refactor llm

src/classes/ai.py

@@ -11,7 +11,6 @@ from src.classes.world import World
 from src.classes.event import Event, NULL_EVENT
 from src.utils.llm import call_ai_action
 from src.classes.typings import ACTION_NAME_PARAMS_PAIRS
-from src.utils.config import CONFIG
 from src.classes.actions import ACTION_INFOS_STR
 
 if TYPE_CHECKING:
@@ -20,8 +19,6 @@ if TYPE_CHECKING:
 class AI(ABC):
     """
     抽象AI：统一采用批量接口。
-    原先的 GroupAI（多个角色的AI）语义被保留并上移到此基类。
-    子类需实现 _decide(world, avatars) 返回每个 Avatar 的 (action_name, action_params, thinking)。
     """
 
     @abstractmethod
@@ -31,24 +28,14 @@ class AI(ABC):
     async def decide(self, world: World, avatars_to_decide: list[Avatar]) -> dict[Avatar, tuple[ACTION_NAME_PARAMS_PAIRS, str, str, Event]]:
         """
         决定做什么，同时生成对应的事件。
-        一个 AI 支持批量生成多个 avatar 的动作。
-        这对 LLM AI 节省时间和 token 非常有意义。
+        由于底层 LLM 调用已接入全局任务池，此处直接并发执行所有任务即可。
         """
-        results = {}
-        max_decide_num = CONFIG.ai.max_decide_num
-        
-        # 使用 asyncio.gather 并行执行多个批次的决策
-        tasks = []
-        for i in range(0, len(avatars_to_decide), max_decide_num):
-             tasks.append(self._decide(world, avatars_to_decide[i:i+max_decide_num]))
-             
-        if tasks:
-            batch_results_list = await asyncio.gather(*tasks)
-            for batch_result in batch_results_list:
-                results.update(batch_result)
+        # 调用具体的决策逻辑
+        results = await self._decide(world, avatars_to_decide)
 
-        for avatar, result in list(results.items()):
-            action_name_params_pairs, avatar_thinking, short_term_objective = result  # type: ignore
+        # 补全 Event 字段
+        for avatar in list(results.keys()):
+            action_name_params_pairs, avatar_thinking, short_term_objective = results[avatar]  # type: ignore
             # 不在决策阶段生成开始事件，提交阶段统一触发
             results[avatar] = (action_name_params_pairs, avatar_thinking, short_term_objective, NULL_EVENT)
 
@@ -57,18 +44,14 @@ class AI(ABC):
 class LLMAI(AI):
     """
     LLM AI
-    一些思考：
-    AI动作应该分两类：
-        1. 长期动作，比如要持续很长一段时间的行为
-        2. 突发应对动作，比如突然有人要攻击NPC，这个时候的反应
     """
 
     async def _decide(self, world: World, avatars_to_decide: list[Avatar]) -> dict[Avatar, tuple[ACTION_NAME_PARAMS_PAIRS, str, str]]:
         """
         异步决策逻辑：通过LLM决定执行什么动作和参数
-        改动：支持每个角色仅获取其已知区域的世界信息，并发调用 LLM。
         """
         general_action_infos = ACTION_INFOS_STR
+        
         async def decide_one(avatar: Avatar):
             # 获取基于该角色已知区域的世界信息（包含距离计算）
             world_info = world.get_info(avatar=avatar, detailed=True)
@@ -86,6 +69,7 @@ class LLMAI(AI):
             res = await call_ai_action(info)
             return avatar, res
 
+        # 直接并发所有任务
         tasks = [decide_one(avatar) for avatar in avatars_to_decide]
         results_list = await asyncio.gather(*tasks)
         
@@ -96,20 +80,20 @@ class LLMAI(AI):
                 
             r = res[avatar.name]
             # 仅接受 action_name_params_pairs，不再支持单个 action_name/action_params
-            raw_pairs = r["action_name_params_pairs"]
+            raw_pairs = r.get("action_name_params_pairs", [])
             pairs: ACTION_NAME_PARAMS_PAIRS = []
+            
             for p in raw_pairs:
                 if isinstance(p, list) and len(p) == 2:
                     pairs.append((p[0], p[1]))
                 elif isinstance(p, dict) and "action_name" in p and "action_params" in p:
                     pairs.append((p["action_name"], p["action_params"]))
                 else:
-                    # 跳过无法解析的项
                     continue
             
             # 至少有一个
             if not pairs:
-                raise ValueError(f"LLM未返回有效的action_name_params_pairs: {r}")
+                continue # Skip if no valid actions found
 
             avatar_thinking = r.get("avatar_thinking", r.get("thinking", ""))
             short_term_objective = r.get("short_term_objective", "")
@@ -117,4 +101,4 @@ class LLMAI(AI):
             
         return results
 
-llm_ai = LLMAI()
+llm_ai = LLMAI()