概率机制 ​

基本用法 ​

我们有时也希望某些回答按照特定的概率进行触发。这个时候我们可以使用 -p prob 的语法进行设置。例如 # 问题 回答 -p 0.2 设置的问题的触发概率即为 20%。

那么如果一个问题存在多个回答，每个回答的触发概率又是如何计算的呢？Koishi 会求出所有问答的触发概率之和，因此得到两种处理方式：

• 如果总和不大于 1，则按照各自的概率触发各个问题
• 如果总和大于 1，则各个问答的概率将被除以这个总和后以各自的概率触发这个问题

举个例子。如果一个问题有两个回答，概率分别为 0.3 和 0.5，则实际操作中这两个回答的触发概率就是 0.3 和 0.5。但是如果一个问题有两个回答，概率分别是 0.6 和 1，因为总概率超过 1，因此两个问答的触发概率将被标准化，实际操作中它们的触发概率分别为 0.375 和 0.625 以保证总概率正好为 1。

称呼匹配 ​

Koishi 的指令可以通过 @bot 或使用昵称进行调用。同理，教学系统中也有一套类似的机制用于匹配含有称呼的指令。

我们认为，每一个问题都拥有两个概率，一个是严格匹配（说是严格实际上包含了上文所介绍的 模糊匹配 机制），我们称为概率 S；另一个是称呼匹配，我们称之为概率 A。我们举一些例子：

• 早上好：无论是对机器人说，还是对其他群友说，机器人响应这个问题都是正常的，因此适合 S=1，A=1。
• 我喜欢你：如果这个问题不是对机器人说的，那么机器人不应该响应它，因此适合 S=0，A=1。
• 荭茶：如果这个问题被加上了机器人前缀，这句话的意思就发生了改变，因此适合 S=1，A=0。

这里对前缀的严格定义是，一个问题以称呼开头，且之后还有其他字符。因此昵称本身不属于含有前缀的问题。

当一个问题被创建或修改时，-p 会被理解成概率 S，-P 会被理解成概率 A。如果问题存在前缀，则其将被删除，且默认概率为 p=0, P=1；否则默认概率为 p=1, P=0。当机器人收到一条消息时，如果该消息含有前缀，则其将被删除。之后正常获取可能触发的问答列表。如果之前没有删除前缀，则使用这些问答的概率 S 执行上文中的概率机制；否则使用这些问答的概率 A 执行上文中的概率机制。

举个例子，假设问答 1 和问答 2 的问题都是“早上好”，且问答 1 的触发概率为 S=0.6，A=0.8，问答 2 的触发概率为 S=1，A=0。则输入“早上好”时，问答 1, 2 分别取概率 0.6, 1，最终经过标准化，以 0.375 的概率触发问答 1，以 0.625 的概率触发问答 2。输入“@bot，早上好”时，问答 1, 2 分别取概率 0.8, 0，最终以 0.8 的概率触发问答 1。

称呼本身作为问题触发 ​

上面已经介绍过了，昵称本身不属于含有前缀的问题，因此比较特殊。如果它本身作为问题被触发，则该会话的短时间内，即使没有前缀，获得的问题也会取 S, A 两个概率的最大值为最终概率。为什么这样设计呢？因为现实中，许多人会把话拆开说。举下面的例子：

我们可以看到，虽然单独的“我喜欢你”不能触发“你就是桃饱网大会员”的回应（S=0），但是如果“我喜欢你”紧跟在一句“四季酱”之后，显然这句话是对机器人说的。因此在 Koishi 的教学系统中，称呼问题本身能够激活当前会话的 A 概率。

重定向到称呼匹配问答 ​

如果要重定向到称呼匹配的问答时，请在目标问题上也加上前缀，否则将无法触发下一个问题。例如，下面的例子将无法工作：

反过来，利用这种特性，我们也可以实现一些更加高级的效果。假如我们希望构造一个问答，使得其在正常情况下只能带称呼触发；但是在特定问题触发后可以不带称呼触发（参见 前置和后继机制）。在正常情况下这是做不到的，因为 Koishi 不会接受问题和回答都相同的两个教学问答。但有了重定向语法之后，只需结合重定向语法和后继机制就可以实现这种需求：