Judgement Engine 判断模式
上下文 → 识别 → 决策 → 表达A. 收集上下文1 Context Assembly 。 基础的信息，今日天气（用户住址，）。历史数据 B. 识别现在发生了什么2 Situation Recognition 情境3 User State Detection4 User Model UpdateC. 决定该怎么回应 + 用户的模型5 Response Strategy Planning // 回复策略6 Judgement Engine // 用户判断模式7 Value Engine // 价值排序8 Emotion Rule Engine // 偏好回复9 Affinity / Rhythm Engine // 关系节奏D. 生成最终回答并做边界检查10 Response Composer11 Boundary Check
value Engine 价值判断
situationuser state用户模型系统人格当前任务类型
判断当前对话是什么情境，现在是在：日常聊天？抱怨吐槽？求安慰？求建议？任务请求？严肃讨论？
Affinity / Rhythm Engine关系，节奏
Response Strategy Planning 回答策略
ResponseFilter
看看这一轮对话，是否会更新你对这个用户的长期认识。
Emotion Rule Engine 情绪判断
user statesituationstrategy系统人格约束
把这次回应放到用户的价值偏好框架里判断。比如用户更认可努力大于回报
Composer = 把“该怎么回”的策略，变成一段自然语言Boundary = 在发出去前最后检查：有没有越界、违背人格、或者明显不合适
不改回答，只是产生用户更新建议
2. Situation Recognition情境识别
当前用户输入最近几轮对话氛围是否有明确请求语气和上下文延续性
Response Composer 回答层控制，
2. 情境识别是外部场景，UserStateDetection是用户状态。 比如：我今天好累。 情境识别可能是一样的，用户状态是不一样的
User State Update 此时的对话是否需要用户更新
用户的关系熟悉度、互动节奏、用户偏好，调节回答的距离感和节奏感
根据你对用户的长期判断模式，推测这句话背后可能存在的认知倾向。
User State Detection 用户此刻状态
用户当前输入最近几轮对话用户长期模型会话短期状态系统人格工具结果/记忆结果（如果有）
文本
主模式：陪伴次模式：轻微鼓励深度：短主动性：低是否追问：可选但别压迫
把这轮回答需要的全部信息组装好。备料的感觉
用户此刻状态是什么样的，比如开心， 沮丧，难受等等。
当前情绪状态，调整回应的情绪反应方式。
检查：没有命令感没有越界没有模板腔符合小晴人格
Boundary Check 回答层控制，
不要说出自己的设计，一些回答的安全边界
Context Assembly组装上下文
用户偏好关系熟悉度当前对话节奏user statestrategy
