拉斐尔人设深化 + 原著世界观 RAG 知识库 —— 完整复盘

                    ┌─────────────────────┐
                    │  原始资料来源         │
                    │ （本例：百科/wiki；    │
                    │  企业场景：内部文档）  │
                    └──────────┬──────────┘
                               │ 抓取/整理（本例用 firecrawl）
                               ▼
                    ┌─────────────────────┐
                    │ lore_chunks.json     │  ← 人工/AI 提炼过的
                    │ [{id, text}, ...]    │     事实性摘要，不是原文全文
                    └──────────┬──────────┘
                               │ raphael_lore_build.py
                               │ 调 embedding API 逐条向量化
                               ▼
                    ┌─────────────────────┐
                    │ lore_index.json      │  ← [{id, text, embedding}]
                    │（本地文件即向量库）   │     不需要 pgvector/Milvus
                    └──────────┬──────────┘
                               │ raphael_lore_query.py
                               │ 问题也 embedding，算余弦相似度找 top-k
                               ▼
                    ┌─────────────────────┐
                    │ Hermes（SOUL.md 铁律）│  ← 强制先检索、再组织语言回答
                    │  绝对禁止凭记忆编造   │
                    └─────────────────────┘

{"id": "character_benimaru", "text": "红丸，圣魔十二守护王之「赫怒王」，种族为炎龙鬼……（150~350字的事实性摘要，不是原文大段照抄）"}

curl -X POST https://yunwu.ai/v1/embeddings \
  -H "Authorization: Bearer $YUNWU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"text-embedding-3-small","input":"你的文本"}'

#!/usr/bin/env python3
"""拉斐尔世界观知识库构建脚本：读取 lore_chunks.json，调云雾 embedding，存成本地向量索引。"""
import json
import os
import urllib.request

YUNWU_KEY = os.environ.get("YUNWU_API_KEY", "<KEY>")
YUNWU_BASE = "https://yunwu.ai/v1"
EMBED_MODEL = "text-embedding-3-small"

SRC = os.path.expanduser("~/.hermes/raphael_lore_chunks.json")
DST = os.path.expanduser("~/.hermes/raphael_lore_index.json")


def embed(text, retries=3):
    body = json.dumps({"model": EMBED_MODEL, "input": text}).encode()
    req = urllib.request.Request(
        YUNWU_BASE + "/embeddings",
        data=body,
        headers={"Authorization": "Bearer " + YUNWU_KEY, "Content-Type": "application/json"},
    )
    last_err = None
    for i in range(retries):
        try:
            with urllib.request.urlopen(req, timeout=60) as resp:
                d = json.load(resp)
            return d["data"][0]["embedding"]
        except Exception as e:
            last_err = e
            print("重试", i+1, "因为:", e)
    raise last_err


def main():
    with open(SRC, encoding="utf-8") as f:
        chunks = json.load(f)

    index = []
    for c in chunks:
        vec = embed(c["text"])
        index.append({"id": c["id"], "text": c["text"], "embedding": vec})
        print("已embedding:", c["id"])

    with open(DST, "w", encoding="utf-8") as f:
        json.dump(index, f, ensure_ascii=False)
    print("完成，共 %d 条，存到 %s" % (len(index), DST))


if __name__ == "__main__":
    main()

#!/usr/bin/env python3
"""拉斐尔世界观知识库检索：embedding问题，余弦相似度找top-k相关条目。
用法: raphael_lore_query.py "问题文本" [-k 3]
"""
import argparse
import json
import math
import os
import urllib.request

YUNWU_KEY = os.environ.get("YUNWU_API_KEY", "<KEY>")
YUNWU_BASE = "https://yunwu.ai/v1"
EMBED_MODEL = "text-embedding-3-small"
INDEX = os.path.expanduser("~/.hermes/raphael_lore_index.json")


def embed(text):
    body = json.dumps({"model": EMBED_MODEL, "input": text}).encode()
    req = urllib.request.Request(
        YUNWU_BASE + "/embeddings",
        data=body,
        headers={"Authorization": "Bearer " + YUNWU_KEY, "Content-Type": "application/json"},
    )
    with urllib.request.urlopen(req, timeout=30) as resp:
        d = json.load(resp)
    return d["data"][0]["embedding"]


def cosine(a, b):
    dot = sum(x * y for x, y in zip(a, b))
    na = math.sqrt(sum(x * x for x in a))
    nb = math.sqrt(sum(y * y for y in b))
    return dot / (na * nb) if na and nb else 0.0


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("query")
    ap.add_argument("-k", type=int, default=3)
    args = ap.parse_args()

    with open(INDEX, encoding="utf-8") as f:
        index = json.load(f)

    qvec = embed(args.query)
    scored = [(cosine(qvec, item["embedding"]), item) for item in index]
    scored.sort(key=lambda x: -x[0])

    for score, item in scored[: args.k]:
        print("[%.3f] %s" % (score, item["id"]))
        print(item["text"])
        print("---")


if __name__ == "__main__":
    main()

## 铁律 · 原著设定问题必须先检索，禁止凭记忆编造

只要主人问到跟《关于我转生变成史莱姆这档事》原作相关的任何内容——你自己的
身世/进化/技能、原作角色、世界观设定、剧情——必须先执行下面这条命令拿到
真实资料，再组织语言回答：

python3 <HOME>/night-run/raphael_lore_query.py "<把主人的问题原样填进来>" -k 3

绝对禁止：跳过这条命令、凭自己训练数据里的印象编造具体情节/角色/事件。
你的训练记忆里的相关细节很可能是错的或压根不存在，检索结果才是唯一可信
来源。检索结果里没有的细节，宁可承认「这部分尚无解析数据」，也不许编。