好感/信赖系统重构计划

2026-09-17 与用户逐条讨论后定稿。四条决策、三阶段实施、每阶段可独立上线与回滚。现状分析见本文件"附录：现状与问题"（依据 app/systems/trust_manager.py 等的只读审计）。

一、四条设计原则

三维必须是独立来源的观察 —— Mayer, Davis & Schoorman (1995) 的 ability / benevolence / integrity 模型强调三者是独立输入。我们现在的做法正相反：维度由 LLM 随手选、不确定就均摊，三维实际退化成一维。
自我暴露（self-disclosure）是亲密的引擎 —— Nikolajczyk et al. (2026)《Beyond Human Bonds》(Human-Machine Communication 13: 185-204)：关系阶段式发展， self-disclosure 在加深亲密上起关键作用。我们现在只看"模型觉得这轮回复有多深"， 玩家说了多少关于自己的事完全没用上。
阶段（事件驱动）+ 数值（渐变）并存 —— 数值管渐变，阶段管"能做什么"与仪式感。
反馈即奖励 —— 数值可以隐藏，但原因必须可见（养成类设计的常识：好感点在关键处跳变并立刻给反馈）。

二、锁定的决策（2026-09-17 用户定的）

#	决策	结论
1	维度分类	混合：规则优先（覆盖常见情况）+ LLM 兜底（只输出类型与幅度）
2	24h 上限	按维度分开，各 20（原来是三维共享总量 10）
3	阶段	阶段 = 最低亲密度下限：初始 25；跨过 50 → 下限 50；跨过 75 → 下限 75
4	界面	(a)：只给方向与原因（`▲+2 因为你说了小时候的事`），不露绝对值与阈值

补充默认（用户认可）：

地板按维度分别生效：某一维跨过 50，只把那一维的地板抬到 50；
判据用该维度自己的历史最高值（不是当前值、不是 overall）→ 掉下去再回来不会重复触发阶段；
阶段除数值门槛再加事件条件（如"她主动找过你一次""共同经历一个剧情节点"）—— 否则一天聊满就能拿到"亲密"，阶段会变得廉价。

⚠️ 24h 各 20 意味着三维合计 60/天，从 25 到"亲密"(80) 最快 1 天。这是有意的（聊得多就该涨得快）；"时间闸门"交给阶段，而不是交给冷却。

三、数据模型

{
  "dimensions": {                       // 保留：三维不变、权重不变（0.35/0.35/0.30）、0-100
    "professional": {"value": 62.4, "history": [...]},
    "emotional":    {"value": 48.1, "history": [...]},
    "rapport":      {"value": 55.0, "history": [...]}
  },
  "stage": {                            // ★ 新增
    "key": "trusting",
    "floor": 50,                        // 当前生效的地板（25/50/75）
    "peak": {"professional": 62.4, "emotional": 51.0, "rapport": 55.0},  // 各维历史最高
    "since": 1737000000,
    "history": [{"from": "neutral", "to": "trusting", "why": "她第一次主动找你", "ts": 0}]
  },
  "signals": {                          // ★ 新增：推进器的原料（自己统计，不靠 LLM）
    "self_disclosure_7d": 6,
    "care_given_7d": 3,
    "shared_moments": 12
  },
  "history": [                          // 扩展：每条都能回答"为什么"
    {"dim": "emotional", "change": 2, "source": "chat",
     "why": "你说了小时候的事", "ts": 0}
  ]
}

向后兼容：老文件没有 stage / signals → 读时按维度数值反推初始阶段与地板； trust_profiles.py 的 381 份干员起点档案完全不动。

四、增量规则：分类 → 幅度 → 加成 → 闸门

玩家消息 + 她的回复
 ① 分类（规则优先，LLM 兜底）       → 决定维度
 ② 幅度（LLM 只在该维度内打 1-3）
 ③ self-disclosure 加成（不经 LLM） → emotional 额外 +1（每轮最多 1）
 ④ 闸门（15 分钟冷却 + 每维 24h 20）

规则层：

命中	维度
技术提问、方案、任务、承诺兑现、靠谱/不靠谱	`professional`
情绪表达（我难过/我累/我怕）、关怀她的问句、安慰	`emotional`
玩笑、梗、共同回忆、"你还记得…"、撒娇调侃	`rapport`

LLM 兜底层：只输出 {type: pro|emo|rap|none, gain: 1-3} —— 不再让它"顺手选维度再打分"。

五、衰减与不对称

	现在	改成
触发	读 `get_trust()` 时结算（读界面就改数据）	后台每天一次
形态	7 天后一次性块状扣	渐进（每天 −0.5 起，闲置越久系数越大）
下限	固定 25	阶段地板（25/50/75）
负面	−1/−2/−3	×1.5-2，且恢复更慢（扣掉的情感需先经过 N 次正面互动才回升）

六、门槛集中

TRUST_GATES = {
    "doctor_dark_side":  ("emotional", "intimate"),   # 博士暗面
    "insider_rumors":    ("professional", 60),        # 内幕风声（原挂 overall，不合理）
    "loan_limit_basic":  ("overall", 60),
    "loan_limit_high":   ("overall", 80),
    "she_can_refuse":    ("overall", 55),
    "unmask_easter_egg": ("emotional", 60),
}

以后新增门槛必须来这里登记，否则又会随手挑一个数。

七、界面（a 方案）

情感亲密   ▲ +2   因为你说了小时候的事
专业信任   —      最近没什么变化
默契度     ▼ −1   你有三天没接她的梗了

不显示数值、不显示阈值、不显示"距离下一阶段多远"。（复用了档案页那座"里程碑"块 —— 它现在是空壳。）

八、三阶段实施

阶段	内容	验收
A	露原因（界面）+ 门槛集中 + 后台统计修好 + 衰减移出 getter 改后台渐进	玩家能看到"为什么"；后台信赖数字不再恒 0
B	维度分类（混合）+ self-disclosure 信号 + 日上限改各 20	三维曲线开始分化；后台加"信赖从哪来"饼图
C	阶段地板（25/50/75）+ 阶段推进话术 + 事件条件 + 不对称	阶段日志；她推进阶段时说的那句话

每阶段独立可上线、可回滚。B 会改数值行为，上线后要用固定输入探针（scripts/repeat_probe.py 那套）观察曲线是否符合预期。

九、怎么验证（不靠感觉）

固定输入探针：同一批消息跑 20 轮，看三维是否按类型分化；
来源分布：后台加"这周信赖从哪来"（按 history.source/dim 聚合）—— 这张图会告诉我们 self-disclosure 实际占多少，调参才有依据；
阶段日志：谁在什么时候因为什么进了新阶段。

附录：现状与问题（只读审计，2026-09-17）

实现：app/systems/trust_manager.py（817 行单例）+ trust_profiles.py（381 份起点档案）

response_interceptor.py（LLM 打分器）。存储按 用户 × 线（身份人设） 隔离： lines/{line}/trust_{op}.json，读时回落到 memory/{op}_trust.json。

问题清单（按严重程度）：

三维退化成一维：维度由 LLM 随手选、不确定就均摊 0.35/0.35/0.30 → 三个数字总是一起动；
self-disclosure 完全没用上（文献里最强的推进器）；
没有阶段：只有连续数值，玩家感受不到"我们到哪一步了"；
玩家不知道"为什么"：history 里有 change，界面不显示 → 无法形成策略；
增长被冷却/上限主导（15 分钟 + 24h 总量 10）→ 曲线由计时器决定，不由剧情决定；
三条路径绕规则：动态留言 +0.5 绕过冷却；送礼 1-4 点有独立预算；扣减绕过全部 → 同一件事四种规则，没人能说出"我这样做一天能涨多少"；
衰减块状且藏在 getter 里：读一次界面就结算一次（观测改变被观测值）；
门槛值散落、口径不一：博士暗面挂 emotional、内幕挂 overall，无依据可循；
清空记忆 ≠ 归零：purge 后按剧情档案重新播种（阿米娅仍是 55/60/50），与 UI 承诺不符；
不对称性没建模：涨受上限压制、扣的分值太小，"说错话"没有代价。

已修的 bug（阶段 A 的一部分）：

后台"信赖全景"恒为 0 —— _scan_trust 读 data.get("overall")，而 trust 文件 从不落盘该键；已改成从 dimensions 现算，并补上按线路径（原来只扫 memory/）；
scripts/calibrate_trust_baseline.py 同样只扫老路径 → 补上 lines/*/trust_*.json。