skills_like 模式下用户收到的消息与 conversation history 中存储的消息不一致

[EmilyCheoh]

What happened / 发生了什么

当 tool_schema_mode 设置为 skills_like 时，用户收到的消息和存入 conversation history 的消息不一致。

Reproduce / 如何复现？

1. 将 tool_schema_mode 设为 skills_like
2. 发送一条会触发工具调用的消息（如调用 shell 工具），且 LLM 在调用工具前会生成一段文本回复
3. 对比用户实际收到的文本和后续 LLM 调用中上下文里存储的 assistant 消息

AstrBot version, deployment method (e.g., Windows Docker Desktop deployment), provider used, and messaging platform used. / AstrBot 版本、部署方式（如 Windows Docker Desktop 部署）、使用的提供商、使用的消息平台适配器

• AstrBot 版本：v4.25.1（Docker 部署，Linux 服务器）
• 提供商：OpenAI 兼容格式中转站
• 消息平台：aiocqhttp（NapCat）
• 最新版代码中确认同一问题仍然存在

OS

Linux

Logs / 报错日志

此问题不产生报错日志。问题是静默的逻辑错误——程序正常执行，但存入 history 的内容与实际发送给用户的内容不一致。

以下是关键证据：

API 调用记录（中转站后台）

skills_like 开启时，每次工具调用产生 3 次 API 请求：
time: input: 12454 output: 66 ← step() 首次 LLM 调用
time: input: 12481 output: 66 ← _resolve_tool_exec re-query（input 增加 27 token，为注入的 requery instruction）
time: input: 12690 output: 478 ← 工具执行后生成最终回复

改为 full 模式后，同样的操作只产生 2 次：
time: input: 14351 output: 481 ← step() LLM 调用（文本 + 工具调用）
time: input: 14854 output: 474 ← 工具执行后生成最终回复

上下文分裂示例

用户实际收到（NapCat 发送记录可验证）：「我在你的服务器里替你跑一下。」
conversation history 中存储的（后续 LLM 调用的上下文可验证）：「好的，我curl一下。」

两段文本来自两次独立的 LLM 调用，同一个 prompt，不同输出。

Are you willing to submit a PR? / 你愿意提交 PR 吗？

• Yes!

Code of Conduct

• I have read and agree to abide by the project's Code of Conduct。

[dosubot]

Hi @EmilyCheoh! I'm Dosu and I’m helping the AstrBot team.

确认了这个 bug。问题出在 tool_loop_agent_runner.py 的 step() 方法和 _resolve_tool_exec() 之间的交互：

根因：在 skills_like 模式下，第一次 LLM 调用的 completion_text 被 yield 给用户后，_resolve_tool_exec 的 re-query 会用新的 llm_resp 完全覆盖原始响应对象 [1]。随后构建 conversation history 时使用的是 re-query 的 llm_resp.completion_text，而非实际发送给用户的原始文本 [2]。

流程分解：

1. 原始 LLM 响应生成文本 + tool_call → 文本 yield 给用户 [3]
2. _resolve_tool_exec re-query → 返回新的 llm_resp，覆盖原始对象 [4]
3. Conversation history 记录 re-query 的文本，造成"上下文分裂"

修复方向：在调用 _resolve_tool_exec 前保存原始文本，re-query 后恢复：

if self.tool_schema_mode == "skills_like":
    original_text = llm_resp.completion_text
    original_reasoning = llm_resp.reasoning_content
    llm_resp, _ = await self._resolve_tool_exec(llm_resp)
    # 恢复实际发送给用户的文本
    llm_resp.completion_text = original_text
    llm_resp.reasoning_content = original_reasoning

这样确保 history 中记录的 assistant 消息与用户实际看到的一致，同时 tool_calls 参数仍使用 re-query 补全的结果。期待你的 PR 🎉

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.