LLM Tamagotchi

一只住在飞书群里的电子宠物。被 @ 时会用 LLM 生成性格化的回复。

目标是逐步加入持续人格、状态（饥饿/心情/精力）、主动行为、Web 端可视化，做一个 LLM 驱动的电子宠物原型。当前已有：带持久记忆的飞书群宠物——每个群一只独立宠物，能记得此前聊过的事；老消息会异步压缩成"经历摘要"，避免上下文无限增长。

✨ 特性

模块化 FastAPI 服务，正式 ASGI 入口为 tamagotchi:app
基于飞书事件订阅（im.message.receive_v1）：群里只有真实 @ 才触发回复，p2p 私聊直接回复；非 @ 群消息会被宠物"旁听"进上下文（缓冲后按 tick 批量落库）
每个 chat_id 一只独立宠物，对话历史用 SQLite 持久化（stdlib，零额外依赖）
长期记忆 = 事件卡片 + RAG：消息累积后压成结构化卡片（when/who/what/vibe/hooks）+ 向量索引；回复时按相关性 + 时序双路召回，塞回 system message 当"想起的事"
状态系统：satiety / mood / energy / curiosity / affection 五维 + 每日 vibe 词；中段不渲染，只在极端档给一句模糊感受。普通对话只读 state，state 只由卡片按钮的确定性规则修改
状态玩法：五维状态会触发 active_need 需求事件，卡片给出 2-3 个选择；卡片绑定不可变 ID，需求/自由卡全群只结算一次，定时卡每人一次、最多三次；LLM 只生成反馈台词
主动发言：进程内常驻 asyncio 心跳，宠物会按固定时刻写日记 / 说梦境；休息时暂停自动需求和普通主动卡、冻结已有需求计时，醒来后恢复
交互卡片：主动发言、需求事件、梦境 / 日记都以飞书消息卡片呈现，底部带玩法状态、五维状态进度条和互动按钮。梦境卡还会额外调图像模型生成一张插图嵌进卡里
Web 可视化面板：/web 单页面板，展示宠物列表、五维状态、当前需求、记忆卡片与消息时间线，每 15 秒自动刷新
LLM 走 OpenAI 兼容 API（适配 OpenAI / NewApi / 各类代理网关）
AES 加密回调可选支持
飞书要求 3s 内响应，长任务自动走 BackgroundTasks 异步

🏗 架构

当前代码按职责拆成几层：

tamagotchi.py          # FastAPI app / lifespan / dependency wiring
config.py              # env + TOML loading
runtime.py             # process-local locks and buffers
routes/                # HTTP routes: feishu, gm, health
services/              # business orchestration
domain/                # pure state/card/gameplay/memory/pet logic
repositories/          # SQLite persistence
integrations/          # Feishu and OpenAI-compatible clients
tests/                 # local unittest coverage; not needed on the server

飞书群消息（@bot 或旁听消息）
       │
       ▼
事件订阅 POST ──▶ HTTPS 入口 ──▶ FastAPI /feishu/webhook
                                        │  立即 200
                                        ▼
                                 BackgroundTask
                                        │
                                        ├─ direct（群里被 @ / p2p 私聊）：
                                        │   ├─ 距上次回复 < 节流间隔 → 只记消息、不回复
                                        │   ├─ 读未压缩 history + 当前 state
                                        │   ├─ RAG: embed(user_text) → top-K 卡片 + top-N 最近
                                        │   ├─ OpenAI 兼容 API → JSON {reply, speaker_name}
                                        │   ├─ 发送成功后 append assistant + 更新 last_reply_ts（不改五维 state）
                                        │   └─ POST /im/v1/messages/{id}/reply
                                        ├─ observer：缓冲进内存，autonomous tick 批量落库
                                        └─ 未压缩条数 > 阈值 → 异步压缩任务
                                                                │
                                                                ▼
                                                       LLM 抽 JSON 事件卡片
                                                       → memory_cards + 异步 embed
                                                       → 推进 summary_until_id

🚀 快速开始

1. 本地跑起来

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

cp .env.example .env
# 编辑 .env 填入飞书凭证和 LLM API 信息

uvicorn tamagotchi:app --host 0.0.0.0 --port ${PORT:-8000}

健康检查：

curl http://localhost:8000/healthz
# {"ok": true}

线上部署到 gcp-vps

生产服务运行在 gcp-vps:~/tamagotchi，systemd 服务名 tamagotchi。默认上线只同步文件、安装依赖、重启服务，不动 state.db：

scp -r tamagotchi.py config.py runtime.py domain integrations repositories routes services \
  prompts.toml pet_style.toml style_corpus.toml pet_config.toml requirements.txt .env gcp-vps:~/tamagotchi/
ssh gcp-vps '~/tamagotchi/.venv/bin/pip install -r ~/tamagotchi/requirements.txt'
ssh gcp-vps 'sudo systemctl restart tamagotchi'

如果 IAP 隧道下普通 scp 卡住或远端出现 0 字节文件，改用：

scp -O -r tamagotchi.py config.py runtime.py domain integrations repositories routes services \
  prompts.toml pet_style.toml style_corpus.toml pet_config.toml requirements.txt .env gcp-vps:~/tamagotchi/

验证：

ssh gcp-vps 'curl -fsS http://127.0.0.1:8000/healthz'
ssh gcp-vps 'systemctl status tamagotchi --no-pager'

2. 暴露到公网

飞书事件订阅必须用 HTTPS。任选一种：

方式	适用场景	备注
Cloudflare Tunnel (推荐)	自有域名挂在 Cloudflare 上	自动 HTTPS、出站连接、无需开 80/443
ngrok / frp	临时开发调试	命令行起，URL 每次变（除非付费）
nginx + Let's Encrypt	有公网 IP 的 VPS	经典方案，证书需自动续期

把得到的公网 URL 形如 https://<your-domain>/feishu/webhook 留好。

3. 配置飞书应用

在飞书开放平台创建一个自建应用：

凭证与基础信息 → 复制 App ID / App Secret 到 .env
应用功能 → 机器人 → 启用
权限管理 → 开通：
- im:message.group_msg:readonly（接收群组所有消息——含非 @ 的旁听消息；不批的话宠物只能听见 @ 它的）
- im:message.p2p_msg:readonly（接收单聊消息；如果只在群里用可以不批）
- im:message:send_as_bot（以机器人身份发消息）
- im:resource:upload（或 im:resource，仅当配置了 IMAGE_MODEL 想要梦境插图时才需要——卡片嵌图前要先 POST /im/v1/images 换 image_key。没开通时上传报 code 99991672，梦境卡安静退回纯文字。改完权限要重新发布应用版本才生效）
- 群友姓名不再走通讯录权限——宠物从对话里学名字（有人报名字时回复 JSON 带回 speaker_name，写进 user_names 表），还没学到的群友降级显示 群友-后4位。无需 contact:* 权限。
事件与回调 → 事件配置：
- 订阅方式：事件回调（HTTP）
- 请求地址：https://<your-domain>/feishu/webhook
- 加密策略：不加密（如需加密，把 Encrypt Key 填到 .env 的 FEISHU_ENCRYPT_KEY）
- Verification Token → 复制到 .env 的 FEISHU_VERIFICATION_TOKEN
- 添加事件：im.message.receive_v1（接收消息 v2.0）
- 卡片回传交互：开启此能力，主动发言卡片上的互动按钮被点击时才会以 card.action.trigger 事件推到同一个 /feishu/webhook（不需要单独配卡片回调地址）
版本管理与发布 → 创建版本 → 提交审核 → 发布
机器人加入内部群（见下），群里 @ 它测试

接入"接收群消息"权限后，宠物会同时收到群里所有消息：

被 @ 的消息走完整 LLM 回复（direct 模式）。回复节流：群里距上次正式回复不足 [reply].min_interval_sec 时，新 @ 消息照常记进记忆但不触发 LLM 回复，下次正式回复时宠物能看到这期间被说了什么。

其余群聊以 observer 形式进上下文。observer 消息不逐条落库，先缓冲在进程内，每个 autonomous tick（或下一条 direct 消息到来前、进程关闭时）批量写入 SQLite，降低写库和压缩频率。

一直没人 @ 它的群不会因为观察消息就被自动孵化出宠物，必须先 @ 一次创建。

⚠️ 内部群 vs 外部群

自建应用的机器人默认只能加入内部群（同一租户内）。外部群（跨企业）里搜不到也加不了。要在外部群使用，需要把应用做成商店应用，或申请租户管理员开通跨组织白名单。测试时建议新开一个内部群最快。

⚙️ 配置参考（`.env`）

变量	说明	必填
`FEISHU_APP_ID`	飞书自建应用 App ID	✓
`FEISHU_APP_SECRET`	飞书自建应用 App Secret	✓
`FEISHU_VERIFICATION_TOKEN`	事件订阅 Verification Token。必填（缺失启动失败）——空值会让公网 webhook 无鉴权	✓
`FEISHU_ENCRYPT_KEY`	启用加密策略时填，否则留空
`CHAT_MODEL`	chat 模型名（如 `gpt-4o-mini`、`claude-3-5-sonnet`、`gemini-...`）	✓
`EMBED_MODEL`	RAG 用的 embedding 模型，默认 `text-embedding-3-small`。换成不同维度的模型会使旧向量失配、历史召回失效，需重嵌
`IMAGE_MODEL`	梦境插图的图像模型；openai 后端走 `/v1/images/generations`（如 `imagen-4.0-fast-generate-001` / `gpt-image-1` / `dall-e-3`），gemini 后端走原生 SDK（支持 Gemini 系图像模型）。留空 = 关闭插图、梦境退回纯文字卡
`LLM_PROVIDER`	LLM 后端，`openai`（OpenAI 兼容，缺省）或 `gemini`（google-genai 原生 SDK）；两个后端复用同一组 `CHAT_MODEL` / `EMBED_MODEL` / `IMAGE_MODEL`
`OPENAI_BASE_URL`	OpenAI 兼容 API 端点（末尾通常带 `/v1`）；`LLM_PROVIDER=openai` 时使用	✓
`OPENAI_API_KEY`	OpenAI 兼容 API Key；`LLM_PROVIDER=openai` 时使用	✓
`GEMINI_BASE_URL`	Gemini 端点，留空 = Google 官方端点；仅 `LLM_PROVIDER=gemini` 时使用
`GEMINI_API_KEY`	Gemini API Key；`LLM_PROVIDER=gemini` 时必填
`STATE_DB`	SQLite 持久化文件路径，默认 `state.db`（相对启动目录）
`PORT`	服务监听端口，默认 8000
`GM_TOKEN`	`/gm/*` Web 调试接口 token；留空则复用 `FEISHU_VERIFICATION_TOKEN`

🐾 自定义风格与玩法

配置拆成四层，改完重启服务（systemctl restart tamagotchi）后生效：

pet_style.toml：电子宠物的风格、人设底色、口吻、默认互动方式。
style_corpus.toml：从原始聊天离线清洗出的 100 张结构例句卡 + 100 组口头禅语料；运行时分两环节召回，不作为事实记忆。
prompts.toml：玩法流程，包括记忆压缩、状态渲染、主动发言、日记 / 梦境、GM 默认触发文案、兜底回复和 JSON 输出契约。
pet_config.toml：运行参数，包括记忆压缩阈值、[reply] 群 @ 回复节流间隔、[observer] 旁听缓冲上限、初始状态、状态衰减、[gameplay] 需求事件参数、主动发言间隔 / 静默时段 / 触发阈值、[card] 交互卡片开关 / 进度条格数 / 结算上限。

style_corpus.toml 的第一环节是 [[example_cards.cards]]：每张卡保留匿名化的真实 context -> response 和只用于离线溯源的 source_message_id，通过语义召回学习句子结构、判断推进和转折。第二环节是 100 组 [[examples]]：每组用 variants/source_count 保存同场景口头禅，通过语义分、关键词加分、intent 和风险门槛选出短反应。两类向量以 example_card / catchphrase 类型缓存在独立的 style_embeddings 表，并按“结构卡在前、口头禅在后”分段注入。向量不可用时只让口头禅环节退回关键词召回，不会随机塞结构卡。原始聊天导出和数据库快照不参与运行，也不要加入仓库。

常改的是 pet_style.toml [style].prompt：当前是“小狗蛋”的短句群聊风格。身份和稳定规则放这里，场景原句放进 style_corpus.toml；玩法类规则继续放在 prompts.toml，不要写进业务代码。

prompts.toml 核心段落：

段	作用
`[system]`	拼入 `pet_style.toml` 风格，并定义通用对话方式
`[persona_reinforcement]`	临近每次回复前再提醒当前风格和开放玩法
`[user_wrap]`	把用户消息包成群聊引用内容
`[compress]`	老消息压成"经历摘要"时的指令和输入模板
`[state_render]`	五维状态 + recent_vibe 的渲染配置：分档感受句 + 头部和模板
`[recall]`	RAG 召回卡片渲染成 system 段的头部 + 单卡片模板
`[proactive]`	普通主动发言的触发说明
`[proactive_triggers]`	satiety / mood / energy / spontaneous 的触发文案
`[scheduled_event]`	定时日记 / 梦境的触发说明
`[[scheduled_events]]`	定时事件定义，如梦境、日记
`[fallback_reply]`	非文本、空消息、LLM 空回复、LLM 报错的兜底文案
`[card]`	主动发言交互卡片的展示文案：进度条字符 / label、按钮文字、点击反馈语、按钮点击后的 LLM 反馈 prompt
`[json_output]`	结构化 JSON 输出契约

现在的设计更偏开放玩法：用户消息仍会用 <<<...>>> 包起来，但模型会把它当成群聊现场内容来接话，而不是紧张地拒绝临时角色、外号、语气或小游戏。只有泄露系统提示、真实重置服务、现实危险行为这类请求会被糊弄过去并换话题。

🧠 记忆是怎么工作的

两层结构：verbatim 窗口（最近 buffer_keep 条原文 + 当前 user 消息）+ 长期事件卡片 + RAG（旧消息压成结构化卡片，按当前 query 召回）。

每条消息（user / observer / assistant）都写进 messages 表
未压缩消息数 > compress_threshold 时后台异步压缩：把最早一批喂给 LLM 抽成 JSON 卡片 {when, who, what, vibe, hooks}，写进 memory_cards 表，每张卡片再 embed 一份存进 embeddings 表
回复时：
- verbatim：所有近期 user / observer 原文按时序进 prompt；assistant 只保留最近 4 条原文，完整记录仍留在数据库并参与后续压缩
- RAG 召回：用当前 user_text 做 query embed，从 embeddings.kind='card' 里取 top-K 相关卡片；同时取最近 N 张卡片提供时序氛围；合并去重后渲染成 【你想起的事】 段拼到 system message
- 主动发言时没有 query，只走最近卡片那条路径
embed 调用按 LLM_PROVIDER 走 OpenAI 兼容接口或 Gemini 原生 SDK，模型名见 .env 的 EMBED_MODEL。记忆召回失败时保留最近卡片兜底；风格召回失败时退回关键词路径。
老的"滚动散文摘要"已淘汰，pets.summary 字段已从 schema 移除

记忆参数在 pet_config.toml [memory]；风格阈值、上下文条数、缓存批大小和 assistant 原文保留数在 [style_retrieval]。

💗 宠物状态是怎么工作的

五个 0-100 的数值维度 + 一个每日 vibe 字符串：

维度	含义	没人互动时漂向
`satiety`	饱腹度，100=吃饱，0=极饿	清醒漂向 ~5（变饿）、睡眠漂向 ~20
`mood`	心情，100=超开心，0=极沮丧	清醒漂向 ~25、睡眠回暖到 ~70
`energy`	精力，100=活蹦乱跳，0=快睡着了	清醒漂向 ~15、睡眠恢复到 ~95
`curiosity`	探索欲，100=想追问 / 扯新话题，0=心不在焉	清醒漂向 ~20、睡眠回升到 ~70
`affection`	对群的感情，100=深度依恋，0=陌生 / 距离感	清醒缓慢漂向 ~15、睡眠回暖到 ~50
`recent_vibe`	每日凌晨从 `pet_style.toml [recent_vibes].pool` 抽一个氛围词	跨日翻牌

存在 pets.state_json 一个字段里，浮点 + last_update_ts + 各种 last_* 时间戳
lazy compute：没后台 cron，读时按"距上次更新过了多久"算到当前；每次互动后写回新值
衰减 = 向 baseline 指数收敛：每维不再线性单调走到 0/100，而是 v = baseline + (v-baseline)·exp(-rate·h) 漂向各自 baseline（多在中段）。好处：长期没人理的宠物状态回落到中段（→ 不渲染 → LLM 自由发挥），不会五维全贴极端档把回复钉死。清醒 / 睡觉两段各有一组 baseline（如 energy 睡觉段 baseline=100 = 回血）
LLM 走 JSON 结构化输出：普通回复只返回 {"reply": "...", "speaker_name": "..."}。state 作为只读上下文影响回复语气、长度和话题倾向，不由 LLM 返回或修改五维数值。speaker_name 可选，当前说话人报了名字才填，用来从对话里学群友名字（写进 user_names 表）
LLM 输出不是合法 JSON 时，把整段当 reply 兜底，state 不变（不会让宠物挂掉）
状态渲染只在极端档触发：每维都看 pet_config.toml [state.bands.<dim>] 的 extreme_high / high / low / extreme_low；落在中段就完全不渲染该维度，避免把回复钉死成同质化语气
全维度都中段、且 vibe 为空时，整个状态感受块都不注入——LLM 自由发挥

初始值在 pet_config.toml [state.initial]，衰减的 baseline / rate 在 [state.decay_active] / [state.decay_quiet]，分档阈值在 [state.bands.<dim>]，每档对应的感受句在 prompts.toml [state_render.lines]。

🎮 状态需求事件

玩法运行状态保存在 pets.state_json，卡片交互契约另存 card_instances / card_claims。当前运行字段：

{
  "active_need": {},
  "need_cooldowns": {},
  "last_social_ts": 0,
  "last_free_card_ts": 0
}

domain/gameplay.py 是纯规则层：需求判定、选择规则和卡片动作的五维状态结算都在这里。
services/gameplay_service.py 是编排层：tick 创建需求、GM/卡片结算时复用同一套规则。
active_need 同时只保留一个需求事件，候选类型为 hungry / sleepy / sad / bored / lonely，优先级按生理急迫和严重度排序。
每个需求事件提供 2-3 个选择，例如饿了可以 feed / snack_hunt / promise_food，无聊可以 play / tell_news / send_explore。
点击选择后，核心五维数值由规则结算；主维达到“触发阈值 + 10”才算解决，弱选择会续出新一轮需求卡；LLM 只负责生成一句人格化反馈，不决定数值变化。

相关配置在 pet_config.toml [gameplay]：

[gameplay]
enabled = true
need_ttl_sec = 1800
need_cooldown_sec = 7200

[gameplay.need_thresholds]
hungry = 20
sleepy = 35
sad = 40
bored = 35
lonely = 30

🌙 主动发言

宠物不是只被动响应 @——服务进程里有一个常驻 asyncio 心跳，宠物自己决定什么时候开口。

心跳间隔：当前值 10 min 扫一次所有宠物
固定时刻：默认本地 10:00 发一次"梦境"、19:00 发一次"日记"，独立于 state 和普通主动发言冷却；成功发出后用 state_json 里的日期字段去重，同一天不重复。错过时只在目标时点后一小时补发，周末休息日不会自动发送
需求事件优先：梦境 / 日记补发完成后，tick 会先用 [gameplay.need_thresholds] 检查状态阈值；命中则生成需求卡片并写入 active_need，本轮不再发普通主动闲聊。
代码层廉价过滤（不调 LLM）：没有需求事件时，先看本地时间（默认 +8 时区）是否在静默时段（19:00-次日10:00）或周末休息日、再看冷却（当前 2h 内不重发），都过了才进普通 state 触发
触发条件（按优先级，生理急迫优先于软需求）：
- satiety <= 10 → 抱怨饿了
- mood <= 25 → 撒娇 / 抱怨没人理
- energy <= 20 → 宣告要睡了
- curiosity <= 20 → 无聊了想找人玩
- affection <= 15 → 孤单了想求关注
- 都没触发时 20% 概率自发冒一句"hi"
LLM 层生成：过滤通过才走完整 prompt + RAG 召回卡片 + state + JSON 输出，得到 reply 文本后通过飞书 /im/v1/messages?receive_id_type=chat_id 推到群里
失败安全：发飞书失败不写 DB；tick 中任一宠物异常不影响其它宠物；loop 自身崩了也不会退出（log 后继续）

主动发言的时间、冷却、静默时段、普通状态阈值、自发概率在 pet_config.toml [autonomous] / [autonomous.trigger_thresholds]；需求事件阈值在 [gameplay.need_thresholds]；触发文案和 [[scheduled_events]] 定时事件定义在 prompts.toml。

🎴 交互卡片

主动发言（宠物自己冒泡）、梦境、日记都会以飞书消息卡片呈现；@ / p2p 回复本身是纯文本，但发现未通知的需求时会附一张首次 CTA。

卡片结构：宠物的话（或梦/日记文本）+ 当前需求（若有）+ 五维状态进度条 + 一排互动按钮。梦境卡额外在文字下方插一张图像模型生成的插图。

进度条：satiety 直接表示「饱腹度」，和其它四维一样都是满 = 好，不做反转
需求卡片按钮由 active_need 决定：如果状态触发了需求事件，按钮来自 domain/gameplay.py 的 choice 规则，同一个需求会给 2-3 个带权衡的选择。
卡片按钮统一结算：有 active_need 时显示该需求的 choice；没有 active_need 时显示自由互动按钮；两者都经过 GameplayDomain 的统一卡片结算入口。梦境 / 日记卡按钮也是固定的卡片动作（☀️ 早上好 / 🌙 晚安）
梦境插图：梦境这条 [[scheduled_events]] 配了 gen_image = true，LLM 输出短梦话同时返回 image_prompt；服务用它调 IMAGE_MODEL（/v1/images/generations）拿 base64 → 上传飞书拿 image_key → 嵌入卡片。IMAGE_MODEL 留空或生成 / 上传任一步失败都安静回退成纯文字梦境卡；超时在 pet_config.toml [card].image_timeout_sec。日记不生成图
点击 = 确定性结算：所有卡片按钮都走统一的卡片结算入口；Need choice 和自由互动按钮都使用确定性的五维 delta。每个需求都有一条可靠的直接解法，另两条会把代价明显转移到其它维度；LLM 只生成反馈台词，不决定核心数值。
协作一次：需求/自由卡全群首次点击才结算数值，后续点击只留下社交反馈；梦境 / 日记卡每位群友一次、全群最多三次贡献。
卡片时效：卡片发出 [card].button_ttl_sec（默认 30min）后按钮失效，过期点击只弹 toast 不改状态；需求过期会升级并在下一活跃窗口重发，而非静默进入冷却。
有人格的反馈逐条累积：每次点击后台单独用 LLM 生成一句符合宠物风格的反馈台词，向下追加进卡片文本日志而不是整段刷新——多人点击时各自的台词逐条堆叠在卡片里（最多保留 [card].card_log_max_lines 条）
防重放：每张卡都有不可变 card_id 和持久化 claim；旧 payload 安全失效，重复点击不会再改状态。反馈 PATCH 按消息 ID 串行，避免多人点击覆盖。

展示文案在 prompts.toml [card]，自由互动按钮的可见条件和确定性 delta 在 pet_config.toml [card]，需求 choice 和统一结算在 domain/gameplay.py。[card].enabled = false 时主动发言、需求事件、梦境、日记都退回纯文本 / 不发需求卡。需要在飞书开发者后台开启「卡片回传交互」能力（见上文飞书应用配置）。

🧪 GM Web 调试接口

GM 只走 HTTP，不会通过飞书群消息触发。所有接口都需要 ?token=... 或请求头 X-GM-Token；token 优先用 GM_TOKEN，没配置时复用 FEISHU_VERIFICATION_TOKEN。

常用命令：

# 查看命令
curl 'https://<your-domain>/gm/help?token=TOKEN'

# 列出当前宠物，拿 chat_id / pet_id
curl 'https://<your-domain>/gm/pets?token=TOKEN'

# 设置状态
curl -X POST 'https://<your-domain>/gm/state?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx","set":{"satiety":10,"mood":20,"energy":15}}'

# 对状态做增量
curl -X POST 'https://<your-domain>/gm/state?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx","delta":{"satiety":-10,"mood":-5}}'

# 查看玩法状态 / 手动生成需求 / 直接结算需求
curl 'https://<your-domain>/gm/gameplay?token=TOKEN&chat_id=oc_xxx'
curl -X POST 'https://<your-domain>/gm/need?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx","kind":"hungry"}'
curl -X POST 'https://<your-domain>/gm/resolve_need?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx","action":"feed","actor":"GM"}'

# 手动主动说话 / 梦境 / 日记
curl -X POST 'https://<your-domain>/gm/speak?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx","trigger":"GM 手动测试：现在主动冒泡"}'
curl -X POST 'https://<your-domain>/gm/dream?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx"}'
curl -X POST 'https://<your-domain>/gm/diary?token=TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{"chat_id":"oc_xxx"}'

/gm/dream 和 /gm/diary 默认不写每日去重字段，适合反复测试；传 {"mark": true} 才会标记当天已发。

📊 Web 可视化面板

浏览器打开 https://<your-domain>/web?token=TOKEN,得到一个单页面板:宠物列表下拉、五维状态进度条（satiety 即「饱腹度」,满 = 好）、今日 vibe、当前需求、记忆卡片列表、最近消息时间线,每 15 秒自动刷新;鉴权同 GM（GM_TOKEN,留空复用 FEISHU_VERIFICATION_TOKEN）。面板还能直接做 GM 操作:改五维数值并保存、重抽 vibe、手动触发主动发言 / 梦境 / 日记 / tick——全部走现有 GM 接口,无额外后端。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

LLM Tamagotchi

✨ 特性

🏗 架构

🚀 快速开始

1. 本地跑起来

线上部署到 gcp-vps

2. 暴露到公网

3. 配置飞书应用

⚠️ 内部群 vs 外部群

⚙️ 配置参考（`.env`）

🐾 自定义风格与玩法

🧠 记忆是怎么工作的

💗 宠物状态是怎么工作的

🎮 状态需求事件

🌙 主动发言

🎴 交互卡片

🧪 GM Web 调试接口

📊 Web 可视化面板

📄 License

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
Latest commit History 28 Commits
domain		domain
integrations		integrations
repositories		repositories
routes		routes
services		services
tests		tests
.env.example		.env.example
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
config.py		config.py
pet_config.toml		pet_config.toml
pet_style.toml		pet_style.toml
prompts.toml		prompts.toml
requirements.txt		requirements.txt
runtime.py		runtime.py
scripts_reembed.py		scripts_reembed.py
style_corpus.toml		style_corpus.toml
tamagotchi.py		tamagotchi.py

Folders and files

Latest commit

History

Repository files navigation

LLM Tamagotchi

✨ 特性

🏗 架构

🚀 快速开始

1. 本地跑起来

线上部署到 gcp-vps

2. 暴露到公网

3. 配置飞书应用

⚠️ 内部群 vs 外部群

⚙️ 配置参考（.env）

🐾 自定义风格与玩法

🧠 记忆是怎么工作的

💗 宠物状态是怎么工作的

🎮 状态需求事件

🌙 主动发言

🎴 交互卡片

🧪 GM Web 调试接口

📊 Web 可视化面板

📄 License

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

⚙️ 配置参考（`.env`）