Cyrene_v2/internal/services/channelbridge/sanitize.go

package channelbridge

import (
	"math/rand"
	"regexp"
	"strings"
	"time"
	"unicode/utf8"
)

// 本文件承载聊天回复清洗器，用于在回复投递给
// IM 渠道适配器之前（design/17 §2 + 角色扮演约定：Web 客户端
// 把 <action>/<narration> 渲染为暗色斜体；IM 渠道只能收到纯聊天
// 文本，动作/独白标记必须移除）。

var (
	// pairedRoleplayRe 匹配完整的 <action>...</action> / <narration>...</narration>
	// 块（含内部文本），因此动作/独白会在投递给
	// IM 前被整体丢弃。非贪婪且不区分大小写，以容忍模型写出 <Action>。
	pairedRoleplayRe = regexp.MustCompile(`(?is)<(action|narration)\b[^>]*?>.*?</(action|narration)\s*>`)
	// strayRoleplayRe 匹配任何残留的单个角色扮演开/闭标签
	// （用于格式错误或未配对的情况）。
	strayRoleplayRe = regexp.MustCompile(`(?is)</?(action|narration)\b[^>]*?>`)
	// paragraphRe 匹配 <p>...</p> / <p/> 段落标记，保留内部文本。
	paragraphRe = regexp.MustCompile(`(?is)</?p\b[^>]*?>`)
	// blankLinesRe 把剥离后残留的连续空行折叠掉。
	blankLinesRe = regexp.MustCompile(`\n\s*\n+`)
	// starRoleplayRe 匹配全角星号包裹块 ＊...＊ ——这是模型忘记
	// <action>/<narration> XML 标签时的漂移形式。正文被
	// 捕获，以便非角色扮演的全角强调可以原样保留。
	starRoleplayRe = regexp.MustCompile(`(?s)＊([\s\S]*?)＊`)
	// halfStarRoleplayRe 匹配明确带有角色扮演
	// 关键词（动作/旁白/内心/神态/轻声）的半角星号块，因此 *动作：弯起眼睛* 会被剥离，
	// 而普通的 markdown *emphasis* 保持不动。
	halfStarRoleplayRe = regexp.MustCompile(`(?s)\*((?:动作|旁白|内心|神态|轻声)\s*[:：]?[\s\S]*?)\*`)
)

// shortRoleplayRunes 限定无关键词的全角星号块最长可以是多少
// 仍算作角色扮演批注（design §9.5：保守起见——长的
// 无关键词 ＊...＊ 段落保留为文本，而不整体丢弃）。
const shortRoleplayRunes = 40

// stripNarration 返回去掉角色扮演/动作/
// 旁白标记、段落标记被抹平、连续空行被折叠、行内白名单标签被剥掉的
// 纯聊天文本。它对畸形输入绝不报错或 panic；纯动作/独白的
// 回复会变成空字符串（调用方可据此跳过发送）。
//
// 它是 finishNarration ∘ stripRoleplayMarkup 两步的组合 —— 拆成两步是为了让
// splitBubbles 能在中间插入 `<br>` 的分隔符切分（见 bubblesOfSegment）。
func stripNarration(text string) string {
	if strings.TrimSpace(text) == "" {
		return ""
	}
	return finishNarration(stripRoleplayMarkup(text))
}

// stripRoleplayMarkup 摘除角色扮演/动作/旁白标记：成对与落单的
// `<action>`/`<narration>`、全角星号块、带角色扮演关键词的半角星号块。
// 顺序与参数逐字沿用既有实现（本函数只是把原来的前四步搬出来，行为不变）。
func stripRoleplayMarkup(text string) string {
	s := pairedRoleplayRe.ReplaceAllString(text, "")
	s = strayRoleplayRe.ReplaceAllString(s, "")
	s = starRoleplayRe.ReplaceAllStringFunc(s, func(m string) string {
		if isStarRoleplay(strings.TrimSpace(strings.TrimSuffix(strings.TrimPrefix(m, "＊"), "＊"))) {
			return ""
		}
		return m
	})
	return halfStarRoleplayRe.ReplaceAllString(s, "")
}

// finishNarration 完成一段**气泡文本**的清洗：抹平 `<p>` 段落标记、折叠连续空行、
// 剥掉行内白名单标签。这三步必须留在切分**之后**：段落与空行折叠是「一条消息内部」
// 的排版整理，行内标签的「整段降级」也以气泡为粒度（与 Web 端同口径）。
func finishNarration(segment string) string {
	s := paragraphRe.ReplaceAllString(segment, "")
	s = blankLinesRe.ReplaceAllString(s, "\n")
	s = stripInlineTags(s)
	return strings.TrimSpace(s)
}

// isStarRoleplay 报告全角星号块 ＊...＊ 是否承载角色扮演
// 批注：它带角色扮演关键词，或者是短的独立片段
// （无换行、无长正文）——即漂移形态 ＊弯起眼睛＊。长的无关键词
// 星号包裹段落会保留，以免丢掉真实消息。
func isStarRoleplay(inner string) bool {
	t := strings.TrimSpace(inner)
	if t == "" {
		return false
	}
	if hasRoleplayPrefix(t) {
		return true
	}
	return !strings.Contains(t, "\n") && utf8.RuneCountInString(t) <= shortRoleplayRunes
}

// hasRoleplayPrefix 报告该块是否以角色扮演关键词开头。
func hasRoleplayPrefix(t string) bool {
	for _, p := range []string{"动作", "旁白", "内心", "神态", "轻声"} {
		if strings.HasPrefix(t, p) {
			return true
		}
	}
	return false
}

// paragraphBlockRe 匹配整个 <p>...</p> 块并捕获其内部文本
// （设计：每个 <p> 即一个聊天气泡；Web 客户端各自渲染为一个
// 气泡，IM 适配器各自投递为一条消息）。
var paragraphBlockRe = regexp.MustCompile(`(?is)<p\b[^>]*?>(.*?)</p\s*>`)

// splitBubbles 把一条回复按顺序拆成它承载的聊天气泡列表。
//
// **两个同级的分隔符**（契约 §6 v0.89）：
//   - 每个 `<p>...</p>` 块 = 一个气泡（既有语义，逐字不变）；
//   - 每个 `<br>` 类分隔符（`<br>` / `<br/>` / `</br>`，大小写不敏感）= 一次
//     「切成多条消息」的边界，与 `<p>` 同级 —— **不是**一个换行字符。
//
// 空气泡（含只由空白构成的气泡）被丢弃。没有 `<p>` 标记的回复**不是**按单个气泡处理
// 了（这一条被 v0.89 改写）：它同样会按 `<br>` 切开，例如 `甲<br>乙` ⇒ 两条消息。
// 纯动作/独白得到空切片。
func splitBubbles(text string) []string {
	if !strings.Contains(strings.ToLower(text), "<p") {
		if c := bubblesOfSegment(text); len(c) != 0 {
			return c
		}
		return nil
	}
	out := make([]string, 0)
	for _, m := range paragraphBlockRe.FindAllStringSubmatch(text, -1) {
		out = append(out, bubblesOfSegment(m[1])...)
	}
	if len(out) == 0 {
		// 有 <p> 标记但没有格式良好的块——回退为整段文本。
		out = append(out, bubblesOfSegment(text)...)
	}
	return out
}

// bubblesOfSegment 把一个**段落区段**（`<p>` 块内部文本，或无 `<p>` 时的整段文本）
// 切成它承载的若干气泡文本。
//
// 🔴 两步顺序是本文件的要害：
//  1. 先 `stripRoleplayMarkup` —— 角色扮演/星号标记整块消失。因此 `<br>` 写在
//     `<action>` / 星号块**内部**时不会把一段注记劈成两条聊天消息（那样会把注记正文
//     漏成聊天气泡，是对既有「注记整体剥除」口径的回归）；
//  2. 再按 `<br>` 切分 —— 此时剩下的 `<br>` 都只可能出现在**真正要对用户说的正文**里，
//     切开正合契约「始终处理为多条消息隔断」。
//
// 切分**之后**的每一段各自走 finishNarration（抹平 `<p>` / 折叠空行 / 剥行内标签），
// 因此「空气泡丢弃」与 `<p>` 空气泡同一套口径：只由空白构成的段会被 TrimSpace 成空串后丢掉。
func bubblesOfSegment(segment string) []string {
	parts := splitByBreakTags(stripRoleplayMarkup(segment))
	out := make([]string, 0, len(parts))
	for _, p := range parts {
		if c := finishNarration(p); c != "" {
			out = append(out, c)
		}
	}
	return out
}

// splitByBreakTags 只按 `<br>` 类分隔符切分（分隔符本身丢弃），不做任何清洗。
// 没有分隔符时返回单元素切片，即「整段一个气泡」的既有语义。
func splitByBreakTags(segment string) []string {
	spans := breakSeparatorSpans(segment)
	if len(spans) == 0 {
		return []string{segment}
	}
	parts := make([]string, 0, len(spans)+1)
	last := 0
	for _, sp := range spans {
		parts = append(parts, segment[last:sp[0]])
		last = sp[1]
	}
	return append(parts, segment[last:])
}

// bubbleGap 返回 IM 出站气泡之间使用的 0.5s..2s 随机延时，
// 使连发段落不会刷屏（design/17 §2）。Web 前端
// 不受影响——它从已持久化的流渲染所有气泡，没有任何延时。
// 仅当一条回复承载多于一个气泡时才会用到它。
func bubbleGap() time.Duration {
	return 500*time.Millisecond + time.Duration(rand.Float64()*1500)*time.Millisecond
}