RisuAI v160.1.0版本发布:增强Lorebook功能与语法扩展
RisuAI是一个专注于人工智能对话系统的开源项目,它提供了强大的自然语言处理能力和灵活的定制功能。该项目通过持续迭代更新,不断优化用户体验并扩展功能边界。
最新发布的v160.1.0版本带来了多项重要更新,主要集中在Lorebook功能的增强和语法扩展方面。这些改进使得内容管理更加灵活,模板系统更加强大。
新增内容绑定系统(CBS)功能
本次更新引入了几个实用的内容绑定系统(CBS)功能,为模板处理提供了更多可能性:
-
元数据访问功能:新增的
{{metadata::A}}语法允许开发者直接访问和引用元数据内容,简化了数据处理流程。 -
错误检测功能:
{{iserror::A}}语法提供了便捷的错误检测机制,可以在模板处理过程中进行条件判断。 -
特殊字符显示功能:为了解决模板中花括号显示的问题,新增了四组专门用于显示花括号的语法:
{{displayescapedcurlybracketopen}}和{{displayescapedcurlybracketclose}}(简写为{{decbo}}和{{decbc}}){{doubledisplayescapedcurlybracketopen}}和{{doubledisplayescapedcurlybracketclose}}(简写为{{bo}}和{{bc}})
这些语法扩展使得模板编写更加灵活,特别是在需要处理特殊字符或进行复杂条件判断时。
Lorebook功能增强
v160.1.0版本对Lorebook系统进行了多项功能增强:
-
激活控制装饰器:
@@keep_activate_after_match装饰器强制在匹配后保持激活状态@@dont_activate_after_match装饰器则强制在匹配后取消激活状态
-
递归控制装饰器:
@@recursive和@@unrecursive装饰器提供了更直观的递归控制方式- 虽然之前版本可以通过组合其他装饰器实现类似功能,但新装饰器提高了代码可读性和执行效率
-
搜索控制装饰器:
@@no_recursive_search装饰器可以标记特定的Lorebook条目,使其内容不会被其他Lorebook条目搜索到,这在构建复杂知识库时非常有用。
语法优化
为了提升代码的可读性和编写体验,本次更新还进行了以下语法优化:
- 为所有带下划线的函数添加了不带下划线的替代语法
- 这种改进使得代码风格更加统一,减少了因下划线导致的输入错误
技术意义与应用场景
这些更新在实际应用中有多重意义:
-
元数据处理:新的元数据访问功能使得开发者可以更方便地在模板中引用和操作元数据,简化了数据流转过程。
-
错误处理:错误检测语法的引入增强了模板的健壮性,使得开发者可以编写更加安全的模板逻辑。
-
特殊字符处理:花括号显示问题的解决使得模板可以更自由地包含各种特殊字符,扩展了模板的应用范围。
-
知识库管理:Lorebook功能的增强使得大型知识库的构建和维护更加高效,特别是递归控制功能可以优化搜索性能。
-
代码风格:语法统一化减少了开发者的认知负担,提高了开发效率。
总结
RisuAI v160.1.0版本通过一系列功能增强和语法扩展,进一步提升了系统的灵活性和可用性。特别是对Lorebook系统的改进,使得知识库管理更加高效;而新增的CBS功能则为模板处理提供了更多可能性。这些更新体现了项目团队对开发者体验的持续关注和对功能边界的不断探索。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00