基于 NoneBot2 和 LangGraph 的智能 QQ 机器人，支持多模型对话、工具调用和会话管理
工具均采用 Function-calling 编写, 不使用插件，参考 OpenAI Function Calling , LangChain Tools
- 🔌 丰富的工具集成： 代码运行、天气查询、占卜、绘画等
- 🤖 支持多种大模型： OpenAI、Google Gemini、Groq 等
- 💬 完善的对话管理： 群聊/私聊、多轮对话、会话隔离
- 🎯 灵活的触发方式： @、关键词、命令前缀
- 🎨 多媒体能力： 图片分析、音视频处理
- ⚡ 自动的会话管理： 超时清理、并发控制
- 🦖 强大的扩展能力： 可自行编写 tools，可使用 tools 控制 nonebot
- Docker 和 Docker Compose
- 稳定的网络环境
- 建议系统：Ubuntu 22.04 及以上, Debian 11 以上
注意: deepseek模型开启工具不要超过5个，并且提示词尽可能少，否则ds会疯狂调用工具给你刷爆，要不就不调用工具玩个寂寞。
# 1. 克隆项目
git clone https://github.com/Mgrsc/LLMQ-Horizon.git
cd LLMQ-Horizon
# 2. 准备配置文件
cp config-tools.toml.example config-tools.toml
cp config.toml.example config.toml
cd napcat/config/
mv onebot11_qq.json onebot11_<你的QQ>.json # 替换为实际 QQ 号
# 3. 修改配置(参考配置文件中的注释进行修改)
vim config.toml
vim config-tools.toml
# 4. 启动服务
docker compose up -d
# 5. 扫码登录
docker compose logs -f
# 重启 LLMQ 服务
docker compose restart llmq
# 停止所有服务
docker compose down💻 代码运行 (Code Runner - Judge0)
-
准备 Ubuntu 22.04 以上环境及 Docker，配置 cgroup v1：
sudo sed -i 's/GRUB_CMDLINE_LINUX=""/GRUB_CMDLINE_LINUX="systemd.unified_cgroup_hierarchy=0"/' /etc/default/grub sudo update-grub sudo reboot -
部署 Judge0：
wget https://github.com/judge0/judge0/releases/download/v1.13.1/judge0-v1.13.1.zip unzip judge0-v1.13.1.zip cd judge0-v1.13.1 # 生成两个密码并设置密码 openssl rand -hex 32 # 使用生成的密码更新 judge0.conf 文件中的 REDIS_PASSWORD 和 POSTGRES_PASSWORD 变量。 # 启动服务 docker-compose up -d db redis sleep 10s docker-compose up -d sleep 5s
您的 Judge0 CE v1.13.1 实例现已启动并运行；访问 http://<您的服务器 IP 地址>:2358/docs 获取文档。
-
配置 config-tools.toml：
[code_generation_running] judge0_url = "http://your-server:2358" judge0_api_key = "your-api-key"
📝 备忘录 (memos_manage - Memos)
-
准备环境：
- Ubuntu 22.04 及以上
- Docker 和 Docker Compose
-
编写 docker-compose.yaml 文件
services: memos: image: neosmemo/memos:stable container_name: memos ports: - 5230:5230 volumes: - ./memos:/var/opt/memos restart: always
-
启动服务：
docker compose up -d此时就可以在 http://<您的服务器 IP 地址>:5230 访问到 memos，在 memos 中的 Settings 中获取 Tokens。
- 配置 config-tools.toml：
[memos_manage]
url = "http://your-server:5230"
memos_token = "your-memos-token" # 从 Settings 页面获取的 Token
default_visibility = "PRIVATE"
page_size = 10
user_id = 6📰 新闻获取 (get_news - SynapseNews)
- 部署步骤：
git clone https://github.com/Mgrsc/SynapseNews.git
cd synapsenews
# 配置 config.toml
docker compose up -d| 命令 | 说明 |
|---|---|
/chat model <模型名> |
切换对话模型 |
/chat clear |
清理所有会话 |
/chat group <true/false> |
开关群聊隔离 |
/chat down |
关闭对话功能 |
/chat up |
开启对话功能 |
/chat chunk <true/false> |
开关分段发送 |
1. 基本原则
- 明确指令: 使用命令式语言明确陈述用户的需求,确保LLM能精确理解。
- 提供参考例子/文本：提供详尽例子和信息,构成Few-shot-Prompt,帮助LLM加强意图的理解。
- 结构化表达：使用标记符号(如XML标签、三引号、Markdown)增强可读性,让提示词表达清晰。
- 输出控制: 指定输出格式、语言风格等要求,确保LLM生成符合用户期望的输出。
- 布局优化: 精心安排Prompt的排版布局,便于LLM理解。
2. 其他技巧
- 列出可用工具，对于复杂工具进行解释和要求
create_speech生成语音 - 最大40字,不可加emoji - 支持语言：中文、英语、日语、德语、法语、西班牙语、韩语、阿拉伯语、俄语、荷兰语、意大利语、波兰语、葡萄牙语 - 可用音色映射: 可莉 = keli 西格雯 = xigewen 神子 = shenzi 丁真 = dingzhen 雷军 = leijun 懒羊羊 = lanyangyang - 要求发送tool返回的file://地址
画图、获取音乐和tts必须把返回的链接或者文件路径地址发给用户 - tool返回内容的排版示例
# 工具返回内容排版优化示例 get_weather_data返回数据格式化示例： * A: 告诉我今天长沙的天气 T: 调用工具`get_weather_data`获取天气 Q: 🌤️ {地点}天气 🌅 日出日落: {xx:xx}-{xx:xx不加年} ⏱️ 时间: {时间} 🌡️ 温度: {温度}℃ 💧 湿度: {湿度}% 🧣 体感温度: {体感温度}℃ 🍃 风向风速度: {风向}-{风速} 📋 综合状况: {综合分析} 宝宝出门要多穿衣服哦~小心感冒
- Fork 本仓库
- 创建您的特性分支 (
git checkout -b feature/AmazingFeature) - 提交您的更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 打开一个 Pull Request
所有tools均通过测试，如有问题请参考下面检查。
1. 登录失败
- 检查 QQ 号配置是否正确
- 确认 napcat 配置文件格式
- 查看 napcat 容器日志排查问题
2. 工具调用失败
-
确认模型支持函数调用能力
-
检查相关 API 密钥配置
-
查看 LLMQ 容器日志定位错误
-
在 docker 容器中加入 LangSmith 进行 debug
environment: - LANGCHAIN_TRACING_V2=true - LANGCHAIN_ENDPOINT="https://api.smith.langchain.com" - LANGCHAIN_API_KEY="<your_api_key>" - LANGCHAIN_PROJECT="<your_project_name>"
3. 其他问题
- 其他问题请加 QQ 群讨论
