从数据到洞察:SillyTavern对话统计功能全解析
在日常使用SillyTavern进行对话交互时,你是否好奇过自己与AI助手的互动模式?本文将带你深入了解SillyTavern的统计分析功能,从数据收集到可视化展示,全面掌握如何利用内置工具追踪和分析对话数据,优化你的AI交互体验。
统计功能概览
SillyTavern的统计分析模块(public/scripts/stats.js)能够自动记录并计算多种对话指标,包括消息数量、字数统计、交互时长等关键数据。这些信息通过直观的界面展示,帮助用户理解对话模式和使用习惯。
图1:统计功能通常通过界面中的"Stats"按钮访问,可查看当前对话的详细数据
核心统计指标解析
对话时间与消息计数
系统会自动记录对话的起始时间和总时长,并分别统计用户消息与AI回复的数量。核心实现位于public/scripts/stats.js中的createHtml函数,代码片段如下:
html += createStatBlock(t`Chat Time`, timeStirng);
html += createStatBlock(t`User Messages`, stats.user_msg_count);
html += createStatBlock(
t`Character Messages`,
stats.non_user_msg_count - stats.total_swipe_count,
);
字数统计与交互质量
统计模块还会计算双方的总字数,反映对话的深度和活跃度。用户可通过public/scripts/stats.js查看具体实现:
html += createStatBlock(t`User Words`, stats.user_word_count);
html += createStatBlock(t`Character Words`, stats.non_user_word_count);
图2:字数统计功能可帮助分析对话的详细程度和交互质量
滑动操作(Swipe)统计
系统会记录用户对AI回复的滑动操作次数,这一指标反映了内容满意度。相关代码位于public/scripts/stats.js:
html += createStatBlock(t`Swipes`, stats.total_swipe_count);
数据收集与计算机制
实时统计更新
每当用户或AI发送消息时,public/scripts/stats.js中的statMesProcess函数会实时更新统计数据:
async function statMesProcess(line, type, characters, this_chid, oldMessage) {
// 处理消息并更新统计数据
stat.total_gen_time += calculateGenTime(line.gen_started, line.gen_finished);
// ...字数和消息计数逻辑
}
数据持久化与重建
统计数据存储在服务器中,可通过src/endpoints/stats.js的API端点进行管理。当需要重建统计数据时,可使用public/scripts/stats.js中的recreateStats函数:
async function recreateStats() {
const response = await fetch('/api/stats/recreate', {
method: 'POST',
headers: getRequestHeaders(),
body: JSON.stringify({}),
});
// ...处理响应
}
图3:统计数据重建流程可帮助修复异常数据或迁移历史记录
如何查看统计数据
角色统计
在对话界面中,点击统计按钮即可查看当前角色的交互数据。实现代码位于public/scripts/stats.js:
$('.rm_stats_button').on('click', function () {
characterStatsHandler(characters, this_chid);
});
全局统计
用户可通过调用public/scripts/stats.js中的userStatsHandler函数查看所有角色的汇总统计数据:
async function userStatsHandler() {
await getStats();
let totalStats = calculateTotalStats();
createHtml('User', totalStats);
}
高级应用:自定义统计分析
对于开发人员,可通过修改src/vectors/目录下的向量处理模块,实现更复杂的数据分析。例如,结合src/vectors/embedding.js可实现对话主题的聚类分析。
图4:通过扩展统计模块,可实现对话主题分析等高级功能
使用建议与最佳实践
- 定期查看统计数据,了解自己的交互模式
- 当对话数据异常时,使用数据重建功能修复
- 开发扩展时可基于现有统计框架添加新指标
- 通过对比不同角色的统计数据,优化提示词策略
完整的统计功能实现可参考public/scripts/stats.js,更多使用技巧请查阅项目README.md文档。
通过本文介绍的统计分析功能,你不仅能掌握自己的对话习惯,还能深入理解SillyTavern的交互设计理念,让AI对话体验更加高效和个性化。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
