d47a8bcabd
后端： 1. AIHub 模型分级从 Worker/Strategist 两级重构为 Lite/Pro/Max 三级 - AIHub 结构体从 Worker + Strategist 改为 Lite + Pro + Max，分别对应轻量（标题生成）、标准（Chat 路由/闲聊/交付总结）、高能力（Plan 规划/Execute ReAct）三个能力层级 - config.example.yaml 新增 liteModel / proModel / maxModel 三个模型配置项，替代原 workerModel / strategistModel - 启动层 InitEino 改为创建三个独立模型实例，抽取公共 baseURL 和 apiKey 减少重复 - pickChatModel 统一返回 Pro 模型，旧 strategist 参数不再生效；pickTitleModel 从 Worker 切到 Lite - runNewAgentGraph 按 Plan/Execute→Max、Chat/Deliver→Pro 分级注入；Graph 出错回退也切到 Pro - Memory 模块初始化从 Worker 改为 Pro 2. Plan 节点从"两阶段评估"简化为"单轮深度规划"，thinking 开关改为全配置化 - 移除 Phase 1（快速评估 1600 token）+ Phase 2（深度规划 3200 token）的两轮调用逻辑，改为单轮不限 token 深度规划 - PlanDecision 移除 need_thinking 字段，prompt 规则和 JSON contract 同步删除该字段 - 各节点（Plan / Execute / Deliver）thinking 开关从硬编码改为从 AgentGraphDeps 读取，由 config.yaml 的 agent.thinking 段按节点注入 - 新增 agent.thinking 配置段（plan / execute / deliver / memory 四个独立布尔开关），config.example.yaml 补齐默认值 - 新增 resolveThinkingMode 公共函数，plan / execute / deliver 和 memory 决策/抽取链路统一使用 3. Memory 模块 LLM 调用支持 thinking 开关 - Config 新增 LLMThinking 字段，config_loader 从 agent.thinking.memory 读取 - LLMDecisionOrchestrator.Compare 和 LLMWriteOrchestrator.ExtractFacts 的 thinking 模式从硬编码 Disabled 改为读取配置 前端： 1. 移除助手输入区模型选择器及全部偏好持久化逻辑 - 删除 ModelType 类型、selectedModel ref、MODEL_PREFERENCE_STORAGE_KEY 常量 - 删除 isModelType / loadModelPreferenceMap / persistModelPreferenceMap / savePreferredModel / resolvePreferredModel / applyPreferredModelForConversation 六个函数及 modelPreferenceMap ref - 删除 selectedModel watch 监听、发送消息时的 savePreferredModel 调用、切会话时的 applyPreferredModelForConversation 调用、会话迁移时的模型偏好迁移 - fetchChatStream 的 model 参数硬编码为 'worker' - 删除模板中"模型"下拉选择器（标准/策略）及对应的全局样式 .assistant-model-select-panel 2. 上下文窗口指示器简化为仅显示总占用 - ContextWindowMeter 移除 msg0~msg3 四段彩色分段逻辑（ContextSegment 接口、segments computed、v-for 渲染） - 进度条改为单一蓝色条，按 total/budget 比例填充；超预算时变红 - Tooltip 简化为仅显示"总计 X / 预算 Y（Z%）" 仓库：无
61 lines
1.7 KiB
Go
61 lines
1.7 KiB
Go
package inits
|
||
|
||
import (
|
||
"context"
|
||
"os"
|
||
|
||
"github.com/cloudwego/eino-ext/components/model/ark"
|
||
"github.com/spf13/viper"
|
||
)
|
||
|
||
// AIHub 存储三级模型的实例，按能力分级调度。
|
||
//
|
||
// 分级策略：
|
||
// 1. Lite：轻量模型，用于标题生成等低复杂度、低延迟场景；
|
||
// 2. Pro：标准模型，用于 Chat 路由/闲聊/深度回答/Deliver 总结；
|
||
// 3. Max：高能力模型，用于 Plan 规划和 Execute ReAct 等需要深度推理的场景。
|
||
type AIHub struct {
|
||
Lite *ark.ChatModel // 轻量模型：标题生成等低复杂度任务
|
||
Pro *ark.ChatModel // 标准模型：Chat 路由、闲聊、交付总结
|
||
Max *ark.ChatModel // 高能力模型：Plan 规划、Execute ReAct
|
||
}
|
||
|
||
func InitEino() (*AIHub, error) {
|
||
ctx := context.Background()
|
||
baseURL := viper.GetString("agent.baseURL")
|
||
apiKey := os.Getenv("ARK_API_KEY")
|
||
|
||
// 1. Lite 模型：标题生成等低复杂度场景，优先控制成本和延迟。
|
||
lite, err := ark.NewChatModel(ctx, &ark.ChatModelConfig{
|
||
Model: viper.GetString("agent.liteModel"),
|
||
BaseURL: baseURL,
|
||
APIKey: apiKey,
|
||
})
|
||
if err != nil {
|
||
return nil, err
|
||
}
|
||
// 2. Pro 模型：Chat 路由/闲聊/交付总结等标准复杂度场景。
|
||
pro, err := ark.NewChatModel(ctx, &ark.ChatModelConfig{
|
||
Model: viper.GetString("agent.proModel"),
|
||
BaseURL: baseURL,
|
||
APIKey: apiKey,
|
||
})
|
||
if err != nil {
|
||
return nil, err
|
||
}
|
||
// 3. Max 模型：Plan 规划和 Execute ReAct 等需要深度推理的场景。
|
||
maxModel, err := ark.NewChatModel(ctx, &ark.ChatModelConfig{
|
||
Model: viper.GetString("agent.maxModel"),
|
||
BaseURL: baseURL,
|
||
APIKey: apiKey,
|
||
})
|
||
if err != nil {
|
||
return nil, err
|
||
}
|
||
return &AIHub{
|
||
Lite: lite,
|
||
Pro: pro,
|
||
Max: maxModel,
|
||
}, nil
|
||
}
|