析师，请生成聊天质量锐评内容。你需要按照下面的格式返回结果。\n\n分析接下来的群聊内容，给出多个维度的分析（3-6个,所有维度的占比加起来小于等于100%）和汇总内容。\n\n群聊记录：\n{messages_text}\n\n### 返回格式示例：\n\n```json\n{{\n  \"title\": \"群聊质量分析报告\",\n  \"subtitle\": \"今天的群里发生了什么？\",\n  \"dimensions\": [\n    {{\n      \"name\": \"水群闲聊\",\n      \"percentage\": 50.0,\n      \"comment\": \"群友们今天也在努力划水呢。\"\n    }}\n  ],\n  \"summary\": \"今天也是元气满满的一天。\"\n}}\n```"
+                        "default": "你是一个毒舌且幽默的群聊质量分析师。\n请分析以下群聊记录，输出一份\"聊天质量锐评\"。\n\n## 任务目标：\n1. **维度划分**：将聊天内容划分为 3-6 个【高层级、抽象、泛化】的维度（例如：就业焦虑、生涯规划、技术方案研究、情感树洞、无意义水群等）。\n2. **严禁在维度名称（name）中出现任何具体的群聊人物名、项目名、具体的报错内容或细碎的事件点。标题必须保持高度抽象且字数简练（2-6个字）。**\n3. 为每个维度计算一个大致的百分比占位（总和小于等于 100%）。\n4. **点评内容**：为每个维度写一句犀利、幽默、毒舌或温情的点评。具体的吐槽内容、具体的细节事件描述请放在这里。\n5. **全群表现**：给出一句总结性的评价，作为总结标题对应的“金句”。\n6. **主题设定**：设定一个本次报告的主题标题和副标题。\n\n## 点评风格指南：\n- 语言要接地气，多用互联网黑话。吐槽要精准，避重就轻。\n- **只有维度名称（name）需要抽象，点评（comment）和总结（summary）可以非常具体和生动。**\n\n## 返回格式要求：\n必须以纯 JSON 格式返回，不得包含任何 Markdown 格式。\n\n```json\n{{\n  \"title\": \"今日群聊主题\",\n  \"subtitle\": \"副标题\",\n  \"dimensions\": [\n    {{\n      \"name\": \"抽象维度名\",\n      \"percentage\": 比例,\n      \"comment\": \"维度的毒舌点评\"\n    }}\n  ],\n  \"summary\": \"一句总结性的金句\"\n}}\n```\n\n群聊记录：\n{messages_text}"
+                    },
+                    "quality_summary_prompt": {
+                        "description": "增量汇总聊天质量分析提示词",
+                        "type": "text",
+                        "editor_mode": true,
+                        "editor_language": "markdown",
+                        "default": "你是一个毒舌且幽默的群聊质量分析师。\n你现在有一份今天全天分散时间段的多个“增量批次点评笔记”。\n你的任务是将这些分散的笔记汇总成一份最终的“全天聊天质量终极锐评”。\n\n## 任务目标：\n1. **全局抽象维度**：根据各批次的维度表现，平衡权重，提取出 3-6 个覆盖全天的【核心、上层抽象】课题维度（如：职场/行业风向、技术架构演进、社畜心理博弈等）。\n2. **严禁在维度名称（name）中出现具体的批次细节。标题必须代表全天的某种趋势。**\n3. **百分比融合**：根据全天笔记的频率和强度，给出一个代表全天整体分布的比例（总和不超过100%）。\n4. **终极点评**：为每个汇总维度写出一句升华后的全天总结性点评。可以融合具体批次中的有趣槽点。\n5. **终极总结**：拟定全天的大型主题标题、副标题，并给出一句霸气的全天表现总结。\n\n## 风格要求：\n- 只有维度名称（name）需要高度概括抽象。\n- 点评（comment）和总结（summary）请尽量生动、毒舌、具体，要把一整天的梗串联起来。\n\n## 返回格式要求：\n必须以纯 JSON 格式返回，不得包含任何 Markdown 格式。\n\n```json\n{{\n  \"title\": \"今日群聊主题\",\n  \"subtitle\": \"副标题\",\n  \"dimensions\": [\n    {{\n      \"name\": \"抽象大类标题\",\n      \"percentage\": 比例,\n      \"comment\": \"维度的全天锐评\"\n    }}\n  ],\n  \"summary\": \"全天总结金句\"\n}}\n```\n\n增量汇总数据：\n{reviews_text}"
                     }
                 }
             }

src/application/services/analysis_application_service.py

@@ -583,21 +583,18 @@ class AnalysisApplicationService:
             if not adapter:
                 raise ValueError(f"未找到平台 {platform_id} 的适配器")
 
-            # 6. 执行用户称号 LLM 分析
+            # 6. 执行分析相关的变量准备
             user_titles = []
             user_title_enabled = self.config_manager.get_user_title_analysis_enabled()
+            unified_msg_origin = (
+                f"{platform_id}:GroupMessage:{group_id}" if platform_id else group_id
+            )
 
             if user_title_enabled and state.user_activities:
                 max_user_titles = self.config_manager.get_max_user_titles()
                 # 从合并后的 user_activities 中取出 top 用户
                 top_users = state.get_user_activity_ranking(max_user_titles)
 
-                unified_msg_origin = (
-                    f"{platform_id}:GroupMessage:{group_id}"
-                    if platform_id
-                    else group_id
-                )
-
                 try:
                     async with self.llm_semaphore:
                         logger.debug(f"[LLM] 已进入称号分析队列 (群: {group_id})")
@@ -628,6 +625,58 @@ class AnalysisApplicationService:
                 except Exception as e:
                     logger.error(f"增量最终报告用户称号分析失败: {e}", exc_info=True)
 
+            # 6.5 执行聊天质量汇总分析 (如果有多个批次的质量报告)
+            if (
+                self.config_manager.get_chat_quality_analysis_enabled()
+                and state.all_quality_reviews
+            ):
+                try:
+                    async with self.llm_semaphore:
+                        logger.debug(
+                            f"[LLM] 已进入聊天质量汇总分析队列 (群: {group_id})"
+                        )
+                        (
+                            summarized_review,
+                            quality_token_usage,
+                        ) = await self.llm_analyzer.summarize_quality_reviews(
+                            batch_reviews=state.all_quality_reviews,
+                            umo=unified_msg_origin,
+                        )
+                    if summarized_review:
+                        # 更新 state 中的 review 为汇总后的结果
+                        # 这里我们需要将 QualityReview 对象存回 dict 或直接在后续处理中使用
+                        # build_analysis_result 会使用 state.chat_quality_review
+                        state.chat_quality_review = {
+                            "title": summarized_review.title,
+                            "subtitle": summarized_review.subtitle,
+                            "dimensions": [
+                                {
+                                    "name": d.name,
+                                    "percentage": d.percentage,
+                                    "comment": d.comment,
+                                    "color": d.color,
+                                }
+                                for d in summarized_review.dimensions
+                            ],
+                            "summary": summarized_review.summary,
+                        }
+
+                        # 累加 Token
+                        state.total_token_usage["prompt_tokens"] = (
+                            state.total_token_usage.get("prompt_tokens", 0)
+                            + quality_token_usage.prompt_tokens
+                        )
+                        state.total_token_usage["completion_tokens"] = (
+                            state.total_token_usage.get("completion_tokens", 0)
+                            + quality_token_usage.completion_tokens
+                        )
+                        state.total_token_usage["total_tokens"] = (
+                            state.total_token_usage.get("total_tokens", 0)
+                            + quality_token_usage.total_tokens
+                        )
+                except Exception as e:
+                    logger.error(f"增量最终报告聊天质量汇总失败: {e}", exc_info=True)
+
             # 7. 构建 analysis_result
             analysis_result = self.incremental_merge_service.build_analysis_result(
                 state, user_titles

src/domain/entities/incremental_state.py

@@ -175,6 +175,9 @@ class IncrementalState:
     topics: list[dict] = field(default_factory=list)
     golden_quotes: list[dict] = field(default_factory=list)
     chat_quality_review: dict[str, Any] | None = None
+    all_quality_reviews: list[dict] = field(
+        default_factory=list
+    )  # 存储所有批次的质量锐评，用于最终报告时的汇总分析
 
     # 合并后的统计数据（按小时）
     hourly_message_counts: dict[str, int] = field(default_factory=dict)

src/domain/repositories/analysis_repository.py

@@ -85,3 +85,13 @@ class IAnalysisProvider(ABC):
     ) -> tuple[list[SummaryTopic], list[GoldenQuote], TokenUsage, QualityReview | None]:
         """增量模式并发分析"""
         pass
+
+    @abstractmethod
+    async def summarize_quality_reviews(
+        self,
+        batch_reviews: list[dict],
+        umo: str | None = None,
+        session_id: str | None = None,
+    ) -> tuple[QualityReview | None, TokenUsage]:
+        """汇总多个聊天质量报告（增量模式使用）"""
+        pass

src/domain/services/incremental_merge_service.py

@@ -174,10 +174,14 @@ class IncrementalMergeService:
             # 合并参与者 ID（取并集）
             state.all_participant_ids.update(batch.participant_ids)
 
+            # 收集所有批次的质量锐评（用于最终汇总）
+            if batch.chat_quality_review:
+                state.all_quality_reviews.append(batch.chat_quality_review)
+
             # 记录最后分析消息时间戳（取最大值）
             if batch.last_message_timestamp > state.last_analyzed_message_timestamp:
                 state.last_analyzed_message_timestamp = batch.last_message_timestamp
-                # 更新锐评为最新批次的 (如果有)
+                # 更新锐评为最新批次的 (如果没有汇总分析，则作为兜底)
                 if batch.chat_quality_review:
                     state.chat_quality_review = batch.chat_quality_review
 

src/infrastructure/analysis/analyzers/chat_quality_analyzer.py

@@ -90,29 +90,28 @@ class ChatQualityAnalyzer(BaseAnalyzer):
 请分析以下群聊记录，输出一份"聊天质量锐评"。
 
 ## 任务目标：
-1. 将聊天内容划分为 3-6 个不同的维度/类别（如：技术探讨、水群闲聊、就业焦虑、深夜发情等）。
+1. **维度划分**：将聊天内容划分为 3-6 个【高层级、抽象、泛化】的维度（例如：就业焦虑、生涯规划、技术方案研究、情感树洞、无意义水群等）。
-2. 为每个维度计算一个大致的百分比占位（总和小于等于 100%）。
+2. **严禁在维度名称（name）中出现任何具体的群聊人物名、项目名、具体的报错内容或细碎的事件点。标题必须保持高度抽象且字数简练（2-6个字）。**
-3. 为每个维度写一句犀利、幽默、毒舌或温情的点评。
+3. 为每个维度计算一个大致的百分比占位（总和小于等于 100%）。
-4. 给出一句总结性的全群表现评价。
+4. **点评内容**：为每个维度写一句犀利、幽默、毒舌或温情的点评。具体的吐槽内容、具体的细节事件描述请放在这里。
-5. 设定一个本次报告的主题标题和副标题。
+5. **全群表现**：给出一句总结性的评价，作为总结标题对应的“金句”。
+6. **主题设定**：设定一个本次报告的主题标题和副标题。
 
 ## 点评风格指南：
-- 语言要接地气，多用互联网黑话。
+- 语言要接地气，多用互联网黑话。吐槽要精准，避重就轻。
-- 吐槽要精准，避重就轻。
+- **只有维度名称（name）需要抽象，点评（comment）和总结（summary）可以非常具体和生动。**
-- 如果群友在认真讨论技术，可以夸两句但也要带点调侃。
-- 如果群友在无意义水群，请狠狠吐槽。
 
 ## 返回格式要求：
 必须以纯 JSON 格式返回，不得包含任何 Markdown 格式。
 
 ```json
 {{
-  "title": "主题标题 (如: 互联网难民收容所)",
+  "title": "今日群聊主题",
-  "subtitle": "副标题 (如: 只要不工作，我们就是最好的朋友)",
+  "subtitle": "副标题",
   "dimensions": [
     {{
-      "name": "维度名称",
+      "name": "抽象维度名",
-      "percentage": 25.5,
+      "percentage": 比例,
       "comment": "维度的毒舌点评"
     }}
   ],
@@ -198,6 +197,120 @@ class ChatQualityAnalyzer(BaseAnalyzer):
             summary=data.get("summary", "今天也是充满活力的一天。"),
         )
 
+    async def summarize_batch_reviews(
+        self,
+        batch_reviews: list[dict],
+        umo: str | None = None,
+        session_id: str | None = None,
+    ) -> tuple[QualityReview | None, TokenUsage]:
+        """
+        汇总多个增量批次的质量报告，生成最终的每日全天总评。
+        """
+        if not batch_reviews:
+            return None, TokenUsage()
+
+        if len(batch_reviews) == 1:
+            return self._build_review_from_dict(batch_reviews[0]), TokenUsage()
+
+        try:
+            # 构建汇总用的提示词
+            reviews_text = ""
+            for i, rev in enumerate(batch_reviews):
+                title = rev.get("title", "未命名")
+                summary = rev.get("summary", "")
+                dims = ", ".join(
+                    [
+                        f"{d.get('name')}({d.get('percentage')}%)"
+                        for d in rev.get("dimensions", [])
+                    ]
+                )
+                reviews_text += f"\n批次 {i + 1} [{title}]:\n- 维度表现: {dims}\n- 核心摘要: {summary}\n"
+
+            prompt_template = self.config_manager.get_quality_summary_prompt()
+
+            if not prompt_template:
+                prompt_template = """你是一个毒舌且幽默的群聊质量分析师。
+你现在有一份今天全天分散时间段的多个“增量批次点评笔记”。
+你的任务是将这些分散的笔记汇总成一份最终的“全天聊天质量终极锐评”。
+
+## 任务目标：
+1. **全局抽象维度**：根据各批次的维度表现，平衡权重，提取出 3-6 个覆盖全天的【核心、上层抽象】课题维度（如：职场/行业风向、技术架构演进、社畜心理博弈等）。
+2. **严禁在维度名称（name）中出现具体的批次细节。标题必须代表全天的某种趋势。**
+3. **百分比融合**：根据全天笔记的频率和强度，给出一个代表全天整体分布的比例（总和不超过100%）。
+4. **终极点评**：为每个汇总维度写出一句升华后的全天总结性点评。可以融合具体批次中的有趣槽点。
+5. **终极总结**：拟定全天的大型主题标题、副标题，并给出一句霸气的全天表现总结。
+
+## 风格要求：
+- 只有维度名称（name）需要高度概括抽象。
+- 点评（comment）和总结（summary）请尽量生动、毒舌、具体，要把一整天的梗串联起来。
+
+## 返回格式要求：
+必须以纯 JSON 格式返回，不得包含任何 Markdown 格式。
+
+```json
+{{
+  "title": "今日群聊主题",
+  "subtitle": "副标题",
+  "dimensions": [
+    {{
+      "name": "抽象大类标题",
+      "percentage": 比例,
+      "comment": "维度的全天锐评"
+    }}
+  ],
+  "summary": "全天总结金句"
+}}
+```
+"""
+            prompt = prompt_template.format(reviews_text=reviews_text)
+
+            # 调用 LLM 进行汇总
+            system_prompt = await self._build_system_prompt(umo)
+
+            response = await call_provider_with_retry(
+                self.context,
+                self.config_manager,
+                prompt=prompt,
+                max_tokens=self.get_max_tokens(),
+                temperature=0.7,
+                umo=umo,
+                provider_id_key=self.get_provider_id_key(),
+                system_prompt=system_prompt,
+            )
+
+            if response is None:
+                return None, TokenUsage()
+
+            token_usage_dict = extract_token_usage(response)
+            usage = TokenUsage(
+                prompt_tokens=token_usage_dict["prompt_tokens"],
+                completion_tokens=token_usage_dict["completion_tokens"],
+                total_tokens=token_usage_dict["total_tokens"],
+            )
+
+            result_text = extract_response_text(response)
+            if not result_text:
+                return None, usage
+
+            success, parsed_data, error_msg = parse_json_object_response(
+                result_text, "汇总质量分析"
+            )
+
+            if success and parsed_data:
+                review = self._build_review_from_dict(parsed_data)
+                logger.info(
+                    f"聊天质量汇总分析成功，解析到 {len(review.dimensions)} 个汇总维度"
+                )
+                return review, usage
+
+            # 降级：如果汇总失败，返回最新的一个
+            logger.warning(f"聊天质量汇总分析失败，降级使用最新批次: {error_msg}")
+            return self._build_review_from_dict(batch_reviews[-1]), usage
+
+        except Exception as e:
+            logger.error(f"聊天质量汇总分析异常: {e}", exc_info=True)
+            return self._build_review_from_dict(batch_reviews[-1]), TokenUsage()
+
     async def analyze_quality(
         self,
         messages: list[dict],
@@ -258,7 +371,9 @@ class ChatQualityAnalyzer(BaseAnalyzer):
 
             if success and parsed_data:
                 review = self._build_review_from_dict(parsed_data)
-                logger.info(f"聊天质量分析成功，解析到 {len(review.dimensions)} 个维度")
+                logger.debug(
+                    f"聊天质量分析成功，解析到 {len(review.dimensions)} 个维度"
+                )
                 return review, usage
 
             # 7. 正则降级（使用 extract_quality_with_regex）
@@ -267,7 +382,7 @@ class ChatQualityAnalyzer(BaseAnalyzer):
 
             if regex_data:
                 review = self._build_review_from_dict(regex_data)
-                logger.info(
+                logger.debug(
                     f"聊天质量正则提取成功，获得 {len(review.dimensions)} 个维度"
                 )
                 return review, usage
@@ -277,7 +392,7 @@ class ChatQualityAnalyzer(BaseAnalyzer):
             return None, usage
 
         except Exception as e:
-            logger.error(f"聊天质量分析解析失败: {e}", exc_info=True)
+            logger.error(f"聊天质量分析失败: {e}", exc_info=True)
             return None, TokenUsage()
 
     # Override analyze to bridge the base class interface

src/infrastructure/analysis/llm_analyzer.py

@@ -164,6 +164,19 @@ class LLMAnalyzer(IAnalysisProvider):
             logger.error(f"金句分析失败: {e}")
             return [], TokenUsage()
 
+    async def summarize_quality_reviews(
+        self,
+        batch_reviews: list[dict],
+        umo: str | None = None,
+        session_id: str | None = None,
+    ) -> tuple[QualityReview | None, TokenUsage]:
+        """
+        汇总多个质量分析报告（增量模式使用）
+        """
+        return await self.chat_quality_analyzer.summarize_batch_reviews(
+            batch_reviews, umo, session_id
+        )
+
     async def analyze_all_concurrent(
         self,
         messages: list[dict],

src/infrastructure/config/config_manager.py

@@ -291,7 +291,7 @@ class ConfigManager:
             return prompt
         return ""
 
-    def get_quality_analysis_prompt(self, style: str = "quality_prompt") -> str:
+    def get_quality_analysis_prompt(self, style: str = "quality_v2_prompt") -> str:
         """获取聊天质量分析提示词模板"""
         prompts_config = self._get_group("prompts").get("quality_analysis_prompts", {})
         prompt = prompts_config.get(style, "")
@@ -299,6 +299,22 @@ class ConfigManager:
             return prompt
         return ""
 
+    def set_quality_analysis_prompt(self, prompt: str):
+        """设置聊天质量分析提示词模板"""
+        prompts = self._ensure_group("prompts")
+        if "quality_analysis_prompts" not in prompts:
+            prompts["quality_analysis_prompts"] = {}
+        prompts["quality_analysis_prompts"]["quality_v2_prompt"] = prompt
+        self.config.save_config()
+
+    def get_quality_summary_prompt(self, style: str = "quality_summary_prompt") -> str:
+        """获取聊天质量汇总分析提示词模板"""
+        prompts_config = self._get_group("prompts").get("quality_analysis_prompts", {})
+        prompt = prompts_config.get(style, "")
+        if prompt:
+            return prompt
+        return ""
+
     def set_topic_analysis_prompt(self, prompt: str):
         """设置话题分析提示词模板"""
         prompts = self._ensure_group("prompts")
@@ -307,6 +323,14 @@ class ConfigManager:
         prompts["topic_analysis_prompts"]["topic_prompt"] = prompt
         self.config.save_config()
 
+    def set_quality_summary_prompt(self, prompt: str):
+        """设置聊天质量汇总分析提示词模板"""
+        prompts = self._ensure_group("prompts")
+        if "quality_analysis_prompts" not in prompts:
+            prompts["quality_analysis_prompts"] = {}
+        prompts["quality_analysis_prompts"]["quality_summary_prompt"] = prompt
+        self.config.save_config()
+
     def set_user_title_analysis_prompt(self, prompt: str):
         """设置用户称号分析提示词模板"""
         prompts = self._ensure_group("prompts")