nonebot-plugin-amrita 0.1.0.post1

AmritaCore support for NoneBot2

LibAmritaCore

LibAmritaCore：把下一代高性能 Agent 内核，带入 NoneBot2 生态。

介绍

此插件为 NoneBot2 生态提供 AmritaCore 原生支持。 AmritaCore 是一套开源、轻量、高性能的下一代 Agent 运行时内核，提供可中断、可自省、可恢复的现代化 AI 执行环境。

了解更多：

• 📖 官方文档
• 🧩 GitHub

---

快速开始

安装插件

nb plugin install nonebot_plugin_amrita

配置插件

配置均遵循 NoneBot2 标准的配置体系。

Cookie 配置

配置项	类型	默认值	说明
amrita_cookie_enable	bool	False	是否启用 Cookie 鉴权
amrita_cookie	str	随机16位字符串	插件内部安全密钥（启用后自动生成）

功能配置

配置项	类型	默认值	说明
amrita_mcp_enable	bool	False	是否启用 MCP（Model Context Protocol）
amrita_mcp_clients	list[str]	[]	MCP 客户端脚本路径列表
amrita_tool_call_limit	int	15	单轮工具调用最大次数限制

LLM 内存配置

配置项	类型	默认值	说明
amrita_memory_token_limit	int	2048	对话记忆窗口 Token 上限
amrita_memory_length	int	50	最大保留对话条数
amrita_prompt_token_limit	int	256	系统提示词 Token 上限

内置 Agent 行为配置

配置项	类型	默认值	说明
amrita_agent_mode	agent / rag / none	agent	运行模式：智能体 / 检索生成 / 纯对话
amrita_agent_thought_mode	reasoning / chat / ...	reasoning	思考模式：推理 / 对话 / 强制推理 / 可选推理

高性能缓存配置

配置项	类型	默认值	说明
amrita_metadata_cache_size	int	2048	用户元数据缓存大小
amrita_memory_cache_size	int	512	用户记忆缓存大小
amrita_lockpool_size	int	1024	并发锁池大小（支持动态 resize）

---

配置示例（.env）

AMRITA_COOKIE_ENABLE=true
AMRITA_MCP_ENABLE=true
AMRITA_MCP_CLIENTS='["client1","client2"]'
AMRITA_TOOL_CALL_LIMIT=20
AMRITA_MEMORY_TOKEN_LIMIT=3072
AMRITA_MEMORY_LENGTH=100
AMRITA_PROMPT_TOKEN_LIMIT=512
AMRITA_AGENT_MODE=agent
AMRITA_AGENT_THOUGHT_MODE=reasoning

---

开发指南

基本使用

导入核心组件

from nonebot_plugin_amrita.agent import AgentSession, SessionDepends
from amrita_core import AmritaConfig, ModelPreset, PresetManager
from amrita_core.types import Message

创建 Agent Session

有两种方式创建 AgentSession：

方式一：使用依赖注入装饰器

from nonebot import on_command
from nonebot.params import Depends

matcher = on_command("chat")

@matcher.handle()
async def handle_chat(
    session: AgentSession = SessionDepends(
        train={"system": "你是一个助手"},
        config=None,  # 使用默认配置或传入自定义 AmritaConfig
        preset=None,  # 使用默认预设或传入自定义 ModelPreset
    )
):
    async with session as agent:
        response = await agent.chat("你好")
        await matcher.send(response.content)

方式二：手动加载

from nonebot.adapters import Event

@matcher.handle()
async def handle_chat(event: Event):
    async with await AgentSession.load_from(
        id_or_event=event,
        train={"system": "你是一个助手"},
        config=None,
        preset=None,
    ) as agent:
        response = await agent.chat("你好")
        await matcher.send(response.content)

核心 API

AgentSession

AgentSession 继承自 AmRuntime，提供以下核心方法：

• **load_from(id_or_event, train, config, preset, **kwargs)**: 类方法，从事件或字符串 ID 加载会话

  • id_or_event: Event 对象或字符串 ID（推荐使用 event.get_session_id()）
  • train: 训练数据，可以是 Message[str] 或 dict[str, str]
  • config: AmritaCore 配置，为 None 时使用全局配置
  • preset: 模型预设，为 None 时使用默认预设

• **chat(input, **kwargs)**: 发送消息并获取响应

• save_context(): 手动保存上下文到数据库

• get_chatobject(input, **kwargs): 获取 ChatObject 实例（内部使用）

SessionDepends

依赖注入辅助函数，用于在 NoneBot2 处理器中自动注入 AgentSession 实例。

参数与 AgentSession.load_from 相同。

数据持久化

插件自动管理以下数据的持久化：

1. 用户记忆 (Memory): 存储对话历史和上下文
2. 用户元数据 (Metadata): 记录 Token 使用量、调用次数等统计信息
3. 会话归档 (Sessions): 历史会话快照（保留最近 20 条）
4. 全局统计 (Insights): 每日全局使用情况

所有数据通过 CachedUserDataRepository 进行缓存，支持：

• LRU 缓存策略
• 线程安全的并发锁机制
• 脏标记追踪（仅保存变更数据）

并发控制

插件实现了多层锁机制确保数据一致性：

• 数据库锁: 基于 user_id 的细粒度锁，防止并发写入冲突
• Session 锁: 基于 session_id 的操作锁，确保同一会话的串行化处理
• 动态锁池: 使用 WeakValueLRUCache 实现可动态调整的锁池（默认容量 1024）

性能优化建议

1. 复用 Session: 同一用户的多次请求应使用相同的 session_id，避免重复加载数据
2. 合理使用缓存: 调整 amrita_metadata_cache_size 和 amrita_memory_cache_size 以平衡内存占用和性能
3. 批量操作: AgentSession 的上下文管理器会在退出时批量保存使用量统计，建议使用 async with 语法
4. 限制工具调用: 根据实际需求设置 amrita_tool_call_limit，避免过度消耗资源

监控与调试

查看统计数据

from nonebot_plugin_amrita.database import InsightsModel

# 获取今日统计
insights = await InsightsModel.get()
print(f"今日输入 Token: {insights.token_input}")
print(f"今日输出 Token: {insights.token_output}")
print(f"今日调用次数：{insights.usage_count}")

# 获取历史统计（最近 7 天）
all_insights = await InsightsModel.get_all(expire_days=7)

查看用户使用排名

from nonebot_plugin_amrita.database import UserDataExecutor

top_users = await UserDataExecutor.get_top_users(limit=10)
for user in top_users:
    print(f"用户：{user.user_id}, 调用次数：{user.called_count}")

常见问题

Q: 如何区分不同聊天场景？

A: 使用 event.get_session_id() 作为唯一标识。

Q: 如何清理用户数据？

A: 通过数据库操作清理（需自行引入 ORM）：

from nonebot_plugin_orm import get_session
from nonebot_plugin_amrita.database import Memory, UserMetadata, MemorySessions

async with get_session() as session:
    # 删除特定用户的记忆
    await session.execute(delete(Memory).where(Memory.user_id == "user_id"))
    # 删除元数据
    await session.execute(delete(UserMetadata).where(UserMetadata.user_id == "user_id"))
    # 删除会话归档
    await session.execute(delete(MemorySessions).where(MemorySessions.user_id == "user_id"))
    await session.commit()

Q: 如何自定义模型预设？

A: 创建自定义 ModelPreset 并传入：

from amrita_core import ModelPreset

custom_preset = ModelPreset(
    name="custom",
    model_name="gpt-4",
    # ... 其他参数
)

async with await AgentSession.load_from(
    event,
    train={"system": "..."},
    preset=custom_preset
) as agent:
    ...

---

特别说明（重要）

1. AmritaCore 与 NoneBot2 DI 系统不兼容 两者为完全独立的依赖注入设计。 AmritaCore 注入属于 Agent 运行时内核层，与 NoneBot2 无关。

2. 本插件数据库与 AmritaBot 完全隔离 不共享表名、不共享数据、不互相依赖，仅同源设计。

3. 本插件不依赖 AmritaBot 可独立安装、独立运行、独立部署。

开发者说明

请注意，在 NoneBot2 环境中使用本插件时，Session 应被当作用户唯一标识使用（即通过 event.get_session_id() 获取），而非某个 Session 归档的 ID，避免因标识混淆导致的用户数据错乱。