Merge 1de1ded65c into 7c153721f0

* ♻️ refactor(pydantic): 提取 Pydantic 兼容函数到独立模块

* ♻️ refactor!(llm): 重构LLM服务，引入现代化工具和执行器架构

🏗️ **架构变更**
- 引入ToolProvider/ToolExecutable协议，取代ToolRegistry
- 新增LLMToolExecutor，分离工具调用逻辑
- 新增BaseMemory抽象，解耦会话状态管理

🔄 **API重构**
- 移除：analyze, analyze_multimodal, pipeline_chat
- 新增：generate_structured, run_with_tools
- 重构：chat, search, code变为无状态调用

🛠️ **工具系统**
- 新增@function_tool装饰器
- 统一工具定义到ToolExecutable协议
- 移除MCP工具系统和mcp_tools.json

---------

Co-authored-by: webjoin111 <455457521@qq.com>

.env.dev

@@ -1,89 +0,0 @@
-SUPERUSERS=[""]
-
-COMMAND_START=[""]
-
-SESSION_RUNNING_EXPRESSION="别急呀,小真寻要宕机了!QAQ"
-
-NICKNAME=["真寻", "小真寻", "绪山真寻", "小寻子"]
-
-SESSION_EXPIRE_TIMEOUT=00:00:30
-
-ALCONNA_USE_COMMAND_START=True
-
-# 全局图片统一使用bytes发送，当真寻与协议端不在同一服务器上时为True
-IMAGE_TO_BYTES = True
-
-# 回复消息时自称
-SELF_NICKNAME="小真寻"
-
-# 官bot appid:bot账号
-QBOT_ID_DATA = '{
-    
-}'
-
-# 数据库配置
-# 示例: "postgres://user:password@127.0.0.1:5432/database"
-# 示例: "mysql://user:password@127.0.0.1:3306/database"
-# 示例: "sqlite:data/db/zhenxun.db"   在data目录下建立db文件夹
-DB_URL = ""
-
-# NONE: 不使用缓存, MEMORY: 使用内存缓存, REDIS: 使用Redis缓存
-CACHE_MODE = NONE
-# REDIS配置，使用REDIS替换Cache内存缓存
-# REDIS地址
-# REDIS_HOST = "127.0.0.1"
-# REDIS端口
-# REDIS_PORT = 6379
-# REDIS密码
-# REDIS_PASSWORD = ""
-# REDIS过期时间
-# REDIS_EXPIRE = 600
-
-# 系统代理
-# SYSTEM_PROXY = "http://127.0.0.1:7890"
-
-PLATFORM_SUPERUSERS = '
-  {
-    "qq": [""],
-    "dodo": [""]
-  }
-'
-
-DRIVER=~fastapi+~httpx+~websockets
-
-
-# LOG_LEVEL = DEBUG
-# 服务器和端口
-HOST = 127.0.0.1
-PORT = 8080
-
-# kook adapter toekn
-# kaiheila_bots =[{"token": ""}]
-
-# # discode adapter
-# DISCORD_BOTS='
-# [
-#   {
-#     "token": "",
-#     "intent": {
-#       "guild_messages": true,
-#       "direct_messages": true
-#     },
-#     "application_commands": {"*": ["*"]}
-#   }
-# ]
-# '
-# DISCORD_PROXY=''
-
-# # dodo adapter
-# DODO_BOTS='
-# [
-#   {
-#     "client_id": "",
-#     "token": ""
-#   }
-# ]
-# '
-
-# application_commands的{"*": ["*"]}代表将全部应用命令注册为全局应用命令
-# {"admin": ["123", "456"]}则代表将admin命令注册为id是123、456服务器的局部命令，其余命令不注册

tests/builtin_plugins/auto_update/test_check_update.py

@@ -324,7 +324,7 @@ async def test_check_update_release(
         ctx.should_call_api(
             "send_msg",
             _v11_private_message_send(
-                message="检测真寻已更新，版本更新：v0.2.2 -> v0.2.2\n开始更新...",
+                message="检测真寻已更新，版本更新：v0.2.2\n开始更新...",
                 user_id=UserId.SUPERUSER,
             ),
         )
@@ -420,8 +420,7 @@ async def test_check_update_main(
         ctx.should_call_api(
             "send_msg",
             _v11_private_message_send(
-                message="检测真寻已更新，版本更新：v0.2.2 -> v0.2.2-e6f17c4\n"
-                "开始更新...",
+                message="检测真寻已更新，版本更新：v0.2.2\n开始更新...",
                 user_id=UserId.SUPERUSER,
             ),
         )

zhenxun/builtin_plugins/__init__.py

@@ -17,7 +17,7 @@ from zhenxun.models.user_console import UserConsole
 from zhenxun.services.log import logger
 from zhenxun.utils.decorator.shop import shop_register
 from zhenxun.utils.manager.priority_manager import PriorityLifecycle
-from zhenxun.utils.manager.resource_manager import ResourceManager
+from zhenxun.utils.manager.zhenxun_repo_manager import ZhenxunRepoManager
 from zhenxun.utils.platform import PlatformUtils
 
 driver: Driver = nonebot.get_driver()
@@ -85,7 +85,8 @@ from bag_users t1
 
 @PriorityLifecycle.on_startup(priority=5)
 async def _():
-    await ResourceManager.init_resources()
+    if not ZhenxunRepoManager.check_resources_exists():
+        await ZhenxunRepoManager.resources_update(branch="test")
     """签到与用户的数据迁移"""
     if goods_list := await GoodsInfo.filter(uuid__isnull=True).all():
         for goods in goods_list:

zhenxun/builtin_plugins/auto_update/__init__.py

@@ -16,10 +16,6 @@ from nonebot_plugin_uninfo import Uninfo
 from zhenxun.configs.utils import PluginExtraData
 from zhenxun.services.log import logger
 from zhenxun.utils.enum import PluginType
-from zhenxun.utils.manager.resource_manager import (
-    DownloadResourceException,
-    ResourceManager,
-)
 from zhenxun.utils.message import MessageUtils
 
 from ._data_source import UpdateManager
@@ -68,7 +64,6 @@ _matcher = on_alconna(
         Option("-f|--force", action=store_true, help_text="强制更新"),
         Option("-s", Args["source?", ["git", "ali"]], help_text="更新源"),
         Option("-z|--zip", action=store_true, help_text="下载zip文件"),
-        Option("-t", Args["update_type?", ["git", "download"]], help_text="更新方式"),
     ),
     priority=1,
     block=True,
@@ -86,39 +81,52 @@ async def _(
     force: Query[bool] = Query("force", False),
     source: Query[str] = Query("source", "ali"),
     zip: Query[bool] = Query("zip", False),
-    update_type: Query[str] = Query("update_type", "git"),
 ):
     result = ""
     await MessageUtils.build_message("正在进行检查更新...").send(reply_to=True)
-    if ver_type.result in {"main", "release"}:
+    ver_type_str = ver_type.result
+    source_str = source.result
+    if ver_type_str in {"main", "release"}:
         if not ver_type.available:
-            result = await UpdateManager.check_version()
+            result += await UpdateManager.check_version()
             logger.info("查看当前版本...", "检查更新", session=session)
             await MessageUtils.build_message(result).finish()
         try:
-            result = await UpdateManager.update(
+            result += await UpdateManager.update_zhenxun(
                 bot,
                 session.user.id,
-                ver_type.result,
+                ver_type_str,  # type: ignore
                 force.result,
-                source.result,
+                source_str,  # type: ignore
                 zip.result,
-                update_type.result,
             )
+            await MessageUtils.build_message(result).finish(reply_to=True)
         except Exception as e:
             logger.error("版本更新失败...", "检查更新", session=session, e=e)
             await MessageUtils.build_message(f"更新版本失败...e: {e}").finish()
     elif ver_type.result == "webui":
-        result = await UpdateManager.update_webui(zip.result, source.result)
+        if zip.result:
+            source_str = None
+        try:
+            result += await UpdateManager.update_webui(
+                source_str,  # type: ignore
+                "dist",
+            )
+        except Exception as e:
+            logger.error("WebUI更新失败...", "检查更新", session=session, e=e)
+            result += "\nWebUI更新错误..."
     if resource.result or ver_type.result == "resource":
         try:
-            await ResourceManager.init_resources(True, zip.result, source.result)
-            result += "\n资源文件更新成功！"
-        except DownloadResourceException:
-            result += "\n资源更新下载失败..."
+            if zip.result:
+                source_str = None
+            result += await UpdateManager.update_resources(
+                source_str,  # type: ignore
+                "main",
+                force.result,
+            )
         except Exception as e:
             logger.error("资源更新下载失败...", "检查更新", session=session, e=e)
-            result += "\n资源更新未知错误..."
+            result += "\n资源更新错误..."
     if result:
         await MessageUtils.build_message(result.strip()).finish()
     await MessageUtils.build_message("更新版本失败...").finish()

zhenxun/builtin_plugins/auto_update/_data_source.py

@@ -1,167 +1,16 @@
-import os
-from pathlib import Path
-import shutil
-import tarfile
-import zipfile
+from typing import Literal
 
 from nonebot.adapters import Bot
-from nonebot.utils import run_sync
 
-from zhenxun.configs.path_config import DATA_PATH
 from zhenxun.services.log import logger
-from zhenxun.utils.github_utils import GithubUtils
-from zhenxun.utils.github_utils.models import RepoInfo
-from zhenxun.utils.http_utils import AsyncHttpx
 from zhenxun.utils.manager.virtual_env_package_manager import VirtualEnvPackageManager
+from zhenxun.utils.manager.zhenxun_repo_manager import ZhenxunRepoManager
 from zhenxun.utils.platform import PlatformUtils
-from zhenxun.utils.repo_utils import AliyunRepoManager, GithubRepoManager
 
-from .config import (
-    BACKUP_PATH,
-    BASE_PATH,
-    BASE_PATH_STRING,
-    COMMAND,
-    DEFAULT_GITHUB_URL,
-    DOWNLOAD_GZ_FILE,
-    DOWNLOAD_ZIP_FILE,
-    GIT_GITHUB_URL,
-    GIT_WEBUI_UI_URL,
-    PYPROJECT_FILE,
-    PYPROJECT_FILE_STRING,
-    PYPROJECT_LOCK_FILE,
-    PYPROJECT_LOCK_FILE_STRING,
-    RELEASE_URL,
-    REPLACE_FOLDERS,
-    REQ_TXT_FILE,
-    REQ_TXT_FILE_STRING,
-    TMP_PATH,
-    VERSION_FILE,
-)
-
-
-@run_sync
-def _file_handle(latest_version: str | None):
-    """文件移动操作
-
-    参数:
-        latest_version: 版本号
-    """
-    BACKUP_PATH.mkdir(exist_ok=True, parents=True)
-    logger.debug("开始解压文件压缩包...", COMMAND)
-    download_file = DOWNLOAD_GZ_FILE
-    if DOWNLOAD_GZ_FILE.exists():
-        tf = tarfile.open(DOWNLOAD_GZ_FILE)
-    else:
-        download_file = DOWNLOAD_ZIP_FILE
-        tf = zipfile.ZipFile(DOWNLOAD_ZIP_FILE)
-    tf.extractall(TMP_PATH)
-    logger.debug("解压文件压缩包完成...", COMMAND)
-    download_file_path = TMP_PATH / next(
-        x for x in os.listdir(TMP_PATH) if (TMP_PATH / x).is_dir()
-    )
-    _pyproject = download_file_path / PYPROJECT_FILE_STRING
-    _lock_file = download_file_path / PYPROJECT_LOCK_FILE_STRING
-    _req_file = download_file_path / REQ_TXT_FILE_STRING
-    extract_path = download_file_path / BASE_PATH_STRING
-    target_path = BASE_PATH
-    if PYPROJECT_FILE.exists():
-        logger.debug(f"移除备份文件: {PYPROJECT_FILE}", COMMAND)
-        shutil.move(PYPROJECT_FILE, BACKUP_PATH / PYPROJECT_FILE_STRING)
-    if PYPROJECT_LOCK_FILE.exists():
-        logger.debug(f"移除备份文件: {PYPROJECT_LOCK_FILE}", COMMAND)
-        shutil.move(PYPROJECT_LOCK_FILE, BACKUP_PATH / PYPROJECT_LOCK_FILE_STRING)
-    if REQ_TXT_FILE.exists():
-        logger.debug(f"移除备份文件: {REQ_TXT_FILE}", COMMAND)
-        shutil.move(REQ_TXT_FILE, BACKUP_PATH / REQ_TXT_FILE_STRING)
-    if _pyproject.exists():
-        logger.debug("移动文件: pyproject.toml", COMMAND)
-        shutil.move(_pyproject, PYPROJECT_FILE)
-    if _lock_file.exists():
-        logger.debug("移动文件: poetry.lock", COMMAND)
-        shutil.move(_lock_file, PYPROJECT_LOCK_FILE)
-    if _req_file.exists():
-        logger.debug("移动文件: requirements.txt", COMMAND)
-        shutil.move(_req_file, REQ_TXT_FILE)
-    for folder in REPLACE_FOLDERS:
-        """移动指定文件夹"""
-        _dir = BASE_PATH / folder
-        _backup_dir = BACKUP_PATH / folder
-        if _backup_dir.exists():
-            logger.debug(f"删除备份文件夹 {_backup_dir}", COMMAND)
-            shutil.rmtree(_backup_dir)
-        if _dir.exists():
-            logger.debug(f"移动旧文件夹 {_dir}", COMMAND)
-            shutil.move(_dir, _backup_dir)
-        else:
-            logger.warning(f"文件夹 {_dir} 不存在，跳过删除", COMMAND)
-    for folder in REPLACE_FOLDERS:
-        src_folder_path = extract_path / folder
-        dest_folder_path = target_path / folder
-        if src_folder_path.exists():
-            logger.debug(
-                f"移动文件夹: {src_folder_path} -> {dest_folder_path}", COMMAND
-            )
-            shutil.move(src_folder_path, dest_folder_path)
-        else:
-            logger.debug(f"源文件夹不存在: {src_folder_path}", COMMAND)
-    if tf:
-        tf.close()
-    if download_file.exists():
-        logger.debug(f"删除下载文件: {download_file}", COMMAND)
-        download_file.unlink()
-    if extract_path.exists():
-        logger.debug(f"删除解压文件夹: {extract_path}", COMMAND)
-        shutil.rmtree(extract_path)
-    if TMP_PATH.exists():
-        shutil.rmtree(TMP_PATH)
-    if latest_version:
-        with open(VERSION_FILE, "w", encoding="utf8") as f:
-            f.write(f"__version__: {latest_version}")
+from .config import LOG_COMMAND, REQUIREMENTS_FILE, VERSION_FILE
 
 
 class UpdateManager:
-    @classmethod
-    async def update_webui(cls, is_zip: bool, source: str) -> str:
-        from zhenxun.builtin_plugins.web_ui.public.data_source import (
-            update_webui_assets,
-        )
-
-        WEBUI_PATH = DATA_PATH / "web_ui" / "public"
-        BACKUP_PATH = DATA_PATH / "web_ui" / "backup_public"
-        GIT_WEBUI_PATH = DATA_PATH / "web_ui" / "git_web_ui"
-        if WEBUI_PATH.exists():
-            if BACKUP_PATH.exists():
-                logger.debug(f"删除旧的备份webui文件夹 {BACKUP_PATH}", COMMAND)
-                shutil.rmtree(BACKUP_PATH)
-            WEBUI_PATH.rename(BACKUP_PATH)
-        try:
-            if is_zip:
-                await update_webui_assets()
-                logger.info("更新webui成功...", COMMAND)
-            else:
-                if source == "ali":
-                    result = await AliyunRepoManager.update(
-                        GIT_WEBUI_UI_URL, GIT_WEBUI_PATH, "dist", force=True
-                    )
-                else:
-                    result = await GithubRepoManager.update(
-                        GIT_WEBUI_UI_URL, GIT_WEBUI_PATH, "dist", force=True
-                    )
-                if not result.success:
-                    return f"Webui更新失败...错误: {result.error_message}"
-                shutil.rmtree(WEBUI_PATH, ignore_errors=True)
-                shutil.copytree(GIT_WEBUI_PATH / "dist", WEBUI_PATH)
-            if BACKUP_PATH.exists():
-                logger.debug(f"删除旧的webui文件夹 {BACKUP_PATH}", COMMAND)
-                shutil.rmtree(BACKUP_PATH)
-            return "Webui更新成功！"
-        except Exception as e:
-            logger.error("更新webui失败...", COMMAND, e=e)
-            if BACKUP_PATH.exists():
-                logger.debug(f"恢复旧的webui文件夹 {BACKUP_PATH}", COMMAND)
-                BACKUP_PATH.rename(WEBUI_PATH)
-            raise e
-
     @classmethod
     async def check_version(cls) -> str:
         """检查更新版本
@@ -170,71 +19,88 @@ class UpdateManager:
             str: 更新信息
         """
         cur_version = cls.__get_version()
-        data = await cls.__get_latest_data()
-        if not data:
+        release_data = await ZhenxunRepoManager.zhenxun_get_latest_releases_data()
+        if not release_data:
             return "检查更新获取版本失败..."
         return (
             "检测到当前版本更新\n"
             f"当前版本：{cur_version}\n"
-            f"最新版本：{data.get('name')}\n"
-            f"创建日期：{data.get('created_at')}\n"
-            f"更新内容：\n{data.get('body')}"
+            f"最新版本：{release_data.get('name')}\n"
+            f"创建日期：{release_data.get('created_at')}\n"
+            f"更新内容：\n{release_data.get('body')}"
         )
 
     @classmethod
-    async def __zip_update(cls, version_type: str):
-        logger.info("开始下载真寻最新版文件....", COMMAND)
-        cur_version = cls.__get_version()
-        url = None
-        new_version = None
-        repo_info = GithubUtils.parse_github_url(DEFAULT_GITHUB_URL)
-        if version_type in {"main"}:
-            repo_info.branch = version_type
-            new_version = await cls.__get_version_from_repo(repo_info)
-            if new_version:
-                new_version = new_version.split(":")[-1].strip()
-            url = await repo_info.get_archive_download_urls()
-        elif version_type == "release":
-            data = await cls.__get_latest_data()
-            if not data:
-                return "获取更新版本失败..."
-            new_version = data.get("name", "")
-            url = await repo_info.get_release_source_download_urls_tgz(new_version)
-        if not url:
-            return "获取版本下载链接失败..."
-        if TMP_PATH.exists():
-            logger.debug(f"删除临时文件夹 {TMP_PATH}", COMMAND)
-            shutil.rmtree(TMP_PATH)
-        logger.debug(
-            f"开始更新版本：{cur_version} -> {new_version} | 下载链接：{url}",
-            COMMAND,
+    async def update_webui(
+        cls,
+        source: Literal["git", "ali"] | None,
+        branch: str = "main",
+        force: bool = False,
+    ):
+        """更新WebUI
+
+        参数:
+            source: 更新源
+            branch: 分支
+            force: 是否强制更新
+
+        返回:
+            str: 返回消息
+        """
+        if not source:
+            await ZhenxunRepoManager.webui_zip_update()
+            return "WebUI更新完成!"
+        result = await ZhenxunRepoManager.webui_git_update(
+            source,
+            branch=branch,
+            force=force,
         )
-        download_file = (
-            DOWNLOAD_GZ_FILE if version_type == "release" else DOWNLOAD_ZIP_FILE
+        if not result.success:
+            logger.error(f"WebUI更新失败...错误: {result.error_message}", LOG_COMMAND)
+            return f"WebUI更新失败...错误: {result.error_message}"
+        return "WebUI更新完成!"
+
+    @classmethod
+    async def update_resources(
+        cls,
+        source: Literal["git", "ali"] | None,
+        branch: str = "main",
+        force: bool = False,
+    ) -> str:
+        """更新资源
+
+        参数:
+            source: 更新源
+            branch: 分支
+            force: 是否强制更新
+
+        返回:
+            str: 返回消息
+        """
+        if not source:
+            await ZhenxunRepoManager.resources_zip_update()
+            return "真寻资源更新完成!"
+        result = await ZhenxunRepoManager.resources_git_update(
+            source,
+            branch=branch,
+            force=force,
         )
-        if await AsyncHttpx.download_file(url, download_file, stream=True):
-            logger.debug("下载真寻最新版文件完成...", COMMAND)
-            await _file_handle(new_version)
-            result = "版本更新完成"
-            return (
-                f"{result}\n"
-                f"版本: {cur_version} -> {new_version}\n"
-                "请重新启动真寻以完成更新!"
+        if not result.success:
+            logger.error(
+                f"真寻资源更新失败...错误: {result.error_message}", LOG_COMMAND
             )
-        else:
-            logger.debug("下载真寻最新版文件失败...", COMMAND)
-        return ""
+            return f"真寻资源更新失败...错误: {result.error_message}"
+        return "真寻资源更新完成!"
 
     @classmethod
-    async def update(
+    async def update_zhenxun(
         cls,
         bot: Bot,
         user_id: str,
-        version_type: str,
+        version_type: Literal["main", "release"],
         force: bool,
-        source: str,
+        source: Literal["git", "ali"],
         zip: bool,
-        update_type: str,
     ) -> str:
         """更新操作
 
@@ -257,33 +123,38 @@ class UpdateManager:
             user_id,
         )
         if zip:
-            return await cls.__zip_update(version_type)
-        elif source == "git":
-            result = await GithubRepoManager.update(
-                GIT_GITHUB_URL,
-                Path(),
-                use_git=update_type == "git",
-                force=force,
+            new_version = await ZhenxunRepoManager.zhenxun_zip_update(version_type)
+            await PlatformUtils.send_superuser(
+                bot, "真寻更新完成，开始安装依赖...", user_id
+            )
+            await VirtualEnvPackageManager.install_requirement(REQUIREMENTS_FILE)
+            return (
+                f"版本更新完成！\n版本: {cur_version} -> {new_version}\n"
+                "请重新启动真寻以完成更新!"
             )
         else:
-            result = await AliyunRepoManager.update(
-                GIT_GITHUB_URL,
-                Path(),
+            result = await ZhenxunRepoManager.zhenxun_git_update(
+                source,
+                branch=version_type,
                 force=force,
             )
-        if not result.success:
-            return f"版本更新失败...错误: {result.error_message}"
-        await PlatformUtils.send_superuser(
-            bot, "真寻更新完成，开始安装依赖...", user_id
-        )
-        await VirtualEnvPackageManager.install_requirement(REQ_TXT_FILE)
-        return (
-            f"版本更新完成！\n"
-            f"版本: {cur_version} -> {result.new_version}\n"
-            f"变更文件个数: {len(result.changed_files)}"
-            f"{'' if source == 'git' else '（阿里云更新不支持查看变更文件）'}\n"
-            "请重新启动真寻以完成更新!"
-        )
+            if not result.success:
+                logger.error(
+                    f"真寻版本更新失败...错误: {result.error_message}",
+                    LOG_COMMAND,
+                )
+                return f"版本更新失败...错误: {result.error_message}"
+            await PlatformUtils.send_superuser(
+                bot, "真寻更新完成，开始安装依赖...", user_id
+            )
+            await VirtualEnvPackageManager.install_requirement(REQUIREMENTS_FILE)
+            return (
+                f"版本更新完成！\n"
+                f"版本: {cur_version} -> {result.new_version}\n"
+                f"变更文件个数: {len(result.changed_files)}"
+                f"{'' if source == 'git' else '（阿里云更新不支持查看变更文件）'}\n"
+                "请重新启动真寻以完成更新!"
+            )
 
     @classmethod
     def __get_version(cls) -> str:
@@ -297,40 +168,3 @@ class UpdateManager:
             if text := VERSION_FILE.open(encoding="utf8").readline():
                 _version = text.split(":")[-1].strip()
         return _version
-
-    @classmethod
-    async def __get_latest_data(cls) -> dict:
-        """获取最新版本信息
-
-        返回:
-            dict: 最新版本数据
-        """
-        for _ in range(3):
-            try:
-                res = await AsyncHttpx.get(RELEASE_URL)
-                if res.status_code == 200:
-                    return res.json()
-            except TimeoutError:
-                pass
-            except Exception as e:
-                logger.error("检查更新真寻获取版本失败", e=e)
-        return {}
-
-    @classmethod
-    async def __get_version_from_repo(cls, repo_info: RepoInfo) -> str:
-        """从指定分支获取版本号
-
-        参数:
-            branch: 分支名称
-
-        返回:
-            str: 版本号
-        """
-        version_url = await repo_info.get_raw_download_urls(path="__version__")
-        try:
-            res = await AsyncHttpx.get(version_url)
-            if res.status_code == 200:
-                return res.text.strip()
-        except Exception as e:
-            logger.error(f"获取 {repo_info.branch} 分支版本失败", e=e)
-        return "未知版本"

zhenxun/builtin_plugins/auto_update/config.py

@@ -1,42 +1,7 @@
 from pathlib import Path
 
-from zhenxun.configs.path_config import TEMP_PATH
+LOG_COMMAND = "AutoUpdate"
 
-GIT_GITHUB_URL = "https://github.com/zhenxun-org/zhenxun_bot.git"
+VERSION_FILE = Path() / "__version__"
 
-DEFAULT_GITHUB_URL = "https://github.com/HibiKier/zhenxun_bot/tree/main"
-RELEASE_URL = "https://api.github.com/repos/HibiKier/zhenxun_bot/releases/latest"
-
-GIT_WEBUI_UI_URL = "https://github.com/HibiKier/zhenxun_bot_webui.git"
-
-VERSION_FILE_STRING = "__version__"
-VERSION_FILE = Path() / VERSION_FILE_STRING
-
-PYPROJECT_FILE_STRING = "pyproject.toml"
-PYPROJECT_FILE = Path() / PYPROJECT_FILE_STRING
-PYPROJECT_LOCK_FILE_STRING = "poetry.lock"
-PYPROJECT_LOCK_FILE = Path() / PYPROJECT_LOCK_FILE_STRING
-REQ_TXT_FILE_STRING = "requirements.txt"
-REQ_TXT_FILE = Path() / REQ_TXT_FILE_STRING
-
-BASE_PATH_STRING = "zhenxun"
-BASE_PATH = Path() / BASE_PATH_STRING
-
-TMP_PATH = TEMP_PATH / "auto_update"
-
-BACKUP_PATH = Path() / "backup"
-
-DOWNLOAD_GZ_FILE_STRING = "download_latest_file.tar.gz"
-DOWNLOAD_ZIP_FILE_STRING = "download_latest_file.zip"
-DOWNLOAD_GZ_FILE = TMP_PATH / DOWNLOAD_GZ_FILE_STRING
-DOWNLOAD_ZIP_FILE = TMP_PATH / DOWNLOAD_ZIP_FILE_STRING
-
-REPLACE_FOLDERS = [
-    "builtin_plugins",
-    "services",
-    "utils",
-    "models",
-    "configs",
-]
-
-COMMAND = "检查更新"
+REQUIREMENTS_FILE = Path() / "requirements.txt"

zhenxun/builtin_plugins/llm_manager/data_source.py

@@ -12,6 +12,7 @@ from zhenxun.services.llm.core import KeyStatus
 from zhenxun.services.llm.manager import (
     reset_key_status,
 )
+from zhenxun.services.llm.types import LLMMessage
 
 
 class DataSource:
@@ -58,7 +59,7 @@ class DataSource:
         start_time = time.monotonic()
         try:
             async with await get_model_instance(model_name_str) as model:
-                await model.generate_text("你好")
+                await model.generate_response([LLMMessage.user("你好")])
             end_time = time.monotonic()
             latency = (end_time - start_time) * 1000
             return (

zhenxun/configs/utils/__init__.py

@@ -1,16 +1,21 @@
 from collections.abc import Callable
 import copy
 from pathlib import Path
-from typing import Any, TypeVar, get_args, get_origin
+from typing import Any, TypeVar
 
 import cattrs
-from nonebot.compat import model_dump
-from pydantic import VERSION, BaseModel, Field
+from pydantic import BaseModel, Field
 from ruamel.yaml import YAML
 from ruamel.yaml.scanner import ScannerError
 
 from zhenxun.configs.path_config import DATA_PATH
 from zhenxun.services.log import logger
+from zhenxun.utils.pydantic_compat import (
+    _dump_pydantic_obj,
+    _is_pydantic_type,
+    model_dump,
+    parse_as,
+)
 
 from .models import (
     AICallableParam,
@@ -39,46 +44,6 @@ class NoSuchConfig(Exception):
     pass
 
 
-def _dump_pydantic_obj(obj: Any) -> Any:
-    """
-    递归地将一个对象内部的 Pydantic BaseModel 实例转换为字典。
-    支持单个实例、实例列表、实例字典等情况。
-    """
-    if isinstance(obj, BaseModel):
-        return model_dump(obj)
-    if isinstance(obj, list):
-        return [_dump_pydantic_obj(item) for item in obj]
-    if isinstance(obj, dict):
-        return {key: _dump_pydantic_obj(value) for key, value in obj.items()}
-    return obj
-
-
-def _is_pydantic_type(t: Any) -> bool:
-    """
-    递归检查一个类型注解是否与 Pydantic BaseModel 相关。
-    """
-    if t is None:
-        return False
-    origin = get_origin(t)
-    if origin:
-        return any(_is_pydantic_type(arg) for arg in get_args(t))
-    return isinstance(t, type) and issubclass(t, BaseModel)
-
-
-def parse_as(type_: type[T], obj: Any) -> T:
-    """
-    一个兼容 Pydantic V1 的 parse_obj_as 和V2的TypeAdapter.validate_python 的辅助函数。
-    """
-    if VERSION.startswith("1"):
-        from pydantic import parse_obj_as
-
-        return parse_obj_as(type_, obj)
-    else:
-        from pydantic import TypeAdapter  # type: ignore
-
-        return TypeAdapter(type_).validate_python(obj)
-
-
 class ConfigGroup(BaseModel):
     """
     配置组
@@ -194,16 +159,11 @@ class ConfigsManager:
         """
         result = dict(original_data)
 
-        # 遍历新数据的键
         for key, value in new_data.items():
-            # 如果键不在原数据中，添加它
             if key not in original_data:
                 result[key] = value
-            # 如果两边都是字典，递归处理
             elif isinstance(value, dict) and isinstance(original_data[key], dict):
                 result[key] = self._merge_dicts(value, original_data[key])
-            # 如果键已存在，保留原值，不覆盖
-            # (不做任何操作，保持原值)
 
         return result
 
@@ -217,15 +177,11 @@ class ConfigsManager:
         返回:
             标准化后的值
         """
-        # 处理BaseModel
         processed_value = _dump_pydantic_obj(value)
 
-        # 如果处理后的值是字典，且原始值也存在
         if isinstance(processed_value, dict) and original_value is not None:
-            # 处理原始值
             processed_original = _dump_pydantic_obj(original_value)
 
-            # 如果原始值也是字典，合并它们
             if isinstance(processed_original, dict):
                 return self._merge_dicts(processed_value, processed_original)
 
@@ -263,12 +219,10 @@ class ConfigsManager:
         if not module or not key:
             raise ValueError("add_plugin_config: module和key不能为为空")
 
-        # 获取现有配置值（如果存在）
         existing_value = None
         if module in self._data and (config := self._data[module].configs.get(key)):
             existing_value = config.value
 
-        # 标准化值和默认值
         processed_value = self._normalize_config_data(value, existing_value)
         processed_default_value = self._normalize_config_data(default_value)
 
@@ -348,7 +302,6 @@ class ConfigsManager:
         if value_to_process is None:
             return default
 
-        # 1. 最高优先级：自定义的参数解析器
         if config.arg_parser:
             try:
                 return config.arg_parser(value_to_process)

zhenxun/configs/utils/models.py

@@ -2,10 +2,10 @@ from collections.abc import Callable
 from datetime import datetime
 from typing import Any, Literal
 
-from nonebot.compat import model_dump
 from pydantic import BaseModel, Field
 
 from zhenxun.utils.enum import BlockType, LimitWatchType, PluginLimitType, PluginType
+from zhenxun.utils.pydantic_compat import model_dump
 
 __all__ = [
     "AICallableParam",

zhenxun/services/__init__.py

@@ -27,23 +27,19 @@ from .llm import (
     LLMException,
     LLMGenerationConfig,
     LLMMessage,
-    analyze,
-    analyze_multimodal,
     chat,
     clear_model_cache,
     code,
     create_multimodal_message,
     embed,
     generate,
+    generate_structured,
     get_cache_stats,
     get_model_instance,
     list_available_models,
     list_embedding_models,
-    pipeline_chat,
     search,
-    search_multimodal,
     set_global_default_model_name,
-    tool_registry,
 )
 from .log import logger
 from .plugin_init import PluginInit, PluginInitManager
@@ -60,8 +56,6 @@ __all__ = [
     "Model",
     "PluginInit",
     "PluginInitManager",
-    "analyze",
-    "analyze_multimodal",
     "chat",
     "clear_model_cache",
     "code",
@@ -69,16 +63,14 @@ __all__ = [
     "disconnect",
     "embed",
     "generate",
+    "generate_structured",
     "get_cache_stats",
     "get_model_instance",
     "list_available_models",
     "list_embedding_models",
     "logger",
-    "pipeline_chat",
     "scheduler_manager",
     "search",
-    "search_multimodal",
     "set_global_default_model_name",
-    "tool_registry",
     "with_db_timeout",
 ]

zhenxun/services/llm/README.md

@@ -1,558 +0,0 @@
-
----
-
-# 🚀 Zhenxun LLM 服务模块
-
-本模块是一个功能强大、高度可扩展的统一大语言模型（LLM）服务框架。它旨在将各种不同的 LLM 提供商（如 OpenAI、Gemini、智谱AI等）的 API 封装在一个统一、易于使用的接口之后，让开发者可以无缝切换和使用不同的模型，同时支持多模态输入、工具调用、智能重试和缓存等高级功能。
-
-## 目录
-
-- [🚀 Zhenxun LLM 服务模块](#-zhenxun-llm-服务模块)
-  - [目录](#目录)
-  - [✨ 核心特性](#-核心特性)
-  - [🧠 核心概念](#-核心概念)
-  - [🛠️ 安装与配置](#️-安装与配置)
-    - [服务提供商配置 (`config.yaml`)](#服务提供商配置-configyaml)
-    - [MCP 工具配置 (`mcp_tools.json`)](#mcp-工具配置-mcp_toolsjson)
-  - [📘 使用指南](#-使用指南)
-    - [**等级1: 便捷函数** - 最快速的调用方式](#等级1-便捷函数---最快速的调用方式)
-    - [**等级2: `AI` 会话类** - 管理有状态的对话](#等级2-ai-会话类---管理有状态的对话)
-    - [**等级3: 直接模型控制** - `get_model_instance`](#等级3-直接模型控制---get_model_instance)
-  - [🌟 功能深度剖析](#-功能深度剖析)
-    - [精细化控制模型生成 (`LLMGenerationConfig` 与 `CommonOverrides`)](#精细化控制模型生成-llmgenerationconfig-与-commonoverrides)
-    - [赋予模型能力：工具使用 (Function Calling)](#赋予模型能力工具使用-function-calling)
-      - [1. 注册工具](#1-注册工具)
-        - [函数工具注册](#函数工具注册)
-        - [MCP工具注册](#mcp工具注册)
-      - [2. 调用带工具的模型](#2-调用带工具的模型)
-    - [处理多模态输入](#处理多模态输入)
-  - [🔧 高级主题与扩展](#-高级主题与扩展)
-    - [模型与密钥管理](#模型与密钥管理)
-    - [缓存管理](#缓存管理)
-    - [错误处理 (`LLMException`)](#错误处理-llmexception)
-    - [自定义适配器 (Adapter)](#自定义适配器-adapter)
-  - [📚 API 快速参考](#-api-快速参考)
-
----
-
-## ✨ 核心特性
-
--   **多提供商支持**: 内置对 OpenAI、Gemini、智谱AI 等多种 API 的适配器，并可通过通用 OpenAI 兼容适配器轻松接入更多服务。
--   **统一的 API**: 提供从简单到高级的三层 API，满足不同场景的需求，无论是快速聊天还是复杂的分析任务。
--   **强大的工具调用 (Function Calling)**: 支持标准的函数调用和实验性的 MCP (Model Context Protocol) 工具，让 LLM 能够与外部世界交互。
--   **多模态能力**: 无缝集成 `UniMessage`，轻松处理文本、图片、音频、视频等混合输入，支持多模态搜索和分析。
--   **文本嵌入向量化**: 提供统一的嵌入接口，支持语义搜索、相似度计算和文本聚类等应用。
--   **智能重试与 Key 轮询**: 内置健壮的请求重试逻辑，当 API Key 失效或达到速率限制时，能自动轮询使用备用 Key。
--   **灵活的配置系统**: 通过配置文件和代码中的 `LLMGenerationConfig`，可以精细控制模型的生成行为（如温度、最大Token等）。
--   **高性能缓存机制**: 内置模型实例缓存，减少重复初始化开销，提供缓存管理和监控功能。
--   **丰富的配置预设**: 提供 `CommonOverrides` 类，包含创意模式、精确模式、JSON输出等多种常用配置预设。
--   **可扩展的适配器架构**: 开发者可以轻松编写自己的适配器来支持新的 LLM 服务。
-
-## 🧠 核心概念
-
--   **适配器 (Adapter)**: 这是连接我们统一接口和特定 LLM 提供商 API 的“翻译官”。例如，`GeminiAdapter` 知道如何将我们的标准请求格式转换为 Google Gemini API 需要的格式，并解析其响应。
--   **模型实例 (`LLMModel`)**: 这是框架中的核心操作对象，代表一个**具体配置好**的模型。例如，一个 `LLMModel` 实例可能代表使用特定 API Key、特定代理的 `Gemini/gemini-1.5-pro`。所有与模型交互的操作都通过这个类的实例进行。
--   **生成配置 (`LLMGenerationConfig`)**: 这是一个数据类，用于控制模型在生成内容时的行为，例如 `temperature` (温度)、`max_tokens` (最大输出长度)、`response_format` (响应格式) 等。
--   **工具 (Tool)**: 代表一个可以让 LLM 调用的函数。它可以是一个简单的 Python 函数，也可以是一个更复杂的、有状态的 MCP 服务。
--   **多模态内容 (`LLMContentPart`)**: 这是处理多模态输入的基础单元，一个 `LLMMessage` 可以包含多个 `LLMContentPart`，如一个文本部分和多个图片部分。
-
-## 🛠️ 安装与配置
-
-该模块作为 `zhenxun` 项目的一部分被集成，无需额外安装。核心配置主要涉及两个文件。
-
-### 服务提供商配置 (`config.yaml`)
-
-核心配置位于项目 `/data/config.yaml` 文件中的 `AI` 部分。
-
-```yaml
-# /data/configs/config.yaml
-AI:
-  # (可选) 全局默认模型，格式: "ProviderName/ModelName"
-  default_model_name: Gemini/gemini-2.5-flash
-  # (可选) 全局代理设置
-  proxy: http://127.0.0.1:7890
-  # (可选) 全局超时设置 (秒)
-  timeout: 180
-  # (可选) Gemini 的安全过滤阈值
-  gemini_safety_threshold: BLOCK_MEDIUM_AND_ABOVE
-
-  # 配置你的AI服务提供商
-  PROVIDERS:
-    # 示例1: Gemini
-    - name: Gemini
-      api_key:
-        - "AIzaSy_KEY_1" # 支持多个Key，会自动轮询
-        - "AIzaSy_KEY_2"
-      api_base: https://generativelanguage.googleapis.com
-      api_type: gemini
-      models:
-        - model_name: gemini-2.5-pro
-        - model_name: gemini-2.5-flash
-        - model_name: gemini-2.0-flash
-        - model_name: embedding-001
-          is_embedding_model: true  # 标记为嵌入模型
-          max_input_tokens: 2048    # 嵌入模型特有配置
-
-    # 示例2: 智谱AI
-    - name: GLM
-      api_key: "YOUR_ZHIPU_API_KEY"
-      api_type: zhipu # 适配器类型
-      models:
-        - model_name: glm-4-flash
-        - model_name: glm-4-plus
-          temperature: 0.8 # 可以为特定模型设置默认温度
-
-    # 示例3: 一个兼容OpenAI的自定义服务
-    - name: MyOpenAIService
-      api_key: "sk-my-custom-key"
-      api_base: "http://localhost:8080/v1"
-      api_type: general_openai_compat # 使用通用OpenAI兼容适配器
-      models:
-        - model_name: Llama3-8B-Instruct
-          max_tokens: 2048 # 可以为特定模型设置默认最大Token
-```
-
-### MCP 工具配置 (`mcp_tools.json`)
-
-此文件位于 `/data/llm/mcp_tools.json`，用于配置通过 MCP 协议启动的外部工具服务。如果文件不存在，系统会自动创建一个包含示例的默认文件。
-
-```json
-{
-  "mcpServers": {
-    "baidu-map": {
-      "command": "npx",
-      "args": ["-y", "@baidumap/mcp-server-baidu-map"],
-      "env": {
-        "BAIDU_MAP_API_KEY": "<YOUR_BAIDU_MAP_API_KEY>"
-      },
-      "description": "百度地图工具，提供地理编码、路线规划等功能。"
-    },
-    "sequential-thinking": {
-      "command": "npx",
-      "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"],
-      "description": "顺序思维工具，用于帮助模型进行多步骤推理。"
-    }
-  }
-}
-```
-
-## 📘 使用指南
-
-我们提供了三层 API，以满足从简单到复杂的各种需求。
-
-### **等级1: 便捷函数** - 最快速的调用方式
-
-这些函数位于 `zhenxun.services.llm` 包的顶层，为你处理了所有的底层细节。
-
-```python
-from zhenxun.services.llm import chat, search, code, pipeline_chat, embed, analyze_multimodal, search_multimodal
-from zhenxun.services.llm.utils import create_multimodal_message
-
-# 1. 纯文本聊天
-response_text = await chat("你好，请用苏轼的风格写一首关于月亮的诗。")
-print(response_text)
-
-# 2. 带网络搜索的问答
-search_result = await search("马斯克的Neuralink公司最近有什么新进展？")
-print(search_result['text'])
-# print(search_result['sources']) # 查看信息来源
-
-# 3. 执行代码
-code_result = await code("用Python画一个心形图案。")
-print(code_result['text']) # 包含代码和解释的回复
-
-# 4. 链式调用
-image_msg = create_multimodal_message(images="path/to/cat.jpg")
-final_poem = await pipeline_chat(
-    message=image_msg,
-    model_chain=["Gemini/gemini-1.5-pro", "GLM/glm-4-flash"],
-    initial_instruction="详细描述这只猫的外观和姿态。",
-    final_instruction="将上述描述凝练成一首可爱的短诗。"
-)
-print(final_poem.text)
-
-# 5. 文本嵌入向量生成
-texts_to_embed = ["今天天气真好", "我喜欢打篮球", "这部电影很感人"]
-vectors = await embed(texts_to_embed, model="Gemini/embedding-001")
-print(f"生成了 {len(vectors)} 个向量，每个向量维度: {len(vectors[0])}")
-
-# 6. 多模态分析便捷函数
-response = await analyze_multimodal(
-    text="请分析这张图片中的内容",
-    images="path/to/image.jpg",
-    model="Gemini/gemini-1.5-pro"
-)
-print(response)
-
-# 7. 多模态搜索便捷函数
-search_result = await search_multimodal(
-    text="搜索与这张图片相关的信息",
-    images="path/to/image.jpg",
-    model="Gemini/gemini-1.5-pro"
-)
-print(search_result['text'])
-```
-
-### **等级2: `AI` 会话类** - 管理有状态的对话
-
-当你需要进行有上下文的、连续的对话时，`AI` 类是你的最佳选择。
-
-```python
-from zhenxun.services.llm import AI, AIConfig
-
-# 初始化一个AI会话，可以传入自定义配置
-ai_config = AIConfig(model="GLM/glm-4-flash", temperature=0.7)
-ai_session = AI(config=ai_config)
-
-# 更完整的AIConfig配置示例
-advanced_config = AIConfig(
-    model="GLM/glm-4-flash",
-    default_embedding_model="Gemini/embedding-001",  # 默认嵌入模型
-    temperature=0.7,
-    max_tokens=2000,
-    enable_cache=True,              # 启用模型缓存
-    enable_code=True,               # 启用代码执行功能
-    enable_search=True,             # 启用搜索功能
-    timeout=180,                    # 请求超时时间（秒）
-    # Gemini特定配置选项
-    enable_gemini_json_mode=True,   # 启用Gemini JSON模式
-    enable_gemini_thinking=True,    # 启用Gemini 思考模式
-    enable_gemini_safe_mode=True,   # 启用Gemini 安全模式
-    enable_gemini_multimodal=True,  # 启用Gemini 多模态优化
-    enable_gemini_grounding=True,   # 启用Gemini 信息来源关联
-)
-advanced_session = AI(config=advanced_config)
-
-# 进行连续对话
-await ai_session.chat("我最喜欢的城市是成都。")
-response = await ai_session.chat("它有什么好吃的？") # AI会知道“它”指的是成都
-print(response)
-
-# 在同一个会话中，临时切换模型进行一次调用
-response_gemini = await ai_session.chat(
-    "从AI的角度分析一下成都的科技发展潜力。",
-    model="Gemini/gemini-1.5-pro"
-)
-print(response_gemini)
-
-# 清空历史，开始新一轮对话
-ai_session.clear_history()
-```
-
-### **等级3: 直接模型控制** - `get_model_instance`
-
-这是最底层的 API，为你提供对模型实例的完全控制。推荐使用 `async with` 语句来优雅地管理模型实例的生命周期。
-
-```python
-from zhenxun.services.llm import get_model_instance, LLMMessage
-from zhenxun.services.llm.config import LLMGenerationConfig
-
-# 1. 获取模型实例
-# get_model_instance 返回一个异步上下文管理器
-async with await get_model_instance("Gemini/gemini-1.5-pro") as model:
-    # 2. 准备消息列表
-    messages = [
-        LLMMessage.system("你是一个专业的营养师。"),
-        LLMMessage.user("我今天吃了汉堡和可乐，请给我一些健康建议。")
-    ]
-    
-    # 3. (可选) 定义本次调用的生成配置
-    gen_config = LLMGenerationConfig(
-        temperature=0.2, # 更严谨的回复
-        max_tokens=300
-    )
-    
-    # 4. 生成响应
-    response = await model.generate_response(messages, config=gen_config)
-    
-    # 5. 处理响应
-    print(response.text)
-    if response.usage_info:
-        print(f"Token 消耗: {response.usage_info['total_tokens']}")
-```
-
-## 🌟 功能深度剖析
-
-### 精细化控制模型生成 (`LLMGenerationConfig` 与 `CommonOverrides`)
-
--   **`LLMGenerationConfig`**: 一个 Pydantic 模型，用于覆盖模型的默认生成参数。
--   **`CommonOverrides`**: 一个包含多种常用配置预设的类，如 `creative()`, `precise()`, `gemini_json()` 等，能极大地简化配置过程。
-
-```python
-from zhenxun.services.llm.config import LLMGenerationConfig, CommonOverrides
-
-# LLMGenerationConfig 完整参数示例
-comprehensive_config = LLMGenerationConfig(
-    temperature=0.7,              # 生成温度 (0.0-2.0)
-    max_tokens=1000,              # 最大输出token数
-    top_p=0.9,                    # 核采样参数 (0.0-1.0)
-    top_k=40,                     # Top-K采样参数
-    frequency_penalty=0.0,        # 频率惩罚 (-2.0-2.0)
-    presence_penalty=0.0,         # 存在惩罚 (-2.0-2.0)
-    repetition_penalty=1.0,       # 重复惩罚 (0.0-2.0)
-    stop=["END", "\n\n"],         # 停止序列
-    response_format={"type": "json_object"},  # 响应格式
-    response_mime_type="application/json",    # Gemini专用MIME类型
-    response_schema={...},        # JSON响应模式
-    thinking_budget=0.8,          # Gemini思考预算 (0.0-1.0)
-    enable_code_execution=True,   # 启用代码执行
-    safety_settings={...},        # 安全设置
-    response_modalities=["TEXT"], # 响应模态类型
-)
-
-# 创建一个配置，要求模型输出JSON格式
-json_config = LLMGenerationConfig(
-    temperature=0.1,
-    response_mime_type="application/json" # Gemini特有
-)
-# 对于OpenAI兼容API，可以这样做
-json_config_openai = LLMGenerationConfig(
-    temperature=0.1,
-    response_format={"type": "json_object"}
-)
-
-# 使用框架提供的预设 - 基础预设
-safe_config = CommonOverrides.gemini_safe()
-creative_config = CommonOverrides.creative()
-precise_config = CommonOverrides.precise()
-balanced_config = CommonOverrides.balanced()
-
-# 更多实用预设
-concise_config = CommonOverrides.concise(max_tokens=50)      # 简洁模式
-detailed_config = CommonOverrides.detailed(max_tokens=3000)  # 详细模式
-json_config = CommonOverrides.gemini_json()                 # JSON输出模式
-thinking_config = CommonOverrides.gemini_thinking(budget=0.8) # 思考模式
-
-# Gemini特定高级预设
-code_config = CommonOverrides.gemini_code_execution()        # 代码执行模式
-grounding_config = CommonOverrides.gemini_grounding()        # 信息来源关联模式
-multimodal_config = CommonOverrides.gemini_multimodal()     # 多模态优化模式
-
-# 在调用时传入config对象
-# await model.generate_response(messages, config=json_config)
-```
-
-### 赋予模型能力：工具使用 (Function Calling)
-
-工具调用让 LLM 能够与外部函数、API 或服务进行交互。
-
-#### 1. 注册工具
-
-##### 函数工具注册
-
-使用 `@tool_registry.function_tool` 装饰器注册一个简单的函数工具。
-
-```python
-from zhenxun.services.llm import tool_registry
-
-@tool_registry.function_tool(
-    name="query_stock_price",
-    description="查询指定股票代码的当前价格。",
-    parameters={
-        "stock_symbol": {"type": "string", "description": "股票代码, 例如 'AAPL' 或 'GOOG'"}
-    },
-    required=["stock_symbol"]
-)
-async def query_stock_price(stock_symbol: str) -> dict:
-    """一个查询股票价格的伪函数"""
-    print(f"--- 正在查询 {stock_symbol} 的价格 ---")
-    if stock_symbol == "AAPL":
-        return {"symbol": "AAPL", "price": 175.50, "currency": "USD"}
-    return {"error": "未知的股票代码"}
-```
-
-##### MCP工具注册
-
-对于更复杂的、有状态的工具，可以使用 `@tool_registry.mcp_tool` 装饰器注册MCP工具。
-
-```python
-from contextlib import asynccontextmanager
-from pydantic import BaseModel
-from zhenxun.services.llm import tool_registry
-
-# 定义工具的配置模型
-class MyToolConfig(BaseModel):
-    api_key: str
-    endpoint: str
-    timeout: int = 30
-
-# 注册MCP工具
-@tool_registry.mcp_tool(name="my-custom-tool", config_model=MyToolConfig)
-@asynccontextmanager
-async def my_tool_factory(config: MyToolConfig):
-    """MCP工具工厂函数"""
-    # 初始化工具会话
-    session = MyToolSession(config)
-    try:
-        await session.initialize()
-        yield session
-    finally:
-        await session.cleanup()
-```
-
-#### 2. 调用带工具的模型
-
-在 `analyze` 或 `generate_response` 中使用 `use_tools` 参数。框架会自动处理整个调用流程。
-
-```python
-from zhenxun.services.llm import analyze
-from nonebot_plugin_alconna.uniseg import UniMessage
-
-response = await analyze(
-    UniMessage("帮我查一下苹果公司的股价"),
-    use_tools=["query_stock_price"]
-)
-print(response.text) # 输出应为 "苹果公司(AAPL)的当前股价为175.5美元。" 或类似内容
-```
-
-### 处理多模态输入
-
-本模块通过 `UniMessage` 和 `LLMContentPart` 完美支持多模态。
-
--   **`create_multimodal_message`**: 推荐的、用于从代码中便捷地创建多模态消息的函数。
--   **`unimsg_to_llm_parts`**: 框架内部使用的核心转换函数，将 `UniMessage` 的各个段（文本、图片等）转换为 `LLMContentPart` 列表。
-
-```python
-from zhenxun.services.llm import analyze
-from zhenxun.services.llm.utils import create_multimodal_message
-from pathlib import Path
-
-# 从本地文件创建消息
-message = create_multimodal_message(
-    text="请分析这张图片和这个视频。图片里是什么？视频里发生了什么？",
-    images=[Path("path/to/your/image.jpg")],
-    videos=[Path("path/to/your/video.mp4")]
-)
-response = await analyze(message, model="Gemini/gemini-1.5-pro")
-print(response.text)
-```
-
-## 🔧 高级主题与扩展
-
-### 模型与密钥管理
-
-模块提供了一些工具函数来管理你的模型配置。
-
-```python
-from zhenxun.services.llm.manager import (
-    list_available_models,
-    list_embedding_models,
-    set_global_default_model_name,
-    get_global_default_model_name,
-    get_key_usage_stats,
-    reset_key_status
-)
-
-# 列出所有在config.yaml中配置的可用模型
-models = list_available_models()
-print([m['full_name'] for m in models])
-
-# 列出所有可用的嵌入模型
-embedding_models = list_embedding_models()
-print([m['full_name'] for m in embedding_models])
-
-# 动态设置全局默认模型
-success = set_global_default_model_name("GLM/glm-4-plus")
-
-# 获取所有Key的使用统计
-stats = await get_key_usage_stats()
-print(stats)
-
-# 重置'Gemini'提供商的所有Key
-await reset_key_status("Gemini")
-```
-
-### 缓存管理
-
-模块提供了模型实例缓存功能，可以提高性能并减少重复初始化的开销。
-
-```python
-from zhenxun.services.llm import clear_model_cache, get_cache_stats
-
-# 获取缓存统计信息
-stats = get_cache_stats()
-print(f"缓存大小: {stats['cache_size']}/{stats['max_cache_size']}")
-print(f"缓存TTL: {stats['cache_ttl']}秒")
-print(f"已缓存模型: {stats['cached_models']}")
-
-# 清空模型缓存（在内存不足或需要强制重新初始化时使用）
-clear_model_cache()
-print("模型缓存已清空")
-```
-
-### 错误处理 (`LLMException`)
-
-所有模块内的预期错误都会被包装成 `LLMException`，方便统一处理。
-
-```python
-from zhenxun.services.llm import chat, LLMException, LLMErrorCode
-
-try:
-    await chat("test", model="InvalidProvider/invalid_model")
-except LLMException as e:
-    print(f"捕获到LLM异常: {e}")
-    print(f"错误码: {e.code}") # 例如 LLMErrorCode.MODEL_NOT_FOUND
-    print(f"用户友好提示: {e.user_friendly_message}")
-```
-
-### 自定义适配器 (Adapter)
-
-如果你想支持一个新的、非 OpenAI 兼容的 LLM 服务，可以通过实现自己的适配器来完成。
-
-1.  **创建适配器类**: 继承 `BaseAdapter` 并实现其抽象方法。
-
-    ```python
-    # my_adapters/custom_adapter.py
-    from zhenxun.services.llm.adapters import BaseAdapter, RequestData, ResponseData
-
-    class MyCustomAdapter(BaseAdapter):
-        @property
-        def api_type(self) -> str: return "my_custom_api"
-    
-        @property
-        def supported_api_types(self) -> list[str]: return ["my_custom_api"]
-        # ... 实现 prepare_advanced_request, parse_response 等方法
-    ```
-
-2.  **注册适配器**: 在你的插件初始化代码中注册你的适配器。
-
-    ```python
-    from zhenxun.services.llm.adapters import register_adapter
-    from .my_adapters.custom_adapter import MyCustomAdapter
-    
-    register_adapter(MyCustomAdapter())
-    ```
-
-3.  **在 `config.yaml` 中使用**:
-
-    ```yaml
-    AI:
-      PROVIDERS:
-        - name: MyAwesomeLLM
-          api_key: "my-secret-key"
-          api_type: "my_custom_api" # 关键！使用你注册的 api_type
-          # ...
-    ```
-
-## 📚 API 快速参考
-
-| 类/函数                               | 主要用途                                                               | 推荐场景                                                     |
-| ------------------------------------- | ---------------------------------------------------------------------- | ------------------------------------------------------------ |
-| `llm.chat()`                          | 进行简单的、无状态的文本对话。                                         | 快速实现单轮问答。                                           |
-| `llm.search()`                        | 执行带网络搜索的问答。                                                 | 需要最新信息或回答事实性问题时。                             |
-| `llm.code()`                          | 请求模型执行代码。                                                     | 计算、数据处理、代码生成等。                                 |
-| `llm.pipeline_chat()`                 | 将多个模型串联，处理复杂任务流。                                       | 需要多模型协作完成的任务，如“图生文再润色”。                 |
-| `llm.analyze()`                       | 处理复杂的多模态输入 (`UniMessage`) 和工具调用。                       | 插件中处理用户命令，需要解析图片、at、回复等复杂消息时。   |
-| `llm.AI` (类)                         | 管理一个有状态的、连续的对话会话。                                     | 需要实现上下文关联的连续对话机器人。                         |
-| `llm.get_model_instance()`            | 获取一个底层的、可直接控制的 `LLMModel` 实例。                         | 需要对模型进行最精细控制的复杂或自定义场景。               |
-| `llm.config.LLMGenerationConfig` (类) | 定义模型生成的具体参数，如温度、最大Token等。                         | 当需要微调模型输出风格或格式时。                             |
-| `llm.tools.tool_registry` (实例)      | 注册和管理可供LLM调用的函数工具。                                      | 当你想让LLM拥有与外部世界交互的能力时。                      |
-| `llm.embed()`                         | 生成文本的嵌入向量表示。                                               | 语义搜索、相似度计算、文本聚类等。                           |
-| `llm.search_multimodal()`             | 执行带网络搜索的多模态问答。                                           | 需要基于图片、视频等多模态内容进行搜索时。                   |
-| `llm.analyze_multimodal()`            | 便捷的多模态分析函数。                                                 | 直接分析文本、图片、视频、音频等多模态内容。                 |
-| `llm.AIConfig` (类)                   | AI会话的配置类，包含模型、温度等参数。                                 | 配置AI会话的行为和特性。                                     |
-| `llm.clear_model_cache()`             | 清空模型实例缓存。                                                     | 内存管理或强制重新初始化模型时。                             |
-| `llm.get_cache_stats()`               | 获取模型缓存的统计信息。                                               | 监控缓存使用情况和性能优化。                                 |
-| `llm.list_embedding_models()`         | 列出所有可用的嵌入模型。                                               | 选择合适的嵌入模型进行向量化任务。                           |
-| `llm.config.CommonOverrides` (类)     | 提供常用的配置预设，如创意模式、精确模式等。                           | 快速应用常见的模型配置组合。                                 |
-| `llm.utils.create_multimodal_message` | 便捷地从文本、图片、音视频等数据创建 `UniMessage`。                    | 在代码中以编程方式构建多模态输入时。                         |

zhenxun/services/llm/__init__.py

@@ -5,15 +5,13 @@ LLM 服务模块 - 公共 API 入口
 """
 
 from .api import (
-    analyze,
-    analyze_multimodal,
     chat,
     code,
     embed,
     generate,
-    pipeline_chat,
+    generate_structured,
+    run_with_tools,
     search,
-    search_multimodal,
 )
 from .config import (
     CommonOverrides,
@@ -34,7 +32,7 @@ from .manager import (
     set_global_default_model_name,
 )
 from .session import AI, AIConfig
-from .tools import tool_registry
+from .tools import function_tool, tool_provider_manager
 from .types import (
     EmbeddingTaskType,
     LLMContentPart,
@@ -42,8 +40,6 @@ from .types import (
     LLMException,
     LLMMessage,
     LLMResponse,
-    LLMTool,
-    MCPCompatible,
     ModelDetail,
     ModelInfo,
     ModelProvider,
@@ -66,8 +62,6 @@ __all__ = [
     "LLMGenerationConfig",
     "LLMMessage",
     "LLMResponse",
-    "LLMTool",
-    "MCPCompatible",
     "ModelDetail",
     "ModelInfo",
     "ModelName",
@@ -77,14 +71,14 @@ __all__ = [
     "ToolCategory",
     "ToolMetadata",
     "UsageInfo",
-    "analyze",
-    "analyze_multimodal",
     "chat",
     "clear_model_cache",
     "code",
     "create_multimodal_message",
     "embed",
+    "function_tool",
     "generate",
+    "generate_structured",
     "get_cache_stats",
     "get_global_default_model_name",
     "get_model_instance",
@@ -92,11 +86,10 @@ __all__ = [
     "list_embedding_models",
     "list_model_identifiers",
     "message_to_unimessage",
-    "pipeline_chat",
     "register_llm_configs",
+    "run_with_tools",
     "search",
-    "search_multimodal",
     "set_global_default_model_name",
-    "tool_registry",
+    "tool_provider_manager",
     "unimsg_to_llm_parts",
 ]

zhenxun/services/llm/adapters/base.py

@@ -17,7 +17,7 @@ if TYPE_CHECKING:
     from ..service import LLMModel
     from ..types.content import LLMMessage
     from ..types.enums import EmbeddingTaskType
-    from ..types.models import LLMTool
+    from ..types.protocols import ToolExecutable
 
 
 class RequestData(BaseModel):
@@ -103,7 +103,7 @@ class BaseAdapter(ABC):
         api_key: str,
         messages: list["LLMMessage"],
         config: "LLMGenerationConfig | None" = None,
-        tools: list["LLMTool"] | None = None,
+        tools: dict[str, "ToolExecutable"] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
     ) -> RequestData:
         """准备高级请求"""
@@ -401,7 +401,6 @@ class BaseAdapter(ABC):
 class OpenAICompatAdapter(BaseAdapter):
     """
     处理所有 OpenAI 兼容 API 的通用适配器。
-    消除 OpenAIAdapter 和 ZhipuAdapter 之间的代码重复。
     """
 
     @abstractmethod
@@ -445,7 +444,7 @@ class OpenAICompatAdapter(BaseAdapter):
         api_key: str,
         messages: list["LLMMessage"],
         config: "LLMGenerationConfig | None" = None,
-        tools: list["LLMTool"] | None = None,
+        tools: dict[str, "ToolExecutable"] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
     ) -> RequestData:
         """准备高级请求 - OpenAI兼容格式"""
@@ -459,21 +458,20 @@ class OpenAICompatAdapter(BaseAdapter):
         }
 
         if tools:
-            openai_tools = []
-            for tool in tools:
-                if tool.type == "function" and tool.function:
-                    openai_tools.append({"type": "function", "function": tool.function})
-                elif tool.type == "mcp" and tool.mcp_session:
-                    if callable(tool.mcp_session):
-                        raise ValueError(
-                            "适配器接收到未激活的 MCP 会话工厂。"
-                            "会话工厂应该在 LLMModel.generate_response 中被激活。"
-                        )
-                    openai_tools.append(
-                        tool.mcp_session.to_api_tool(api_type=self.api_type)
-                    )
+            import asyncio
+
+            from zhenxun.utils.pydantic_compat import model_dump
+
+            definition_tasks = [
+                executable.get_definition() for executable in tools.values()
+            ]
+            openai_tools = await asyncio.gather(*definition_tasks)
             if openai_tools:
-                body["tools"] = openai_tools
+                body["tools"] = [
+                    {"type": "function", "function": model_dump(tool)}
+                    for tool in openai_tools
+                ]
+
         if tool_choice:
             body["tool_choice"] = tool_choice
 

zhenxun/services/llm/adapters/gemini.py

@@ -7,6 +7,7 @@ from typing import TYPE_CHECKING, Any
 from zhenxun.services.log import logger
 
 from ..types.exceptions import LLMErrorCode, LLMException
+from ..utils import sanitize_schema_for_llm
 from .base import BaseAdapter, RequestData, ResponseData
 
 if TYPE_CHECKING:
@@ -14,7 +15,8 @@ if TYPE_CHECKING:
     from ..service import LLMModel
     from ..types.content import LLMMessage
     from ..types.enums import EmbeddingTaskType
-    from ..types.models import LLMTool, LLMToolCall
+    from ..types.models import LLMToolCall
+    from ..types.protocols import ToolExecutable
 
 
 class GeminiAdapter(BaseAdapter):
@@ -44,7 +46,7 @@ class GeminiAdapter(BaseAdapter):
         api_key: str,
         messages: list["LLMMessage"],
         config: "LLMGenerationConfig | None" = None,
-        tools: list["LLMTool"] | None = None,
+        tools: dict[str, "ToolExecutable"] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
     ) -> RequestData:
         """准备高级请求"""
@@ -128,11 +130,22 @@ class GeminiAdapter(BaseAdapter):
                     )
                     tool_result_obj = {"raw_output": content_str}
 
+                if isinstance(tool_result_obj, list):
+                    logger.debug(
+                        f"工具 '{msg.name}' 的返回结果是列表，"
+                        f"正在为Gemini API包装为JSON对象。"
+                    )
+                    final_response_payload = {"result": tool_result_obj}
+                elif not isinstance(tool_result_obj, dict):
+                    final_response_payload = {"result": tool_result_obj}
+                else:
+                    final_response_payload = tool_result_obj
+
                 current_parts.append(
                     {
                         "functionResponse": {
                             "name": msg.name,
-                            "response": tool_result_obj,
+                            "response": final_response_payload,
                         }
                     }
                 )
@@ -145,22 +158,26 @@ class GeminiAdapter(BaseAdapter):
 
         all_tools_for_request = []
         if tools:
-            for tool in tools:
-                if tool.type == "function" and tool.function:
-                    all_tools_for_request.append(
-                        {"functionDeclarations": [tool.function]}
-                    )
-                elif tool.type == "mcp" and tool.mcp_session:
-                    if callable(tool.mcp_session):
-                        raise ValueError(
-                            "适配器接收到未激活的 MCP 会话工厂。"
-                            "会话工厂应该在 LLMModel.generate_response 中被激活。"
-                        )
-                    all_tools_for_request.append(
-                        tool.mcp_session.to_api_tool(api_type=self.api_type)
-                    )
-                elif tool.type == "google_search":
-                    all_tools_for_request.append({"googleSearch": {}})
+            import asyncio
+
+            from zhenxun.utils.pydantic_compat import model_dump
+
+            definition_tasks = [
+                executable.get_definition() for executable in tools.values()
+            ]
+            tool_definitions = await asyncio.gather(*definition_tasks)
+
+            function_declarations = []
+            for tool_def in tool_definitions:
+                tool_def.parameters = sanitize_schema_for_llm(
+                    tool_def.parameters, api_type="gemini"
+                )
+                function_declarations.append(model_dump(tool_def))
+
+            if function_declarations:
+                all_tools_for_request.append(
+                    {"functionDeclarations": function_declarations}
+                )
 
         if effective_config:
             if getattr(effective_config, "enable_grounding", False):
@@ -289,49 +306,21 @@ class GeminiAdapter(BaseAdapter):
         self, model: "LLMModel", config: "LLMGenerationConfig | None" = None
     ) -> dict[str, Any]:
         """构建Gemini生成配置"""
-        generation_config: dict[str, Any] = {}
-
         effective_config = config if config is not None else model._generation_config
 
-        if effective_config:
-            base_api_params = effective_config.to_api_params(
-                api_type="gemini", model_name=model.model_name
+        if not effective_config:
+            return {}
+
+        generation_config = effective_config.to_api_params(
+            api_type="gemini", model_name=model.model_name
+        )
+
+        if generation_config:
+            param_keys = list(generation_config.keys())
+            logger.debug(
+                f"构建Gemini生成配置完成，包含 {len(generation_config)} 个参数: "
+                f"{param_keys}"
             )
-            generation_config.update(base_api_params)
-
-            if getattr(effective_config, "response_mime_type", None):
-                generation_config["responseMimeType"] = (
-                    effective_config.response_mime_type
-                )
-
-            if getattr(effective_config, "response_schema", None):
-                generation_config["responseSchema"] = effective_config.response_schema
-
-            thinking_budget = getattr(effective_config, "thinking_budget", None)
-            if thinking_budget is not None:
-                if "thinkingConfig" not in generation_config:
-                    generation_config["thinkingConfig"] = {}
-                generation_config["thinkingConfig"]["thinkingBudget"] = thinking_budget
-
-            if getattr(effective_config, "response_modalities", None):
-                modalities = effective_config.response_modalities
-                if isinstance(modalities, list):
-                    generation_config["responseModalities"] = [
-                        m.upper() for m in modalities
-                    ]
-                elif isinstance(modalities, str):
-                    generation_config["responseModalities"] = [modalities.upper()]
-
-            generation_config = {
-                k: v for k, v in generation_config.items() if v is not None
-            }
-
-            if generation_config:
-                param_keys = list(generation_config.keys())
-                logger.debug(
-                    f"构建Gemini生成配置完成，包含 {len(generation_config)} 个参数: "
-                    f"{param_keys}"
-                )
 
         return generation_config
 
@@ -410,10 +399,16 @@ class GeminiAdapter(BaseAdapter):
 
             text_content = ""
             parsed_tool_calls: list["LLMToolCall"] | None = None
+            thought_summary_parts = []
+            answer_parts = []
 
             for part in parts:
                 if "text" in part:
-                    text_content += part["text"]
+                    answer_parts.append(part["text"])
+                elif "thought" in part:
+                    thought_summary_parts.append(part["thought"])
+                elif "thoughtSummary" in part:
+                    thought_summary_parts.append(part["thoughtSummary"])
                 elif "functionCall" in part:
                     if parsed_tool_calls is None:
                         parsed_tool_calls = []
@@ -445,12 +440,27 @@ class GeminiAdapter(BaseAdapter):
                     result = part["codeExecutionResult"]
                     if result.get("outcome") == "OK":
                         output = result.get("output", "")
-                        text_content += f"\n[代码执行结果]:\n{output}\n"
+                        answer_parts.append(f"\n[代码执行结果]:\n```\n{output}\n```\n")
                     else:
-                        text_content += (
+                        answer_parts.append(
                             f"\n[代码执行失败]: {result.get('outcome', 'UNKNOWN')}\n"
                         )
 
+            if thought_summary_parts:
+                full_thought_summary = "\n".join(thought_summary_parts).strip()
+                full_answer = "".join(answer_parts).strip()
+
+                formatted_parts = []
+                if full_thought_summary:
+                    formatted_parts.append(f"🤔 **思考过程**\n\n{full_thought_summary}")
+                if full_answer:
+                    separator = "\n\n---\n\n" if full_thought_summary else ""
+                    formatted_parts.append(f"{separator}✅ **回答**\n\n{full_answer}")
+
+                text_content = "".join(formatted_parts)
+            else:
+                text_content = "".join(answer_parts)
+
             usage_info = response_json.get("usageMetadata")
 
             grounding_metadata_obj = None

zhenxun/services/llm/api.py

@@ -1,16 +1,19 @@
 """
-LLM 服务的高级 API 接口 - 便捷函数入口
+LLM 服务的高级 API 接口 - 便捷函数入口 (无状态)
 """
 
-from pathlib import Path
-from typing import Any
+from typing import Any, TypeVar
 
 from nonebot_plugin_alconna.uniseg import UniMessage
+from pydantic import BaseModel
 
 from zhenxun.services.log import logger
 
+from .config import CommonOverrides
+from .config.generation import create_generation_config_from_kwargs
 from .manager import get_model_instance
 from .session import AI
+from .tools.manager import tool_provider_manager
 from .types import (
     EmbeddingTaskType,
     LLMContentPart,
@@ -18,37 +21,53 @@ from .types import (
     LLMException,
     LLMMessage,
     LLMResponse,
-    LLMTool,
     ModelName,
 )
-from .utils import create_multimodal_message, unimsg_to_llm_parts
+
+T = TypeVar("T", bound=BaseModel)
 
 
 async def chat(
-    message: str | LLMMessage | list[LLMContentPart],
+    message: str | UniMessage | LLMMessage | list[LLMContentPart],
     *,
     model: ModelName = None,
-    tools: list[LLMTool] | None = None,
+    instruction: str | None = None,
+    tools: list[dict[str, Any] | str] | None = None,
     tool_choice: str | dict[str, Any] | None = None,
     **kwargs: Any,
 ) -> LLMResponse:
     """
-    聊天对话便捷函数
+    无状态的聊天对话便捷函数，通过临时的AI会话实例与LLM模型交互。
 
     参数:
-        message: 用户输入的消息。
-        model: 要使用的模型名称。
-        tools: 本次对话可用的工具列表。
-        tool_choice: 强制模型使用的工具。
-        **kwargs: 传递给模型的其他参数。
+        message: 用户输入的消息内容，支持多种格式。
+        model: 要使用的模型名称，如果为None则使用默认模型。
+        instruction: 系统指令，用于指导AI的行为和回复风格。
+        tools: 可用的工具列表，支持字典配置或字符串标识符。
+        tool_choice: 工具选择策略，控制AI如何选择和使用工具。
+        **kwargs: 额外的生成配置参数，会被转换为LLMGenerationConfig。
 
     返回:
-        LLMResponse: 模型的完整响应，可能包含文本或工具调用请求。
+        LLMResponse: 包含AI回复内容、使用信息和工具调用等的完整响应对象。
     """
-    ai = AI()
-    return await ai.chat(
-        message, model=model, tools=tools, tool_choice=tool_choice, **kwargs
-    )
+    try:
+        config = create_generation_config_from_kwargs(**kwargs) if kwargs else None
+
+        ai_session = AI()
+
+        return await ai_session.chat(
+            message,
+            model=model,
+            instruction=instruction,
+            tools=tools,
+            tool_choice=tool_choice,
+            config=config,
+        )
+    except LLMException:
+        raise
+    except Exception as e:
+        logger.error(f"执行 chat 函数失败: {e}", e=e)
+        raise LLMException(f"聊天执行失败: {e}", cause=e)
 
 
 async def code(
@@ -57,143 +76,68 @@ async def code(
     model: ModelName = None,
     timeout: int | None = None,
     **kwargs: Any,
-) -> dict[str, Any]:
+) -> LLMResponse:
     """
-    代码执行便捷函数
+    无状态的代码执行便捷函数，支持在沙箱环境中执行代码。
 
     参数:
-        prompt: 代码执行的提示词。
-        model: 要使用的模型名称。
-        timeout: 代码执行超时时间（秒）。
-        **kwargs: 传递给模型的其他参数。
+        prompt: 代码执行的提示词，描述要执行的代码任务。
+        model: 要使用的模型名称，默认使用Gemini/gemini-2.0-flash。
+        timeout: 代码执行超时时间（秒），防止长时间运行的代码阻塞。
+        **kwargs: 额外的生成配置参数。
 
     返回:
-        dict[str, Any]: 包含执行结果的字典。
+        LLMResponse: 包含代码执行结果的完整响应对象。
     """
-    ai = AI()
-    return await ai.code(prompt, model=model, timeout=timeout, **kwargs)
+    resolved_model = model or "Gemini/gemini-2.0-flash"
+
+    config = CommonOverrides.gemini_code_execution()
+    if timeout:
+        config.custom_params = config.custom_params or {}
+        config.custom_params["code_execution_timeout"] = timeout
+
+    final_config = config.to_dict()
+    final_config.update(kwargs)
+
+    return await chat(prompt, model=resolved_model, **final_config)
 
 
 async def search(
-    query: str | UniMessage,
+    query: str | UniMessage | LLMMessage | list[LLMContentPart],
     *,
     model: ModelName = None,
-    instruction: str = "",
+    instruction: str = (
+        "你是一位强大的信息检索和整合专家。请利用可用的搜索工具，"
+        "根据用户的查询找到最相关的信息，并进行总结和回答。"
+    ),
     **kwargs: Any,
-) -> dict[str, Any]:
+) -> LLMResponse:
     """
-    信息搜索便捷函数
+    无状态的信息搜索便捷函数，利用搜索工具获取实时信息。
 
     参数:
-        query: 搜索查询内容。
-        model: 要使用的模型名称。
-        instruction: 搜索指令。
-        **kwargs: 传递给模型的其他参数。
+        query: 搜索查询内容，支持多种输入格式。
+        model: 要使用的模型名称，如果为None则使用默认模型。
+        instruction: 搜索任务的系统指令，指导AI如何处理搜索结果。
+        **kwargs: 额外的生成配置参数。
 
     返回:
-        dict[str, Any]: 包含搜索结果的字典。
+        LLMResponse: 包含搜索结果和AI整合回复的完整响应对象。
     """
-    ai = AI()
-    return await ai.search(query, model=model, instruction=instruction, **kwargs)
+    logger.debug("执行无状态 'search' 任务...")
+    search_config = CommonOverrides.gemini_grounding()
 
+    final_config = search_config.to_dict()
+    final_config.update(kwargs)
 
-async def analyze(
-    message: UniMessage | None,
-    *,
-    instruction: str = "",
-    model: ModelName = None,
-    use_tools: list[str] | None = None,
-    tool_config: dict[str, Any] | None = None,
-    **kwargs: Any,
-) -> str | LLMResponse:
-    """
-    内容分析便捷函数
-
-    参数:
-        message: 要分析的消息内容。
-        instruction: 分析指令。
-        model: 要使用的模型名称。
-        use_tools: 要使用的工具名称列表。
-        tool_config: 工具配置。
-        **kwargs: 传递给模型的其他参数。
-
-    返回:
-        str | LLMResponse: 分析结果。
-    """
-    ai = AI()
-    return await ai.analyze(
-        message,
-        instruction=instruction,
+    return await chat(
+        query,
         model=model,
-        use_tools=use_tools,
-        tool_config=tool_config,
-        **kwargs,
+        instruction=instruction,
+        **final_config,
     )
 
 
-async def analyze_multimodal(
-    text: str | None = None,
-    images: list[str | Path | bytes] | str | Path | bytes | None = None,
-    videos: list[str | Path | bytes] | str | Path | bytes | None = None,
-    audios: list[str | Path | bytes] | str | Path | bytes | None = None,
-    *,
-    instruction: str = "",
-    model: ModelName = None,
-    **kwargs: Any,
-) -> str | LLMResponse:
-    """
-    多模态分析便捷函数
-
-    参数:
-        text: 文本内容。
-        images: 图片文件路径、字节数据或列表。
-        videos: 视频文件路径、字节数据或列表。
-        audios: 音频文件路径、字节数据或列表。
-        instruction: 分析指令。
-        model: 要使用的模型名称。
-        **kwargs: 传递给模型的其他参数。
-
-    返回:
-        str | LLMResponse: 分析结果。
-    """
-    message = create_multimodal_message(
-        text=text, images=images, videos=videos, audios=audios
-    )
-    return await analyze(message, instruction=instruction, model=model, **kwargs)
-
-
-async def search_multimodal(
-    text: str | None = None,
-    images: list[str | Path | bytes] | str | Path | bytes | None = None,
-    videos: list[str | Path | bytes] | str | Path | bytes | None = None,
-    audios: list[str | Path | bytes] | str | Path | bytes | None = None,
-    *,
-    instruction: str = "",
-    model: ModelName = None,
-    **kwargs: Any,
-) -> dict[str, Any]:
-    """
-    多模态搜索便捷函数
-
-    参数:
-        text: 文本内容。
-        images: 图片文件路径、字节数据或列表。
-        videos: 视频文件路径、字节数据或列表。
-        audios: 音频文件路径、字节数据或列表。
-        instruction: 搜索指令。
-        model: 要使用的模型名称。
-        **kwargs: 传递给模型的其他参数。
-
-    返回:
-        dict[str, Any]: 包含搜索结果的字典。
-    """
-    message = create_multimodal_message(
-        text=text, images=images, videos=videos, audios=audios
-    )
-    ai = AI()
-    return await ai.search(message, model=model, instruction=instruction, **kwargs)
-
-
 async def embed(
     texts: list[str] | str,
     *,
@@ -202,140 +146,104 @@ async def embed(
     **kwargs: Any,
 ) -> list[list[float]]:
     """
-    文本嵌入便捷函数
+    无状态的文本嵌入便捷函数，将文本转换为向量表示。
 
     参数:
-        texts: 要生成嵌入向量的文本或文本列表。
-        model: 要使用的嵌入模型名称。
-        task_type: 嵌入任务类型。
-        **kwargs: 传递给模型的其他参数。
+        texts: 要生成嵌入的文本内容，支持单个字符串或字符串列表。
+        model: 要使用的嵌入模型名称，如果为None则使用默认模型。
+        task_type: 嵌入任务类型，影响向量的优化方向（如检索、分类等）。
+        **kwargs: 额外的模型配置参数。
 
     返回:
-        list[list[float]]: 文本的嵌入向量列表。
+        list[list[float]]: 文本对应的嵌入向量列表，每个向量为浮点数列表。
     """
-    ai = AI()
-    return await ai.embed(texts, model=model, task_type=task_type, **kwargs)
+    if isinstance(texts, str):
+        texts = [texts]
+    if not texts:
+        return []
 
-
-async def pipeline_chat(
-    message: UniMessage | str | list[LLMContentPart],
-    model_chain: list[ModelName],
-    *,
-    initial_instruction: str = "",
-    final_instruction: str = "",
-    **kwargs: Any,
-) -> LLMResponse:
-    """
-    AI模型链式调用，前一个模型的输出作为下一个模型的输入。
-
-    参数:
-        message: 初始输入消息（支持多模态）
-        model_chain: 模型名称列表
-        initial_instruction: 第一个模型的系统指令
-        final_instruction: 最后一个模型的系统指令
-        **kwargs: 传递给模型实例的其他参数
-
-    返回:
-        LLMResponse: 最后一个模型的响应结果
-    """
-    if not model_chain:
-        raise ValueError("模型链`model_chain`不能为空。")
-
-    current_content: str | list[LLMContentPart]
-    if isinstance(message, UniMessage):
-        current_content = await unimsg_to_llm_parts(message)
-    elif isinstance(message, str):
-        current_content = message
-    elif isinstance(message, list):
-        current_content = message
-    else:
-        raise TypeError(f"不支持的消息类型: {type(message)}")
-
-    final_response: LLMResponse | None = None
-
-    for i, model_name in enumerate(model_chain):
-        if not model_name:
-            raise ValueError(f"模型链中第 {i + 1} 个模型名称为空。")
-
-        is_first_step = i == 0
-        is_last_step = i == len(model_chain) - 1
-
-        messages_for_step: list[LLMMessage] = []
-        instruction_for_step = ""
-        if is_first_step and initial_instruction:
-            instruction_for_step = initial_instruction
-        elif is_last_step and final_instruction:
-            instruction_for_step = final_instruction
-
-        if instruction_for_step:
-            messages_for_step.append(LLMMessage.system(instruction_for_step))
-
-        messages_for_step.append(LLMMessage.user(current_content))
-
-        logger.info(
-            f"Pipeline Step [{i + 1}/{len(model_chain)}]: "
-            f"使用模型 '{model_name}' 进行处理..."
-        )
-        try:
-            async with await get_model_instance(model_name, **kwargs) as model:
-                response = await model.generate_response(messages_for_step)
-            final_response = response
-            current_content = response.text.strip()
-            if not current_content and not is_last_step:
-                logger.warning(
-                    f"模型 '{model_name}' 在中间步骤返回了空内容，流水线可能无法继续。"
-                )
-                break
-
-        except Exception as e:
-            logger.error(f"在模型链的第 {i + 1} 步 ('{model_name}') 出错: {e}", e=e)
-            raise LLMException(
-                f"流水线在模型 '{model_name}' 处执行失败: {e}",
-                code=LLMErrorCode.GENERATION_FAILED,
-                cause=e,
+    try:
+        async with await get_model_instance(model) as model_instance:
+            return await model_instance.generate_embeddings(
+                texts, task_type=task_type, **kwargs
             )
-
-    if final_response is None:
+    except LLMException:
+        raise
+    except Exception as e:
+        logger.error(f"文本嵌入失败: {e}", e=e)
         raise LLMException(
-            "AI流水线未能产生任何响应。", code=LLMErrorCode.GENERATION_FAILED
+            f"文本嵌入失败: {e}", code=LLMErrorCode.EMBEDDING_FAILED, cause=e
         )
 
-    return final_response
+
+async def generate_structured(
+    message: str | LLMMessage | list[LLMContentPart],
+    response_model: type[T],
+    *,
+    model: ModelName = None,
+    instruction: str | None = None,
+    **kwargs: Any,
+) -> T:
+    """
+    无状态地生成结构化响应，并自动解析为指定的Pydantic模型。
+
+    参数:
+        message: 用户输入的消息内容，支持多种格式。
+        response_model: 用于解析和验证响应的Pydantic模型类。
+        model: 要使用的模型名称，如果为None则使用默认模型。
+        instruction: 系统指令，用于指导AI生成符合要求的结构化输出。
+        **kwargs: 额外的生成配置参数。
+
+    返回:
+        T: 解析后的Pydantic模型实例，类型为response_model指定的类型。
+    """
+    try:
+        config = create_generation_config_from_kwargs(**kwargs) if kwargs else None
+
+        ai_session = AI()
+
+        return await ai_session.generate_structured(
+            message,
+            response_model,
+            model=model,
+            instruction=instruction,
+            config=config,
+        )
+    except LLMException:
+        raise
+    except Exception as e:
+        logger.error(f"生成结构化响应失败: {e}", e=e)
+        raise LLMException(f"生成结构化响应失败: {e}", cause=e)
 
 
 async def generate(
     messages: list[LLMMessage],
     *,
     model: ModelName = None,
-    tools: list[LLMTool] | None = None,
+    tools: list[dict[str, Any] | str] | None = None,
     tool_choice: str | dict[str, Any] | None = None,
     **kwargs: Any,
 ) -> LLMResponse:
     """
-    根据完整的消息列表（包括系统指令）生成一次性响应。
-    这是一个便捷的函数，不使用或修改任何会话历史。
+    根据完整的消息列表生成一次性响应，这是一个无状态的底层函数。
 
     参数:
-        messages: 用于生成响应的完整消息列表。
-        model: 要使用的模型名称。
-        tools: 可用的工具列表。
-        tool_choice: 工具选择策略。
-        **kwargs: 传递给模型的其他参数。
+        messages: 完整的消息历史列表，包括系统指令、用户消息和助手回复。
+        model: 要使用的模型名称，如果为None则使用默认模型。
+        tools: 可用的工具列表，支持字典配置或字符串标识符。
+        tool_choice: 工具选择策略，控制AI如何选择和使用工具。
+        **kwargs: 额外的生成配置参数，会覆盖默认配置。
 
     返回:
-        LLMResponse: 模型的完整响应对象。
+        LLMResponse: 包含AI回复内容、使用信息和工具调用等的完整响应对象。
     """
     try:
-        ai_instance = AI()
-        resolved_model_name = ai_instance._resolve_model_name(model)
-        final_config_dict = ai_instance._merge_config(kwargs)
-
         async with await get_model_instance(
-            resolved_model_name, override_config=final_config_dict
+            model, override_config=kwargs
         ) as model_instance:
             return await model_instance.generate_response(
                 messages,
-                tools=tools,
+                tools=tools,  # type: ignore
                 tool_choice=tool_choice,
             )
     except LLMException:
@@ -343,3 +251,55 @@ async def generate(
     except Exception as e:
         logger.error(f"生成响应失败: {e}", e=e)
         raise LLMException(f"生成响应失败: {e}", cause=e)
+
+
+async def run_with_tools(
+    message: str | UniMessage | LLMMessage | list[LLMContentPart],
+    *,
+    model: ModelName = None,
+    instruction: str | None = None,
+    tools: list[str],
+    max_cycles: int = 5,
+    **kwargs: Any,
+) -> LLMResponse:
+    """
+    无状态地执行一个带本地Python函数的LLM调用循环。
+
+    参数:
+        message: 用户输入。
+        model: 使用的模型。
+        instruction: 系统指令。
+        tools: 要使用的本地函数工具名称列表 (必须已通过 @function_tool 注册)。
+        max_cycles: 最大工具调用循环次数。
+        **kwargs: 额外的生成配置参数。
+
+    返回:
+        LLMResponse: 包含最终回复的响应对象。
+    """
+    from .executor import ExecutionConfig, LLMToolExecutor
+    from .utils import normalize_to_llm_messages
+
+    messages = await normalize_to_llm_messages(message, instruction)
+
+    async with await get_model_instance(
+        model, override_config=kwargs
+    ) as model_instance:
+        resolved_tools = await tool_provider_manager.get_function_tools(tools)
+        if not resolved_tools:
+            logger.warning(
+                "run_with_tools 未找到任何可用的本地函数工具，将作为普通聊天执行。"
+            )
+            return await model_instance.generate_response(messages, tools=None)
+
+        executor = LLMToolExecutor(model_instance)
+        config = ExecutionConfig(max_cycles=max_cycles)
+        final_history = await executor.run(messages, resolved_tools, config)
+
+        for msg in reversed(final_history):
+            if msg.role == "assistant":
+                text = msg.content if isinstance(msg.content, str) else str(msg.content)
+                return LLMResponse(text=text, tool_calls=msg.tool_calls)
+
+    raise LLMException(
+        "带工具的执行循环未能产生有效的助手回复。", code=LLMErrorCode.GENERATION_FAILED
+    )

zhenxun/services/llm/config/__init__.py

@@ -14,7 +14,6 @@ from .generation import (
 from .presets import CommonOverrides
 from .providers import (
     LLMConfig,
-    ToolConfig,
     get_gemini_safety_threshold,
     get_llm_config,
     register_llm_configs,
@@ -27,7 +26,6 @@ __all__ = [
     "LLMConfig",
     "LLMGenerationConfig",
     "ModelConfigOverride",
-    "ToolConfig",
     "apply_api_specific_mappings",
     "create_generation_config_from_kwargs",
     "get_gemini_safety_threshold",

zhenxun/services/llm/config/generation.py

@@ -7,6 +7,7 @@ from typing import Any
 from pydantic import BaseModel, Field
 
 from zhenxun.services.log import logger
+from zhenxun.utils.pydantic_compat import model_dump
 
 from ..types.enums import ResponseFormat
 from ..types.exceptions import LLMErrorCode, LLMException
@@ -45,6 +46,9 @@ class ModelConfigOverride(BaseModel):
     thinking_budget: float | None = Field(
         default=None, ge=0.0, le=1.0, description="思考预算"
     )
+    include_thoughts: bool | None = Field(
+        default=None, description="是否在响应中包含思维过程（Gemini专用）"
+    )
     safety_settings: dict[str, str] | None = Field(default=None, description="安全设置")
     response_modalities: list[str] | None = Field(
         default=None, description="响应模态类型"
@@ -62,22 +66,16 @@ class ModelConfigOverride(BaseModel):
 
     def to_dict(self) -> dict[str, Any]:
         """转换为字典，排除None值"""
+
+        model_data = model_dump(self, exclude_none=True)
+
         result = {}
-        model_data = getattr(self, "model_dump", lambda: {})()
-        if not model_data:
-            model_data = {}
-            for field_name, _ in self.__class__.__dict__.get(
-                "model_fields", {}
-            ).items():
-                value = getattr(self, field_name, None)
-                if value is not None:
-                    model_data[field_name] = value
         for key, value in model_data.items():
-            if value is not None:
-                if key == "custom_params" and isinstance(value, dict):
-                    result.update(value)
-                else:
-                    result[key] = value
+            if key == "custom_params" and isinstance(value, dict):
+                result.update(value)
+            else:
+                result[key] = value
+
         return result
 
     def merge_with_base_config(
@@ -157,6 +155,10 @@ class LLMGenerationConfig(ModelConfigOverride):
                         params["responseSchema"] = self.response_schema
                     logger.debug(f"为 {api_type} 启用 JSON MIME 类型输出模式")
 
+        if self.custom_params:
+            custom_mapped = apply_api_specific_mappings(self.custom_params, api_type)
+            params.update(custom_mapped)
+
         if api_type == "gemini":
             if (
                 self.response_format != ResponseFormat.JSON
@@ -169,17 +171,28 @@ class LLMGenerationConfig(ModelConfigOverride):
 
             if self.response_schema is not None and "responseSchema" not in params:
                 params["responseSchema"] = self.response_schema
-            if self.thinking_budget is not None:
-                params["thinkingBudget"] = self.thinking_budget
+
+            if self.thinking_budget is not None or self.include_thoughts is not None:
+                thinking_config = params.setdefault("thinkingConfig", {})
+
+                if self.thinking_budget is not None:
+                    max_budget = 24576
+                    budget_value = int(self.thinking_budget * max_budget)
+                    thinking_config["thinkingBudget"] = budget_value
+                    logger.debug(
+                        f"已将 thinking_budget (float: {self.thinking_budget}) "
+                        f"转换为 Gemini API 的整数格式: {budget_value}"
+                    )
+
+                if self.include_thoughts is not None:
+                    thinking_config["includeThoughts"] = self.include_thoughts
+                    logger.debug(f"已设置 includeThoughts: {self.include_thoughts}")
+
             if self.safety_settings is not None:
                 params["safetySettings"] = self.safety_settings
             if self.response_modalities is not None:
                 params["responseModalities"] = self.response_modalities
 
-        if self.custom_params:
-            custom_mapped = apply_api_specific_mappings(self.custom_params, api_type)
-            params.update(custom_mapped)
-
         logger.debug(f"为{api_type}转换配置参数: {len(params)}个参数")
         return params
 

zhenxun/services/llm/config/providers.py

@@ -5,33 +5,19 @@ LLM 提供商配置管理
 """
 
 from functools import lru_cache
-import json
-import sys
 from typing import Any
 
 from pydantic import BaseModel, Field
 
 from zhenxun.configs.config import Config
-from zhenxun.configs.path_config import DATA_PATH
 from zhenxun.configs.utils import parse_as
 from zhenxun.services.log import logger
 from zhenxun.utils.manager.priority_manager import PriorityLifecycle
 
 from ..core import key_store
+from ..tools import tool_provider_manager
 from ..types.models import ModelDetail, ProviderConfig
 
-
-class ToolConfig(BaseModel):
-    """MCP类型工具的配置定义"""
-
-    type: str = "mcp"
-    name: str = Field(..., description="工具的唯一名称标识")
-    description: str | None = Field(None, description="工具功能的描述")
-    mcp_config: dict[str, Any] | BaseModel = Field(
-        ..., description="MCP服务器的特定配置"
-    )
-
-
 AI_CONFIG_GROUP = "AI"
 PROVIDERS_CONFIG_KEY = "PROVIDERS"
 
@@ -57,9 +43,6 @@ class LLMConfig(BaseModel):
     providers: list[ProviderConfig] = Field(
         default_factory=list, description="配置多个 AI 服务提供商及其模型信息"
     )
-    mcp_tools: list[ToolConfig] = Field(
-        default_factory=list, description="配置可用的外部MCP工具"
-    )
 
     def get_provider_by_name(self, name: str) -> ProviderConfig | None:
         """根据名称获取提供商配置
@@ -218,33 +201,6 @@ def get_default_providers() -> list[dict[str, Any]]:
     ]
 
 
-def get_default_mcp_tools() -> dict[str, Any]:
-    """
-    获取默认的MCP工具配置，用于在文件不存在时创建。
-    包含了 baidu-map, Context7, 和 sequential-thinking.
-    """
-    return {
-        "mcpServers": {
-            "baidu-map": {
-                "command": "npx",
-                "args": ["-y", "@baidumap/mcp-server-baidu-map"],
-                "env": {"BAIDU_MAP_API_KEY": "<YOUR_BAIDU_MAP_API_KEY>"},
-                "description": "百度地图工具，提供地理编码、路线规划等功能。",
-            },
-            "sequential-thinking": {
-                "command": "npx",
-                "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"],
-                "description": "顺序思维工具，用于帮助模型进行多步骤推理。",
-            },
-            "Context7": {
-                "command": "npx",
-                "args": ["-y", "@upstash/context7-mcp@latest"],
-                "description": "Upstash 提供的上下文管理和记忆工具。",
-            },
-        }
-    }
-
-
 def register_llm_configs():
     """注册 LLM 服务的配置项"""
     logger.info("注册 LLM 服务的配置项")
@@ -312,88 +268,9 @@ def register_llm_configs():
 
 @lru_cache(maxsize=1)
 def get_llm_config() -> LLMConfig:
-    """获取 LLM 配置实例，现在会从新的 JSON 文件加载 MCP 工具"""
+    """获取 LLM 配置实例，不再加载 MCP 工具配置"""
     ai_config = get_ai_config()
 
-    llm_data_path = DATA_PATH / "llm"
-    mcp_tools_path = llm_data_path / "mcp_tools.json"
-
-    mcp_tools_list = []
-    mcp_servers_dict = {}
-
-    if not mcp_tools_path.exists():
-        logger.info(f"未找到 MCP 工具配置文件，将在 '{mcp_tools_path}' 创建一个。")
-        llm_data_path.mkdir(parents=True, exist_ok=True)
-        default_mcp_config = get_default_mcp_tools()
-        try:
-            with mcp_tools_path.open("w", encoding="utf-8") as f:
-                json.dump(default_mcp_config, f, ensure_ascii=False, indent=2)
-            mcp_servers_dict = default_mcp_config.get("mcpServers", {})
-        except Exception as e:
-            logger.error(f"创建默认 MCP 配置文件失败: {e}", e=e)
-            mcp_servers_dict = {}
-    else:
-        try:
-            with mcp_tools_path.open("r", encoding="utf-8") as f:
-                mcp_data = json.load(f)
-                mcp_servers_dict = mcp_data.get("mcpServers", {})
-                if not isinstance(mcp_servers_dict, dict):
-                    logger.warning(
-                        f"'{mcp_tools_path}' 中的 'mcpServers' 键不是一个字典，"
-                        f"将使用空配置。"
-                    )
-                    mcp_servers_dict = {}
-
-        except json.JSONDecodeError as e:
-            logger.error(f"解析 MCP 配置文件 '{mcp_tools_path}' 失败: {e}", e=e)
-        except Exception as e:
-            logger.error(f"读取 MCP 配置文件时发生未知错误: {e}", e=e)
-            mcp_servers_dict = {}
-
-    if sys.platform == "win32":
-        logger.debug("检测到Windows平台，正在调整MCP工具的npx命令...")
-        for name, config in mcp_servers_dict.items():
-            if isinstance(config, dict) and config.get("command") == "npx":
-                logger.info(f"为工具 '{name}' 包装npx命令以兼容Windows。")
-                original_args = config.get("args", [])
-                config["command"] = "cmd"
-                config["args"] = ["/c", "npx", *original_args]
-
-    if mcp_servers_dict:
-        mcp_tools_list = [
-            {
-                "name": name,
-                "type": "mcp",
-                "description": config.get("description", f"MCP tool for {name}"),
-                "mcp_config": config,
-            }
-            for name, config in mcp_servers_dict.items()
-            if isinstance(config, dict)
-        ]
-
-    from ..tools.registry import tool_registry
-
-    for tool_dict in mcp_tools_list:
-        if isinstance(tool_dict, dict):
-            tool_name = tool_dict.get("name")
-            if not tool_name:
-                continue
-
-            config_model = tool_registry.get_mcp_config_model(tool_name)
-            if not config_model:
-                logger.debug(
-                    f"MCP工具 '{tool_name}' 没有注册其配置模型，"
-                    f"将跳过特定配置验证，直接使用原始配置字典。"
-                )
-                continue
-
-            mcp_config_data = tool_dict.get("mcp_config", {})
-            try:
-                parsed_mcp_config = parse_as(config_model, mcp_config_data)
-                tool_dict["mcp_config"] = parsed_mcp_config
-            except Exception as e:
-                raise ValueError(f"MCP工具 '{tool_name}' 的 `mcp_config` 配置错误: {e}")
-
     config_data = {
         "default_model_name": ai_config.get("default_model_name"),
         "proxy": ai_config.get("proxy"),
@@ -401,7 +278,6 @@ def get_llm_config() -> LLMConfig:
         "max_retries_llm": ai_config.get("max_retries_llm", 3),
         "retry_delay_llm": ai_config.get("retry_delay_llm", 2),
         PROVIDERS_CONFIG_KEY: ai_config.get(PROVIDERS_CONFIG_KEY, []),
-        "mcp_tools": mcp_tools_list,
     }
 
     return parse_as(LLMConfig, config_data)
@@ -504,12 +380,17 @@ def set_default_model(provider_model_name: str | None) -> bool:
 async def _init_llm_config_on_startup():
     """
     在服务启动时主动调用一次 get_llm_config 和 key_store.initialize，
-    以触发必要的初始化操作。
+    并预热工具提供者管理器。
     """
     logger.info("正在初始化 LLM 配置并加载密钥状态...")
     try:
         get_llm_config()
         await key_store.initialize()
-        logger.info("LLM 配置和密钥状态初始化完成。")
+        logger.debug("LLM 配置和密钥状态初始化完成。")
+
+        logger.debug("正在预热 LLM 工具提供者管理器...")
+        await tool_provider_manager.initialize()
+        logger.debug("LLM 工具提供者管理器预热完成。")
+
     except Exception as e:
         logger.error(f"LLM 配置或密钥状态初始化时发生错误: {e}", e=e)

zhenxun/services/llm/core.py

@@ -335,10 +335,10 @@ async def with_smart_retry(
             latency = (time.monotonic() - start_time) * 1000
 
             if key_store and isinstance(result, tuple) and len(result) == 2:
-                final_result, api_key_used = result
+                _, api_key_used = result
                 if api_key_used:
                     await key_store.record_success(api_key_used, latency)
-                return final_result
+                return result
             else:
                 return result
 

zhenxun/services/llm/executor.py

@@ -0,0 +1,193 @@
+"""
+LLM 轻量级工具执行器
+
+提供驱动 LLM 与本地函数工具之间交互的核心循环。
+"""
+
+import asyncio
+from enum import Enum
+import json
+from typing import Any
+
+from pydantic import BaseModel, Field
+
+from zhenxun.services.log import logger
+from zhenxun.utils.decorator.retry import Retry
+from zhenxun.utils.pydantic_compat import model_dump
+
+from .service import LLMModel
+from .types import (
+    LLMErrorCode,
+    LLMException,
+    LLMMessage,
+    ToolExecutable,
+    ToolResult,
+)
+
+
+class ExecutionConfig(BaseModel):
+    """
+    轻量级执行器的配置。
+    """
+
+    max_cycles: int = Field(default=5, description="工具调用循环的最大次数。")
+
+
+class ToolErrorType(str, Enum):
+    """结构化工具错误的类型枚举。"""
+
+    TOOL_NOT_FOUND = "ToolNotFound"
+    INVALID_ARGUMENTS = "InvalidArguments"
+    EXECUTION_ERROR = "ExecutionError"
+    USER_CANCELLATION = "UserCancellation"
+
+
+class ToolErrorResult(BaseModel):
+    """一个结构化的工具执行错误模型，用于返回给 LLM。"""
+
+    error_type: ToolErrorType = Field(..., description="错误的类型。")
+    message: str = Field(..., description="对错误的详细描述。")
+    is_retryable: bool = Field(False, description="指示这个错误是否可能通过重试解决。")
+
+    def model_dump(self, **kwargs):
+        return model_dump(self, **kwargs)
+
+
+def _is_exception_retryable(e: Exception) -> bool:
+    """判断一个异常是否应该触发重试。"""
+    if isinstance(e, LLMException):
+        retryable_codes = {
+            LLMErrorCode.API_REQUEST_FAILED,
+            LLMErrorCode.API_TIMEOUT,
+            LLMErrorCode.API_RATE_LIMITED,
+        }
+        return e.code in retryable_codes
+    return True
+
+
+class LLMToolExecutor:
+    """
+    一个通用的执行器，负责驱动 LLM 与工具之间的多轮交互。
+    """
+
+    def __init__(self, model: LLMModel):
+        self.model = model
+
+    async def run(
+        self,
+        messages: list[LLMMessage],
+        tools: dict[str, ToolExecutable],
+        config: ExecutionConfig | None = None,
+    ) -> list[LLMMessage]:
+        """
+        执行完整的思考-行动循环。
+        """
+        effective_config = config or ExecutionConfig()
+        execution_history = list(messages)
+
+        for i in range(effective_config.max_cycles):
+            response = await self.model.generate_response(
+                execution_history, tools=tools
+            )
+
+            assistant_message = LLMMessage(
+                role="assistant",
+                content=response.text,
+                tool_calls=response.tool_calls,
+            )
+            execution_history.append(assistant_message)
+
+            if not response.tool_calls:
+                logger.info("✅ LLMToolExecutor：模型未请求工具调用，执行结束。")
+                return execution_history
+
+            logger.info(
+                f"🛠️ LLMToolExecutor：模型请求并行调用 {len(response.tool_calls)} 个工具"
+            )
+            tool_results = await self._execute_tools_parallel_safely(
+                response.tool_calls,
+                tools,
+            )
+            execution_history.extend(tool_results)
+
+        raise LLMException(
+            f"超过最大工具调用循环次数 ({effective_config.max_cycles})。",
+            code=LLMErrorCode.GENERATION_FAILED,
+        )
+
+    async def _execute_single_tool_safely(
+        self, tool_call: Any, available_tools: dict[str, ToolExecutable]
+    ) -> tuple[Any, ToolResult]:
+        """安全地执行单个工具调用。"""
+        tool_name = tool_call.function.name
+        arguments = {}
+
+        try:
+            if tool_call.function.arguments:
+                arguments = json.loads(tool_call.function.arguments)
+        except json.JSONDecodeError as e:
+            error_result = ToolErrorResult(
+                error_type=ToolErrorType.INVALID_ARGUMENTS,
+                message=f"参数解析失败: {e}",
+                is_retryable=False,
+            )
+            return tool_call, ToolResult(output=model_dump(error_result))
+
+        try:
+            executable = available_tools.get(tool_name)
+            if not executable:
+                raise LLMException(
+                    f"Tool '{tool_name}' not found.",
+                    code=LLMErrorCode.CONFIGURATION_ERROR,
+                )
+
+            @Retry.simple(
+                stop_max_attempt=2, wait_fixed_seconds=1, return_on_failure=None
+            )
+            async def execute_with_retry():
+                return await executable.execute(**arguments)
+
+            execution_result = await execute_with_retry()
+            if execution_result is None:
+                raise LLMException("工具执行在多次重试后仍然失败。")
+
+            return tool_call, execution_result
+        except Exception as e:
+            error_type = ToolErrorType.EXECUTION_ERROR
+            is_retryable = _is_exception_retryable(e)
+            if (
+                isinstance(e, LLMException)
+                and e.code == LLMErrorCode.CONFIGURATION_ERROR
+            ):
+                error_type = ToolErrorType.TOOL_NOT_FOUND
+                is_retryable = False
+
+            error_result = ToolErrorResult(
+                error_type=error_type, message=str(e), is_retryable=is_retryable
+            )
+            return tool_call, ToolResult(output=model_dump(error_result))
+
+    async def _execute_tools_parallel_safely(
+        self,
+        tool_calls: list[Any],
+        available_tools: dict[str, ToolExecutable],
+    ) -> list[LLMMessage]:
+        """并行执行所有工具调用，并对每个调用的错误进行隔离。"""
+        if not tool_calls:
+            return []
+
+        tasks = [
+            self._execute_single_tool_safely(call, available_tools)
+            for call in tool_calls
+        ]
+        results = await asyncio.gather(*tasks)
+
+        tool_messages = [
+            LLMMessage.tool_response(
+                tool_call_id=original_call.id,
+                function_name=original_call.function.name,
+                result=result.output,
+            )
+            for original_call, result in results
+        ]
+        return tool_messages

zhenxun/services/llm/manager.py

@@ -86,14 +86,23 @@ def _cache_model(cache_key: str, model: LLMModel):
 
 
 def clear_model_cache():
-    """清空模型缓存"""
+    """
+    清空模型缓存，释放所有缓存的模型实例。
+
+    用于在内存不足或需要强制重新加载模型配置时清理缓存。
+    """
     global _model_cache
     _model_cache.clear()
     logger.info("已清空模型缓存")
 
 
 def get_cache_stats() -> dict[str, Any]:
-    """获取缓存统计信息"""
+    """
+    获取模型缓存的统计信息。
+
+    返回:
+        dict[str, Any]: 包含缓存大小、最大容量、TTL和已缓存模型列表的统计信息。
+    """
     return {
         "cache_size": len(_model_cache),
         "max_cache_size": _max_cache_size,
@@ -169,7 +178,13 @@ def find_model_config(
 
 
 def list_available_models() -> list[dict[str, Any]]:
-    """列出所有配置的可用模型"""
+    """
+    列出所有配置的可用模型及其详细信息。
+
+    返回:
+        list[dict[str, Any]]: 模型信息列表，每个字典包含提供商名称、模型名称、
+                             能力信息、是否为嵌入模型等详细信息。
+    """
     providers = get_configured_providers()
     model_list = []
     for provider in providers:
@@ -215,7 +230,13 @@ def list_model_identifiers() -> dict[str, list[str]]:
 
 
 def list_embedding_models() -> list[dict[str, Any]]:
-    """列出所有配置的嵌入模型"""
+    """
+    列出所有配置的嵌入模型。
+
+    返回:
+        list[dict[str, Any]]: 嵌入模型信息列表，从所有可用模型中筛选出
+                             支持嵌入功能的模型。
+    """
     all_models = list_available_models()
     return [model for model in all_models if model.get("is_embedding_model", False)]
 

zhenxun/services/llm/memory.py

@@ -0,0 +1,55 @@
+from abc import ABC, abstractmethod
+from collections import defaultdict
+from typing import Any
+
+from .types import LLMMessage
+
+
+class BaseMemory(ABC):
+    """
+    记忆系统的抽象基类。
+    定义了任何记忆后端都必须实现的接口。
+    """
+
+    @abstractmethod
+    async def get_history(self, session_id: str) -> list[LLMMessage]:
+        """根据会话ID获取历史记录。"""
+        raise NotImplementedError
+
+    @abstractmethod
+    async def add_message(self, session_id: str, message: LLMMessage) -> None:
+        """向指定会话添加一条消息。"""
+        raise NotImplementedError
+
+    @abstractmethod
+    async def add_messages(self, session_id: str, messages: list[LLMMessage]) -> None:
+        """向指定会话添加多条消息。"""
+        raise NotImplementedError
+
+    @abstractmethod
+    async def clear_history(self, session_id: str) -> None:
+        """清空指定会话的历史记录。"""
+        raise NotImplementedError
+
+
+class InMemoryMemory(BaseMemory):
+    """
+    一个简单的、默认的内存记忆后端。
+    将历史记录存储在进程内存中的字典里。
+    """
+
+    def __init__(self, **kwargs: Any):
+        self._history: dict[str, list[LLMMessage]] = defaultdict(list)
+
+    async def get_history(self, session_id: str) -> list[LLMMessage]:
+        return self._history.get(session_id, []).copy()
+
+    async def add_message(self, session_id: str, message: LLMMessage) -> None:
+        self._history[session_id].append(message)
+
+    async def add_messages(self, session_id: str, messages: list[LLMMessage]) -> None:
+        self._history[session_id].extend(messages)
+
+    async def clear_history(self, session_id: str) -> None:
+        if session_id in self._history:
+            del self._history[session_id]

zhenxun/services/llm/service.py

@@ -6,9 +6,10 @@ LLM 模型实现类
 
 from abc import ABC, abstractmethod
 from collections.abc import Awaitable, Callable
-from contextlib import AsyncExitStack
 import json
-from typing import Any
+from typing import Any, TypeVar
+
+from pydantic import BaseModel
 
 from zhenxun.services.log import logger
 
@@ -28,33 +29,25 @@ from .types import (
     LLMException,
     LLMMessage,
     LLMResponse,
-    LLMTool,
     ModelDetail,
     ProviderConfig,
+    ToolExecutable,
 )
 from .types.capabilities import ModelCapabilities, ModelModality
 from .utils import _sanitize_request_body_for_logging
 
+T = TypeVar("T", bound=BaseModel)
+
 
 class LLMModelBase(ABC):
     """LLM模型抽象基类"""
 
-    @abstractmethod
-    async def generate_text(
-        self,
-        prompt: str,
-        history: list[dict[str, str]] | None = None,
-        **kwargs: Any,
-    ) -> str:
-        """生成文本"""
-        pass
-
     @abstractmethod
     async def generate_response(
         self,
         messages: list[LLMMessage],
         config: LLMGenerationConfig | None = None,
-        tools: list[LLMTool] | None = None,
+        tools: dict[str, ToolExecutable] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
         **kwargs: Any,
     ) -> LLMResponse:
@@ -311,7 +304,7 @@ class LLMModel(LLMModelBase):
         adapter,
         messages: list[LLMMessage],
         config: LLMGenerationConfig | None,
-        tools: list[LLMTool] | None,
+        tools: dict[str, ToolExecutable] | None,
         tool_choice: str | dict[str, Any] | None,
         http_client: LLMHttpClient,
     ):
@@ -339,7 +332,7 @@ class LLMModel(LLMModelBase):
         adapter,
         messages: list[LLMMessage],
         config: LLMGenerationConfig | None,
-        tools: list[LLMTool] | None,
+        tools: dict[str, ToolExecutable] | None,
         tool_choice: str | dict[str, Any] | None,
         http_client: LLMHttpClient,
         failed_keys: set[str] | None = None,
@@ -428,66 +421,23 @@ class LLMModel(LLMModelBase):
         if self._is_closed:
             raise RuntimeError(f"LLMModel实例已关闭: {self}")
 
-    async def generate_text(
-        self,
-        prompt: str,
-        history: list[dict[str, str]] | None = None,
-        **kwargs: Any,
-    ) -> str:
-        """生成文本"""
-        self._check_not_closed()
-
-        messages: list[LLMMessage] = []
-
-        if history:
-            for msg in history:
-                role = msg.get("role", "user")
-                content_text = msg.get("content", "")
-                messages.append(LLMMessage(role=role, content=content_text))
-
-        messages.append(LLMMessage.user(prompt))
-
-        model_fields = getattr(LLMGenerationConfig, "model_fields", {})
-        request_specific_config_dict = {
-            k: v for k, v in kwargs.items() if k in model_fields
-        }
-        request_specific_config = None
-        if request_specific_config_dict:
-            request_specific_config = LLMGenerationConfig(
-                **request_specific_config_dict
-            )
-
-        for key in request_specific_config_dict:
-            kwargs.pop(key, None)
-
-        response = await self.generate_response(
-            messages,
-            config=request_specific_config,
-            **kwargs,
-        )
-        return response.text
-
     async def generate_response(
         self,
         messages: list[LLMMessage],
         config: LLMGenerationConfig | None = None,
-        tools: list[LLMTool] | None = None,
+        tools: dict[str, ToolExecutable] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
         **kwargs: Any,
     ) -> LLMResponse:
-        """生成高级响应"""
+        """
+        生成高级响应。
+        此方法现在只执行 *单次* LLM API 调用，并将结果（包括工具调用请求）返回。
+        """
         self._check_not_closed()
 
         from .adapters import get_adapter_for_api_type
         from .config.generation import create_generation_config_from_kwargs
 
-        adapter = get_adapter_for_api_type(self.api_type)
-        if not adapter:
-            raise LLMException(
-                f"未找到适用于 API 类型 '{self.api_type}' 的适配器",
-                code=LLMErrorCode.CONFIGURATION_ERROR,
-            )
-
         final_request_config = self._generation_config or LLMGenerationConfig()
         if kwargs:
             kwargs_config = create_generation_config_from_kwargs(**kwargs)
@@ -500,43 +450,19 @@ class LLMModel(LLMModelBase):
             merged_dict.update(config.to_dict())
             final_request_config = LLMGenerationConfig(**merged_dict)
 
+        adapter = get_adapter_for_api_type(self.api_type)
         http_client = await self._get_http_client()
 
-        async with AsyncExitStack() as stack:
-            activated_tools = []
-            if tools:
-                for tool in tools:
-                    if tool.type == "mcp" and callable(tool.mcp_session):
-                        func_obj = getattr(tool.mcp_session, "func", None)
-                        tool_name = (
-                            getattr(func_obj, "__name__", "unknown")
-                            if func_obj
-                            else "unknown"
-                        )
-                        logger.debug(f"正在激活 MCP 工具会话: {tool_name}")
+        response, _ = await self._execute_with_smart_retry(
+            adapter,
+            messages,
+            final_request_config,
+            tools,
+            tool_choice,
+            http_client,
+        )
 
-                        active_session = await stack.enter_async_context(
-                            tool.mcp_session()
-                        )
-
-                        activated_tools.append(
-                            LLMTool.from_mcp_session(
-                                session=active_session, annotations=tool.annotations
-                            )
-                        )
-                    else:
-                        activated_tools.append(tool)
-
-            llm_response = await self._execute_with_smart_retry(
-                adapter,
-                messages,
-                final_request_config,
-                activated_tools if activated_tools else None,
-                tool_choice,
-                http_client,
-            )
-
-        return llm_response
+        return response
 
     async def generate_embeddings(
         self,

zhenxun/services/llm/session.py

@@ -5,17 +5,27 @@ LLM 服务 - 会话客户端
 """
 
 import copy
-from dataclasses import dataclass
-from typing import Any
+from dataclasses import dataclass, field
+import json
+from typing import Any, TypeVar
+import uuid
 
+from jinja2 import Environment
+from nonebot.compat import type_validate_json
 from nonebot_plugin_alconna.uniseg import UniMessage
+from pydantic import BaseModel, ValidationError
 
 from zhenxun.services.log import logger
+from zhenxun.utils.pydantic_compat import model_copy, model_dump, model_json_schema
 
-from .config import CommonOverrides, LLMGenerationConfig
+from .config import (
+    CommonOverrides,
+    LLMGenerationConfig,
+)
 from .config.providers import get_ai_config
 from .manager import get_global_default_model_name, get_model_instance
-from .tools import tool_registry
+from .memory import BaseMemory, InMemoryMemory
+from .tools.manager import tool_provider_manager
 from .types import (
     EmbeddingTaskType,
     LLMContentPart,
@@ -23,67 +33,93 @@ from .types import (
     LLMException,
     LLMMessage,
     LLMResponse,
-    LLMTool,
     ModelName,
+    ResponseFormat,
+    ToolExecutable,
+    ToolProvider,
 )
-from .utils import unimsg_to_llm_parts
+from .utils import normalize_to_llm_messages
+
+T = TypeVar("T", bound=BaseModel)
+
+jinja_env = Environment(autoescape=False)
 
 
 @dataclass
 class AIConfig:
-    """AI配置类 - 简化版本"""
+    """AI配置类 - [重构后] 简化版本"""
 
     model: ModelName = None
     default_embedding_model: ModelName = None
-    temperature: float | None = None
-    max_tokens: int | None = None
-    enable_cache: bool = False
-    enable_code: bool = False
-    enable_search: bool = False
-    timeout: int | None = None
-
-    enable_gemini_json_mode: bool = False
-    enable_gemini_thinking: bool = False
-    enable_gemini_safe_mode: bool = False
-    enable_gemini_multimodal: bool = False
-    enable_gemini_grounding: bool = False
     default_preserve_media_in_history: bool = False
+    tool_providers: list[ToolProvider] = field(default_factory=list)
 
     def __post_init__(self):
         """初始化后从配置中读取默认值"""
         ai_config = get_ai_config()
         if self.model is None:
             self.model = ai_config.get("default_model_name")
-        if self.timeout is None:
-            self.timeout = ai_config.get("timeout", 180)
 
 
 class AI:
-    """统一的AI服务类 - 平衡设计版本
-
-    提供三层API：
-    1. 简单方法：ai.chat(), ai.code(), ai.search()
-    2. 标准方法：ai.analyze() 支持复杂参数
-    3. 高级方法：通过get_model_instance()直接访问
+    """
+    统一的AI服务类 - 提供了带记忆的会话接口。
+    不再执行自主工具循环，当LLM返回工具调用时，会直接将请求返回给调用者。
     """
 
     def __init__(
-        self, config: AIConfig | None = None, history: list[LLMMessage] | None = None
+        self,
+        session_id: str | None = None,
+        config: AIConfig | None = None,
+        memory: BaseMemory | None = None,
+        default_generation_config: LLMGenerationConfig | None = None,
     ):
         """
         初始化AI服务
 
         参数:
+            session_id: 唯一的会话ID，用于隔离记忆。
             config: AI 配置.
-            history: 可选的初始对话历史.
+            memory: 可选的自定义记忆后端。如果为None，则使用默认的InMemoryMemory。
+            default_generation_config: (新增) 此AI实例的默认生成配置。
         """
+        self.session_id = session_id or str(uuid.uuid4())
         self.config = config or AIConfig()
-        self.history = history or []
+        self.memory = memory or InMemoryMemory()
+        self.default_generation_config = (
+            default_generation_config or LLMGenerationConfig()
+        )
 
-    def clear_history(self):
-        """清空当前会话的历史记录"""
-        self.history = []
-        logger.info("AI session history cleared.")
+        global_providers = tool_provider_manager._providers
+        config_providers = self.config.tool_providers
+        self._tool_providers = list(dict.fromkeys(global_providers + config_providers))
+
+    async def clear_history(self):
+        """清空当前会话的历史记录。"""
+        await self.memory.clear_history(self.session_id)
+        logger.info(f"AI会话历史记录已清空 (session_id: {self.session_id})")
+
+    async def add_user_message_to_history(
+        self, message: str | LLMMessage | list[LLMContentPart]
+    ):
+        """
+        将一条用户消息标准化并添加到会话历史中。
+
+        参数:
+            message: 用户消息内容。
+        """
+        user_message = await self._normalize_input_to_message(message)
+        await self.memory.add_message(self.session_id, user_message)
+
+    async def add_assistant_response_to_history(self, response_text: str):
+        """
+        将助手的文本回复添加到会话历史中。
+
+        参数:
+            response_text: 助手的回复文本。
+        """
+        assistant_message = LLMMessage.assistant_text_response(response_text)
+        await self.memory.add_message(self.session_id, assistant_message)
 
     def _sanitize_message_for_history(self, message: LLMMessage) -> LLMMessage:
         """
@@ -121,83 +157,122 @@ class AI:
         sanitized_message.content = new_content_parts
         return sanitized_message
 
+    async def _normalize_input_to_message(
+        self, message: str | UniMessage | LLMMessage | list[LLMContentPart]
+    ) -> LLMMessage:
+        """
+        [重构后] 内部辅助方法，将各种输入类型统一转换为单个 LLMMessage 对象。
+        它调用共享的工具函数并提取最后一条消息（通常是用户输入）。
+        """
+        messages = await normalize_to_llm_messages(message)
+
+        if not messages:
+            raise LLMException(
+                "无法将输入标准化为有效的消息。", code=LLMErrorCode.CONFIGURATION_ERROR
+            )
+        return messages[-1]
+
     async def chat(
         self,
-        message: str | LLMMessage | list[LLMContentPart],
+        message: str | UniMessage | LLMMessage | list[LLMContentPart],
         *,
         model: ModelName = None,
+        instruction: str | None = None,
+        template_vars: dict[str, Any] | None = None,
         preserve_media_in_history: bool | None = None,
-        tools: list[LLMTool] | None = None,
+        tools: list[dict[str, Any] | str] | dict[str, ToolExecutable] | None = None,
         tool_choice: str | dict[str, Any] | None = None,
-        **kwargs: Any,
+        config: LLMGenerationConfig | None = None,
     ) -> LLMResponse:
         """
-        进行一次聊天对话，支持工具调用。
-        此方法会自动使用和更新会话内的历史记录。
+        核心交互方法，管理会话历史并执行单次LLM调用。
 
         参数:
-            message: 用户输入的消息。
-            model: 本次对话要使用的模型。
-            preserve_media_in_history: 是否在历史记录中保留原始多模态信息。
-                - True: 保留，用于深度多轮媒体分析。
-                - False: 不保留，替换为占位符，提高效率。
-                - None (默认): 使用AI实例配置的默认值。
-            tools: 本次对话可用的工具列表。
-            tool_choice: 强制模型使用的工具。
-            **kwargs: 传递给模型的其他生成参数。
+            message: 用户输入的消息内容，支持文本、UniMessage、LLMMessage或
+                    内容部分列表。
+            model: 要使用的模型名称，如果为None则使用配置中的默认模型。
+            instruction: 本次调用的特定系统指令，会与全局指令合并。
+            template_vars: 模板变量字典，用于在指令中进行变量替换。
+            preserve_media_in_history: 是否在历史记录中保留媒体内容，
+                                     None时使用默认配置。
+            tools: 可用的工具列表或工具字典，支持临时工具和预配置工具。
+            tool_choice: 工具选择策略，控制AI如何选择和使用工具。
+            config: 生成配置对象，用于覆盖默认的生成参数。
 
         返回:
-            LLMResponse: 模型的完整响应，可能包含文本或工具调用请求。
+            LLMResponse: 包含AI回复、工具调用请求、使用信息等的完整响应对象。
         """
-        current_message: LLMMessage
-        if isinstance(message, str):
-            current_message = LLMMessage.user(message)
-        elif isinstance(message, list) and all(
-            isinstance(part, LLMContentPart) for part in message
-        ):
-            current_message = LLMMessage.user(message)
-        elif isinstance(message, LLMMessage):
-            current_message = message
-        else:
-            raise LLMException(
-                f"AI.chat 不支持的消息类型: {type(message)}. "
-                "请使用 str, LLMMessage, 或 list[LLMContentPart]. "
-                "对于更复杂的多模态输入或文件路径，请使用 AI.analyze().",
-                code=LLMErrorCode.API_REQUEST_FAILED,
+        current_message = await self._normalize_input_to_message(message)
+
+        messages_for_run = []
+        final_instruction = instruction
+
+        if final_instruction and template_vars:
+            try:
+                template = jinja_env.from_string(final_instruction)
+                final_instruction = template.render(**template_vars)
+                logger.debug(f"渲染后的系统指令: {final_instruction}")
+            except Exception as e:
+                logger.error(f"渲染系统指令模板失败: {e}", e=e)
+
+        if final_instruction:
+            messages_for_run.append(LLMMessage.system(final_instruction))
+
+        current_history = await self.memory.get_history(self.session_id)
+        messages_for_run.extend(current_history)
+        messages_for_run.append(current_message)
+
+        try:
+            resolved_model_name = self._resolve_model_name(model or self.config.model)
+
+            final_config = model_copy(self.default_generation_config, deep=True)
+            if config:
+                update_dict = model_dump(config, exclude_unset=True)
+                final_config = model_copy(final_config, update=update_dict)
+
+            ad_hoc_tools = None
+            if tools:
+                if isinstance(tools, dict):
+                    ad_hoc_tools = tools
+                else:
+                    ad_hoc_tools = await self._resolve_tools(tools)
+
+            async with await get_model_instance(
+                resolved_model_name,
+                override_config=final_config.to_dict(),
+            ) as model_instance:
+                response = await model_instance.generate_response(
+                    messages_for_run, tools=ad_hoc_tools, tool_choice=tool_choice
+                )
+
+            should_preserve = (
+                preserve_media_in_history
+                if preserve_media_in_history is not None
+                else self.config.default_preserve_media_in_history
+            )
+            user_msg_to_store = (
+                current_message
+                if should_preserve
+                else self._sanitize_message_for_history(current_message)
+            )
+            assistant_response_msg = LLMMessage.assistant_text_response(response.text)
+            if response.tool_calls:
+                assistant_response_msg = LLMMessage.assistant_tool_calls(
+                    response.tool_calls, response.text
+                )
+
+            await self.memory.add_messages(
+                self.session_id, [user_msg_to_store, assistant_response_msg]
             )
 
-        final_messages = [*self.history, current_message]
+            return response
 
-        response = await self._execute_generation(
-            messages=final_messages,
-            model_name=model,
-            error_message="聊天失败",
-            config_overrides=kwargs,
-            llm_tools=tools,
-            tool_choice=tool_choice,
-        )
-
-        should_preserve = (
-            preserve_media_in_history
-            if preserve_media_in_history is not None
-            else self.config.default_preserve_media_in_history
-        )
-
-        if should_preserve:
-            logger.debug("深度分析模式：在历史记录中保留原始多模态消息。")
-            self.history.append(current_message)
-        else:
-            logger.debug("高效模式：净化历史记录中的多模态消息。")
-            sanitized_user_message = self._sanitize_message_for_history(current_message)
-            self.history.append(sanitized_user_message)
-
-        self.history.append(
-            LLMMessage(
-                role="assistant", content=response.text, tool_calls=response.tool_calls
+        except Exception as e:
+            raise (
+                e
+                if isinstance(e, LLMException)
+                else LLMException(f"聊天执行失败: {e}", cause=e)
             )
-        )
-
-        return response
 
     async def code(
         self,
@@ -205,8 +280,8 @@ class AI:
         *,
         model: ModelName = None,
         timeout: int | None = None,
-        **kwargs: Any,
-    ) -> dict[str, Any]:
+        config: LLMGenerationConfig | None = None,
+    ) -> LLMResponse:
         """
         代码执行
 
@@ -214,217 +289,120 @@ class AI:
             prompt: 代码执行的提示词。
             model: 要使用的模型名称。
             timeout: 代码执行超时时间（秒）。
-            **kwargs: 传递给模型的其他参数。
+            config: (可选) 覆盖默认的生成配置。
 
         返回:
-            dict[str, Any]: 包含执行结果的字典，包含text、code_executions和success字段。
+            LLMResponse: 包含执行结果的完整响应对象。
         """
         resolved_model = model or self.config.model or "Gemini/gemini-2.0-flash"
 
-        config = CommonOverrides.gemini_code_execution()
+        code_config = CommonOverrides.gemini_code_execution()
         if timeout:
-            config.custom_params = config.custom_params or {}
-            config.custom_params["code_execution_timeout"] = timeout
+            code_config.custom_params = code_config.custom_params or {}
+            code_config.custom_params["code_execution_timeout"] = timeout
 
-        messages = [LLMMessage.user(prompt)]
+        if config:
+            update_dict = model_dump(config, exclude_unset=True)
+            code_config = model_copy(code_config, update=update_dict)
 
-        response = await self._execute_generation(
-            messages=messages,
-            model_name=resolved_model,
-            error_message="代码执行失败",
-            config_overrides=kwargs,
-            base_config=config,
-        )
-
-        return {
-            "text": response.text,
-            "code_executions": response.code_executions or [],
-            "success": True,
-        }
+        return await self.chat(prompt, model=resolved_model, config=code_config)
 
     async def search(
         self,
-        query: str | UniMessage,
+        query: UniMessage,
         *,
         model: ModelName = None,
-        instruction: str = "",
-        **kwargs: Any,
-    ) -> dict[str, Any]:
+        instruction: str = (
+            "你是一位强大的信息检索和整合专家。请利用可用的搜索工具，"
+            "根据用户的查询找到最相关的信息，并进行总结和回答。"
+        ),
+        template_vars: dict[str, Any] | None = None,
+        config: LLMGenerationConfig | None = None,
+    ) -> LLMResponse:
         """
-        信息搜索 - 支持多模态输入
-
-        参数:
-            query: 搜索查询内容，支持文本或多模态消息。
-            model: 要使用的模型名称。
-            instruction: 搜索指令。
-            **kwargs: 传递给模型的其他参数。
-
-        返回:
-            dict[str, Any]: 包含搜索结果的字典，包含text、sources、queries和success字段
+        信息搜索的便捷入口，原生支持多模态查询。
         """
-        from nonebot_plugin_alconna.uniseg import UniMessage
+        logger.info("执行 'search' 任务...")
+        search_config = CommonOverrides.gemini_grounding()
 
-        resolved_model = model or self.config.model or "Gemini/gemini-2.0-flash"
-        config = CommonOverrides.gemini_grounding()
+        if config:
+            update_dict = model_dump(config, exclude_unset=True)
+            search_config = model_copy(search_config, update=update_dict)
 
-        if isinstance(query, str):
-            messages = [LLMMessage.user(query)]
-        elif isinstance(query, UniMessage):
-            content_parts = await unimsg_to_llm_parts(query)
-
-            final_messages: list[LLMMessage] = []
-            if instruction:
-                final_messages.append(LLMMessage.system(instruction))
-
-            if not content_parts:
-                if instruction:
-                    final_messages.append(LLMMessage.user(instruction))
-                else:
-                    raise LLMException(
-                        "搜索内容为空或无法处理。", code=LLMErrorCode.API_REQUEST_FAILED
-                    )
-            else:
-                final_messages.append(LLMMessage.user(content_parts))
-
-            messages = final_messages
-        else:
-            raise LLMException(
-                f"不支持的搜索输入类型: {type(query)}. 请使用 str 或 UniMessage.",
-                code=LLMErrorCode.API_REQUEST_FAILED,
-            )
-
-        response = await self._execute_generation(
-            messages=messages,
-            model_name=resolved_model,
-            error_message="信息搜索失败",
-            config_overrides=kwargs,
-            base_config=config,
+        return await self.chat(
+            query,
+            model=model,
+            instruction=instruction,
+            template_vars=template_vars,
+            config=search_config,
         )
 
-        result = {
-            "text": response.text,
-            "sources": [],
-            "queries": [],
-            "success": True,
-        }
-
-        if response.grounding_metadata:
-            result["sources"] = response.grounding_metadata.grounding_attributions or []
-            result["queries"] = response.grounding_metadata.web_search_queries or []
-
-        return result
-
-    async def analyze(
+    async def generate_structured(
         self,
-        message: UniMessage | None,
+        message: str | LLMMessage | list[LLMContentPart],
+        response_model: type[T],
         *,
-        instruction: str = "",
         model: ModelName = None,
-        use_tools: list[str] | None = None,
-        tool_config: dict[str, Any] | None = None,
-        activated_tools: list[LLMTool] | None = None,
-        history: list[LLMMessage] | None = None,
-        **kwargs: Any,
-    ) -> LLMResponse:
+        instruction: str | None = None,
+        config: LLMGenerationConfig | None = None,
+    ) -> T:
         """
-        内容分析 - 接收 UniMessage 物件进行多模态分析和工具呼叫。
+        生成结构化响应，并自动解析为指定的Pydantic模型。
 
         参数:
-            message: 要分析的消息内容（支持多模态）。
-            instruction: 分析指令。
-            model: 要使用的模型名称。
-            use_tools: 要使用的工具名称列表。
-            tool_config: 工具配置。
-            activated_tools: 已激活的工具列表。
-            history: 对话历史记录。
-            **kwargs: 传递给模型的其他参数。
+            message: 用户输入的消息内容，支持多种格式。
+            response_model: 用于解析和验证响应的Pydantic模型类。
+            model: 要使用的模型名称，如果为None则使用配置中的默认模型。
+            instruction: 本次调用的特定系统指令，会与JSON Schema指令合并。
+            config: 生成配置对象，用于覆盖默认的生成参数。
 
         返回:
-            LLMResponse: 模型的完整响应结果。
+            T: 解析后的Pydantic模型实例，类型为response_model指定的类型。
+
+        异常:
+            LLMException: 如果模型返回的不是有效的JSON或验证失败。
         """
-        from nonebot_plugin_alconna.uniseg import UniMessage
-
-        content_parts = await unimsg_to_llm_parts(message or UniMessage())
-
-        final_messages: list[LLMMessage] = []
-        if history:
-            final_messages.extend(history)
-
-        if instruction:
-            if not any(msg.role == "system" for msg in final_messages):
-                final_messages.insert(0, LLMMessage.system(instruction))
-
-        if not content_parts:
-            if instruction and not history:
-                final_messages.append(LLMMessage.user(instruction))
-            elif not history:
-                raise LLMException(
-                    "分析内容为空或无法处理。", code=LLMErrorCode.API_REQUEST_FAILED
-                )
-        else:
-            final_messages.append(LLMMessage.user(content_parts))
-
-        llm_tools: list[LLMTool] | None = activated_tools
-        if not llm_tools and use_tools:
-            try:
-                llm_tools = tool_registry.get_tools(use_tools)
-                logger.debug(f"已从注册表加载工具定义: {use_tools}")
-            except ValueError as e:
-                raise LLMException(
-                    f"加载工具定义失败: {e}",
-                    code=LLMErrorCode.CONFIGURATION_ERROR,
-                    cause=e,
-                )
-
-        tool_choice = None
-        if tool_config:
-            mode = tool_config.get("mode", "auto")
-            if mode in ["auto", "any", "none"]:
-                tool_choice = mode
-
-        response = await self._execute_generation(
-            messages=final_messages,
-            model_name=model,
-            error_message="内容分析失败",
-            config_overrides=kwargs,
-            llm_tools=llm_tools,
-            tool_choice=tool_choice,
-        )
-
-        return response
-
-    async def _execute_generation(
-        self,
-        messages: list[LLMMessage],
-        model_name: ModelName,
-        error_message: str,
-        config_overrides: dict[str, Any],
-        llm_tools: list[LLMTool] | None = None,
-        tool_choice: str | dict[str, Any] | None = None,
-        base_config: LLMGenerationConfig | None = None,
-    ) -> LLMResponse:
-        """通用的生成执行方法，封装模型获取和单次API调用"""
         try:
-            resolved_model_name = self._resolve_model_name(
-                model_name or self.config.model
-            )
-            final_config_dict = self._merge_config(
-                config_overrides, base_config=base_config
-            )
+            json_schema = model_json_schema(response_model)
+        except AttributeError:
+            json_schema = response_model.schema()
 
-            async with await get_model_instance(
-                resolved_model_name, override_config=final_config_dict
-            ) as model_instance:
-                return await model_instance.generate_response(
-                    messages,
-                    tools=llm_tools,
-                    tool_choice=tool_choice,
-                )
-        except LLMException:
-            raise
+        schema_str = json.dumps(json_schema, ensure_ascii=False, indent=2)
+
+        system_prompt = (
+            (f"{instruction}\n\n" if instruction else "")
+            + "你必须严格按照以下 JSON Schema 格式进行响应。"
+            + "不要包含任何额外的解释、注释或代码块标记，只返回纯粹的 JSON 对象。\n\n"
+        )
+        system_prompt += f"JSON Schema:\n```json\n{schema_str}\n```"
+
+        final_config = model_copy(config) if config else LLMGenerationConfig()
+
+        final_config.response_format = ResponseFormat.JSON
+        final_config.response_schema = json_schema
+
+        response = await self.chat(
+            message, model=model, instruction=system_prompt, config=final_config
+        )
+
+        try:
+            return type_validate_json(response_model, response.text)
+        except ValidationError as e:
+            logger.error(f"LLM结构化输出验证失败: {e}", e=e)
+            raise LLMException(
+                "LLM返回的JSON未能通过结构验证。",
+                code=LLMErrorCode.RESPONSE_PARSE_ERROR,
+                details={"raw_response": response.text, "validation_error": str(e)},
+                cause=e,
+            )
         except Exception as e:
-            logger.error(f"{error_message}: {e}", e=e)
-            raise LLMException(f"{error_message}: {e}", cause=e)
+            logger.error(f"解析LLM结构化输出时发生未知错误: {e}", e=e)
+            raise LLMException(
+                "解析LLM的JSON输出时失败。",
+                code=LLMErrorCode.RESPONSE_PARSE_ERROR,
+                details={"raw_response": response.text},
+                cause=e,
+            )
 
     def _resolve_model_name(self, model_name: ModelName) -> str:
         """解析模型名称"""
@@ -440,45 +418,6 @@ class AI:
             code=LLMErrorCode.MODEL_NOT_FOUND,
         )
 
-    def _merge_config(
-        self,
-        user_config: dict[str, Any],
-        base_config: LLMGenerationConfig | None = None,
-    ) -> dict[str, Any]:
-        """合并配置"""
-        final_config = {}
-        if base_config:
-            final_config.update(base_config.to_dict())
-
-        if self.config.temperature is not None:
-            final_config["temperature"] = self.config.temperature
-        if self.config.max_tokens is not None:
-            final_config["max_tokens"] = self.config.max_tokens
-
-        if self.config.enable_cache:
-            final_config["enable_caching"] = True
-        if self.config.enable_code:
-            final_config["enable_code_execution"] = True
-        if self.config.enable_search:
-            final_config["enable_grounding"] = True
-
-        if self.config.enable_gemini_json_mode:
-            final_config["response_mime_type"] = "application/json"
-        if self.config.enable_gemini_thinking:
-            final_config["thinking_budget"] = 0.8
-        if self.config.enable_gemini_safe_mode:
-            final_config["safety_settings"] = (
-                CommonOverrides.gemini_safe().safety_settings
-            )
-        if self.config.enable_gemini_multimodal:
-            final_config.update(CommonOverrides.gemini_multimodal().to_dict())
-        if self.config.enable_gemini_grounding:
-            final_config["enable_grounding"] = True
-
-        final_config.update(user_config)
-
-        return final_config
-
     async def embed(
         self,
         texts: list[str] | str,
@@ -488,16 +427,19 @@ class AI:
         **kwargs: Any,
     ) -> list[list[float]]:
         """
-        生成文本嵌入向量
+        生成文本嵌入向量，将文本转换为数值向量表示。
 
         参数:
-            texts: 要生成嵌入向量的文本或文本列表。
-            model: 要使用的嵌入模型名称。
-            task_type: 嵌入任务类型。
-            **kwargs: 传递给模型的其他参数。
+            texts: 要生成嵌入的文本内容，支持单个字符串或字符串列表。
+            model: 嵌入模型名称，如果为None则使用配置中的默认嵌入模型。
+            task_type: 嵌入任务类型，影响向量的优化方向（如检索、分类等）。
+            **kwargs: 传递给嵌入模型的额外参数。
 
         返回:
-            list[list[float]]: 文本的嵌入向量列表。
+            list[list[float]]: 文本对应的嵌入向量列表，每个向量为浮点数列表。
+
+        异常:
+            LLMException: 如果嵌入生成失败或模型配置错误。
         """
         if isinstance(texts, str):
             texts = [texts]
@@ -530,3 +472,44 @@ class AI:
             raise LLMException(
                 f"文本嵌入失败: {e}", code=LLMErrorCode.EMBEDDING_FAILED, cause=e
             )
+
+    async def _resolve_tools(
+        self,
+        tool_configs: list[Any],
+    ) -> dict[str, ToolExecutable]:
+        """
+        使用注入的 ToolProvider 异步解析 ad-hoc（临时）工具配置。
+        返回一个从工具名称到可执行对象的字典。
+        """
+        resolved: dict[str, ToolExecutable] = {}
+
+        for config in tool_configs:
+            name = config if isinstance(config, str) else config.get("name")
+            if not name:
+                raise LLMException(
+                    "工具配置字典必须包含 'name' 字段。",
+                    code=LLMErrorCode.CONFIGURATION_ERROR,
+                )
+
+            if isinstance(config, str):
+                config_dict = {"name": name, "type": "function"}
+            elif isinstance(config, dict):
+                config_dict = config
+            else:
+                raise TypeError(f"不支持的工具配置类型: {type(config)}")
+
+            executable = None
+            for provider in self._tool_providers:
+                executable = await provider.get_tool_executable(name, config_dict)
+                if executable:
+                    break
+
+            if not executable:
+                raise LLMException(
+                    f"没有为 ad-hoc 工具 '{name}' 找到合适的提供者。",
+                    code=LLMErrorCode.CONFIGURATION_ERROR,
+                )
+
+            resolved[name] = executable
+
+        return resolved

zhenxun/services/llm/tools/__init__.py

@@ -2,6 +2,12 @@
 工具模块导出
 """
 
-from .registry import tool_registry
+from .manager import tool_provider_manager
 
-__all__ = ["tool_registry"]
+function_tool = tool_provider_manager.function_tool
+
+
+__all__ = [
+    "function_tool",
+    "tool_provider_manager",
+]

zhenxun/services/llm/tools/manager.py

@@ -0,0 +1,293 @@
+"""
+工具提供者管理器
+
+负责注册、生命周期管理（包括懒加载）和统一提供所有工具。
+"""
+
+import asyncio
+from collections.abc import Callable
+import inspect
+from typing import Any
+
+from pydantic import BaseModel
+
+from zhenxun.services.log import logger
+from zhenxun.utils.pydantic_compat import model_json_schema
+
+from ..types import ToolExecutable, ToolProvider
+from ..types.models import ToolDefinition, ToolResult
+
+
+class FunctionExecutable(ToolExecutable):
+    """一个 ToolExecutable 的实现，用于包装一个普通的 Python 函数。"""
+
+    def __init__(
+        self,
+        func: Callable,
+        name: str,
+        description: str,
+        params_model: type[BaseModel] | None,
+    ):
+        self._func = func
+        self._name = name
+        self._description = description
+        self._params_model = params_model
+
+    async def get_definition(self) -> ToolDefinition:
+        if not self._params_model:
+            return ToolDefinition(
+                name=self._name,
+                description=self._description,
+                parameters={"type": "object", "properties": {}},
+            )
+
+        schema = model_json_schema(self._params_model)
+
+        return ToolDefinition(
+            name=self._name,
+            description=self._description,
+            parameters={
+                "type": "object",
+                "properties": schema.get("properties", {}),
+                "required": schema.get("required", []),
+            },
+        )
+
+    async def execute(self, **kwargs: Any) -> ToolResult:
+        raw_result: Any
+
+        if self._params_model:
+            try:
+                params_instance = self._params_model(**kwargs)
+
+                if inspect.iscoroutinefunction(self._func):
+                    raw_result = await self._func(params_instance)
+                else:
+                    loop = asyncio.get_event_loop()
+                    raw_result = await loop.run_in_executor(
+                        None, lambda: self._func(params_instance)
+                    )
+            except Exception as e:
+                logger.error(
+                    f"执行工具 '{self._name}' 时参数验证或实例化失败: {e}", e=e
+                )
+                raise
+        else:
+            if inspect.iscoroutinefunction(self._func):
+                raw_result = await self._func(**kwargs)
+            else:
+                loop = asyncio.get_event_loop()
+                raw_result = await loop.run_in_executor(
+                    None, lambda: self._func(**kwargs)
+                )
+
+        return ToolResult(output=raw_result, display_content=str(raw_result))
+
+
+class BuiltinFunctionToolProvider(ToolProvider):
+    """一个内置的 ToolProvider，用于处理通过装饰器注册的函数。"""
+
+    def __init__(self):
+        self._functions: dict[str, dict[str, Any]] = {}
+
+    def register(
+        self,
+        name: str,
+        func: Callable,
+        description: str,
+        params_model: type[BaseModel] | None,
+    ):
+        self._functions[name] = {
+            "func": func,
+            "description": description,
+            "params_model": params_model,
+        }
+
+    async def initialize(self) -> None:
+        pass
+
+    async def discover_tools(
+        self,
+        allowed_servers: list[str] | None = None,
+        excluded_servers: list[str] | None = None,
+    ) -> dict[str, ToolExecutable]:
+        executables = {}
+        for name, info in self._functions.items():
+            executables[name] = FunctionExecutable(
+                func=info["func"],
+                name=name,
+                description=info["description"],
+                params_model=info["params_model"],
+            )
+        return executables
+
+    async def get_tool_executable(
+        self, name: str, config: dict[str, Any]
+    ) -> ToolExecutable | None:
+        if config.get("type") == "function" and name in self._functions:
+            info = self._functions[name]
+            return FunctionExecutable(
+                func=info["func"],
+                name=name,
+                description=info["description"],
+                params_model=info["params_model"],
+            )
+        return None
+
+
+class ToolProviderManager:
+    """工具提供者的中心化管理器，采用单例模式。"""
+
+    _instance: "ToolProviderManager | None" = None
+
+    def __new__(cls) -> "ToolProviderManager":
+        if cls._instance is None:
+            cls._instance = super().__new__(cls)
+        return cls._instance
+
+    def __init__(self):
+        if hasattr(self, "_initialized") and self._initialized:
+            return
+
+        self._providers: list[ToolProvider] = []
+        self._resolved_tools: dict[str, ToolExecutable] | None = None
+        self._init_lock = asyncio.Lock()
+        self._init_promise: asyncio.Task | None = None
+        self._builtin_function_provider = BuiltinFunctionToolProvider()
+        self.register(self._builtin_function_provider)
+        self._initialized = True
+
+    def register(self, provider: ToolProvider):
+        """注册一个新的 ToolProvider。"""
+        if provider not in self._providers:
+            self._providers.append(provider)
+            logger.info(f"已注册工具提供者: {provider.__class__.__name__}")
+
+    def function_tool(
+        self,
+        name: str,
+        description: str,
+        params_model: type[BaseModel] | None = None,
+    ):
+        """装饰器：将一个函数注册为内置工具。"""
+
+        def decorator(func: Callable):
+            if name in self._builtin_function_provider._functions:
+                logger.warning(f"正在覆盖已注册的函数工具: {name}")
+
+            self._builtin_function_provider.register(
+                name=name,
+                func=func,
+                description=description,
+                params_model=params_model,
+            )
+            logger.info(f"已注册函数工具: '{name}'")
+            return func
+
+        return decorator
+
+    async def initialize(self) -> None:
+        """懒加载初始化所有已注册的 ToolProvider。"""
+        if not self._init_promise:
+            async with self._init_lock:
+                if not self._init_promise:
+                    self._init_promise = asyncio.create_task(
+                        self._initialize_providers()
+                    )
+        await self._init_promise
+
+    async def _initialize_providers(self) -> None:
+        """内部初始化逻辑。"""
+        logger.info(f"开始初始化 {len(self._providers)} 个工具提供者...")
+        init_tasks = [provider.initialize() for provider in self._providers]
+        await asyncio.gather(*init_tasks, return_exceptions=True)
+        logger.info("所有工具提供者初始化完成。")
+
+    async def get_resolved_tools(
+        self,
+        allowed_servers: list[str] | None = None,
+        excluded_servers: list[str] | None = None,
+    ) -> dict[str, ToolExecutable]:
+        """
+        获取所有已发现和解析的工具。
+        此方法会触发懒加载初始化，并根据是否传入过滤器来决定是否使用全局缓存。
+        """
+        await self.initialize()
+
+        has_filters = allowed_servers is not None or excluded_servers is not None
+
+        if not has_filters and self._resolved_tools is not None:
+            logger.debug("使用全局工具缓存。")
+            return self._resolved_tools
+
+        if has_filters:
+            logger.info("检测到过滤器，执行临时工具发现 (不使用缓存)。")
+            logger.debug(
+                f"过滤器详情: allowed_servers={allowed_servers}, "
+                f"excluded_servers={excluded_servers}"
+            )
+        else:
+            logger.info("未应用过滤器，开始全局工具发现...")
+
+        all_tools: dict[str, ToolExecutable] = {}
+
+        discover_tasks = []
+        for provider in self._providers:
+            sig = inspect.signature(provider.discover_tools)
+            params_to_pass = {}
+            if "allowed_servers" in sig.parameters:
+                params_to_pass["allowed_servers"] = allowed_servers
+            if "excluded_servers" in sig.parameters:
+                params_to_pass["excluded_servers"] = excluded_servers
+
+            discover_tasks.append(provider.discover_tools(**params_to_pass))
+
+        results = await asyncio.gather(*discover_tasks, return_exceptions=True)
+
+        for i, provider_result in enumerate(results):
+            provider_name = self._providers[i].__class__.__name__
+            if isinstance(provider_result, dict):
+                logger.debug(
+                    f"提供者 '{provider_name}' 发现了 {len(provider_result)} 个工具。"
+                )
+                for name, executable in provider_result.items():
+                    if name in all_tools:
+                        logger.warning(
+                            f"发现重复的工具名称 '{name}'，后发现的将覆盖前者。"
+                        )
+                    all_tools[name] = executable
+            elif isinstance(provider_result, Exception):
+                logger.error(
+                    f"提供者 '{provider_name}' 在发现工具时出错: {provider_result}"
+                )
+
+        if not has_filters:
+            self._resolved_tools = all_tools
+            logger.info(f"全局工具发现完成，共找到并缓存了 {len(all_tools)} 个工具。")
+        else:
+            logger.info(f"带过滤器的工具发现完成，共找到 {len(all_tools)} 个工具。")
+
+        return all_tools
+
+    async def get_function_tools(
+        self, names: list[str] | None = None
+    ) -> dict[str, ToolExecutable]:
+        """
+        仅从内置的函数提供者中解析指定的工具。
+        """
+        all_function_tools = await self._builtin_function_provider.discover_tools()
+        if names is None:
+            return all_function_tools
+
+        resolved_tools = {}
+        for name in names:
+            if name in all_function_tools:
+                resolved_tools[name] = all_function_tools[name]
+            else:
+                logger.warning(
+                    f"本地函数工具 '{name}' 未通过 @function_tool 注册，将被忽略。"
+                )
+        return resolved_tools
+
+
+tool_provider_manager = ToolProviderManager()

zhenxun/services/llm/tools/registry.py

@@ -1,181 +0,0 @@
-"""
-工具注册表
-
-负责加载、管理和实例化来自配置的工具。
-"""
-
-from collections.abc import Callable
-from contextlib import AbstractAsyncContextManager
-from functools import partial
-from typing import TYPE_CHECKING
-
-from pydantic import BaseModel
-
-from zhenxun.services.log import logger
-
-from ..types import LLMTool
-
-if TYPE_CHECKING:
-    from ..config.providers import ToolConfig
-    from ..types.protocols import MCPCompatible
-
-
-class ToolRegistry:
-    """工具注册表，用于管理和实例化配置的工具。"""
-
-    def __init__(self):
-        self._function_tools: dict[str, LLMTool] = {}
-
-        self._mcp_config_models: dict[str, type[BaseModel]] = {}
-        if TYPE_CHECKING:
-            self._mcp_factories: dict[
-                str, Callable[..., AbstractAsyncContextManager["MCPCompatible"]]
-            ] = {}
-        else:
-            self._mcp_factories: dict[str, Callable] = {}
-
-        self._tool_configs: dict[str, "ToolConfig"] | None = None
-        self._tool_cache: dict[str, "LLMTool"] = {}
-
-    def _load_configs_if_needed(self):
-        """如果尚未加载，则从主配置中加载MCP工具定义。"""
-        if self._tool_configs is None:
-            logger.debug("首次访问，正在加载MCP工具配置...")
-            from ..config.providers import get_llm_config
-
-            llm_config = get_llm_config()
-            self._tool_configs = {tool.name: tool for tool in llm_config.mcp_tools}
-            logger.info(f"已加载 {len(self._tool_configs)} 个MCP工具配置。")
-
-    def function_tool(
-        self,
-        name: str,
-        description: str,
-        parameters: dict,
-        required: list[str] | None = None,
-    ):
-        """
-        装饰器：在代码中注册一个简单的、无状态的函数工具。
-
-        参数:
-            name: 工具的唯一名称。
-            description: 工具功能的描述。
-            parameters: OpenAPI格式的函数参数schema的properties部分。
-            required: 必需的参数列表。
-        """
-
-        def decorator(func: Callable):
-            if name in self._function_tools or name in self._mcp_factories:
-                logger.warning(f"正在覆盖已注册的工具: {name}")
-
-            tool_definition = LLMTool.create(
-                name=name,
-                description=description,
-                parameters=parameters,
-                required=required,
-            )
-            self._function_tools[name] = tool_definition
-            logger.info(f"已在代码中注册函数工具: '{name}'")
-            tool_definition.annotations = tool_definition.annotations or {}
-            tool_definition.annotations["executable"] = func
-            return func
-
-        return decorator
-
-    def mcp_tool(self, name: str, config_model: type[BaseModel]):
-        """
-        装饰器：注册一个MCP工具及其配置模型。
-
-        参数:
-            name: 工具的唯一名称，必须与配置文件中的名称匹配。
-            config_model: 一个Pydantic模型，用于定义和验证该工具的 `mcp_config`。
-        """
-
-        def decorator(factory_func: Callable):
-            if name in self._mcp_factories:
-                logger.warning(f"正在覆盖已注册的 MCP 工厂: {name}")
-            self._mcp_factories[name] = factory_func
-            self._mcp_config_models[name] = config_model
-            logger.info(f"已注册 MCP 工具 '{name}' (配置模型: {config_model.__name__})")
-            return factory_func
-
-        return decorator
-
-    def get_mcp_config_model(self, name: str) -> type[BaseModel] | None:
-        """根据名称获取MCP工具的配置模型。"""
-        return self._mcp_config_models.get(name)
-
-    def register_mcp_factory(
-        self,
-        name: str,
-        factory: Callable,
-    ):
-        """
-        在代码中注册一个 MCP 会话工厂，将其与配置中的工具名称关联。
-
-        参数:
-            name: 工具的唯一名称，必须与配置文件中的名称匹配。
-            factory: 一个返回异步生成器的可调用对象（会话工厂）。
-        """
-        if name in self._mcp_factories:
-            logger.warning(f"正在覆盖已注册的 MCP 工厂: {name}")
-        self._mcp_factories[name] = factory
-        logger.info(f"已注册 MCP 会话工厂: '{name}'")
-
-    def get_tool(self, name: str) -> "LLMTool":
-        """
-        根据名称获取一个 LLMTool 定义。
-        对于MCP工具，返回的 LLMTool 实例包含一个可调用的会话工厂，
-        而不是一个已激活的会话。
-        """
-        logger.debug(f"🔍 请求获取工具定义: {name}")
-
-        if name in self._tool_cache:
-            logger.debug(f"✅ 从缓存中获取工具定义: {name}")
-            return self._tool_cache[name]
-
-        if name in self._function_tools:
-            logger.debug(f"🛠️ 获取函数工具定义: {name}")
-            tool = self._function_tools[name]
-            self._tool_cache[name] = tool
-            return tool
-
-        self._load_configs_if_needed()
-        if self._tool_configs is None or name not in self._tool_configs:
-            known_tools = list(self._function_tools.keys()) + (
-                list(self._tool_configs.keys()) if self._tool_configs else []
-            )
-            logger.error(f"❌ 未找到名为 '{name}' 的工具定义")
-            logger.debug(f"📋 可用工具定义列表: {known_tools}")
-            raise ValueError(f"未找到名为 '{name}' 的工具定义。已知工具: {known_tools}")
-
-        config = self._tool_configs[name]
-        tool: "LLMTool"
-
-        if name not in self._mcp_factories:
-            logger.error(f"❌ MCP工具 '{name}' 缺少工厂函数")
-            available_factories = list(self._mcp_factories.keys())
-            logger.debug(f"📋 已注册的MCP工厂: {available_factories}")
-            raise ValueError(
-                f"MCP 工具 '{name}' 已在配置中定义，但没有注册对应的工厂函数。"
-                "请使用 `@tool_registry.mcp_tool` 装饰器进行注册。"
-            )
-
-        logger.info(f"🔧 创建MCP工具定义: {name}")
-        factory = self._mcp_factories[name]
-        typed_mcp_config = config.mcp_config
-        logger.debug(f"📋 MCP工具配置: {typed_mcp_config}")
-
-        configured_factory = partial(factory, config=typed_mcp_config)
-        tool = LLMTool.from_mcp_session(session=configured_factory)
-
-        self._tool_cache[name] = tool
-        logger.debug(f"💾 MCP工具定义已缓存: {name}")
-        return tool
-
-    def get_tools(self, names: list[str]) -> list["LLMTool"]:
-        """根据名称列表获取多个 LLMTool 实例。"""
-        return [self.get_tool(name) for name in names]
-
-
-tool_registry = ToolRegistry()

zhenxun/services/llm/types/__init__.py

@@ -23,7 +23,6 @@ from .models import (
     LLMCodeExecution,
     LLMGroundingAttribution,
     LLMGroundingMetadata,
-    LLMTool,
     LLMToolCall,
     LLMToolFunction,
     ModelDetail,
@@ -31,9 +30,10 @@ from .models import (
     ModelName,
     ProviderConfig,
     ToolMetadata,
+    ToolResult,
     UsageInfo,
 )
-from .protocols import MCPCompatible
+from .protocols import ToolExecutable, ToolProvider
 
 __all__ = [
     "EmbeddingTaskType",
@@ -46,10 +46,8 @@ __all__ = [
     "LLMGroundingMetadata",
     "LLMMessage",
     "LLMResponse",
-    "LLMTool",
     "LLMToolCall",
     "LLMToolFunction",
-    "MCPCompatible",
     "ModelCapabilities",
     "ModelDetail",
     "ModelInfo",
@@ -60,7 +58,10 @@ __all__ = [
     "ResponseFormat",
     "TaskType",
     "ToolCategory",
+    "ToolExecutable",
     "ToolMetadata",
+    "ToolProvider",
+    "ToolResult",
     "UsageInfo",
     "get_model_capabilities",
     "get_user_friendly_error_message",

zhenxun/services/llm/types/content.py

@@ -405,7 +405,7 @@ class LLMMessage(BaseModel):
                 f"工具 '{function_name}' 的结果无法JSON序列化: {result}. 错误: {e}"
             )
             content_str = json.dumps(
-                {"error": "Tool result not JSON serializable", "details": str(e)}
+                {"error": "工具结果无法JSON序列化", "details": str(e)}
             )
 
         return cls(

zhenxun/services/llm/types/models.py

@@ -4,28 +4,39 @@ LLM 数据模型定义
 包含模型信息、配置、工具定义和响应数据的模型类。
 """
 
-from collections.abc import Callable
-from contextlib import AbstractAsyncContextManager
 from dataclasses import dataclass, field
-from typing import TYPE_CHECKING, Any
+from typing import Any
 
 from pydantic import BaseModel, Field
 
 from .enums import ModelProvider, ToolCategory
 
-if TYPE_CHECKING:
-    from .protocols import MCPCompatible
-
-    MCPSessionType = (
-        MCPCompatible | Callable[[], AbstractAsyncContextManager[MCPCompatible]] | None
-    )
-else:
-    MCPCompatible = object
-    MCPSessionType = Any
-
 ModelName = str | None
 
 
+class ToolDefinition(BaseModel):
+    """
+    一个结构化的工具定义模型，用于向LLM描述工具。
+    """
+
+    name: str = Field(..., description="工具的唯一名称标识")
+    description: str = Field(..., description="工具功能的清晰描述")
+    parameters: dict[str, Any] = Field(
+        default_factory=dict, description="符合JSON Schema规范的参数定义"
+    )
+
+
+class ToolResult(BaseModel):
+    """
+    一个结构化的工具执行结果模型。
+    """
+
+    output: Any = Field(..., description="返回给LLM的、可JSON序列化的原始输出")
+    display_content: str | None = Field(
+        default=None, description="用于日志或UI展示的人类可读的执行摘要"
+    )
+
+
 @dataclass(frozen=True)
 class ModelInfo:
     """模型信息（不可变数据类）"""
@@ -107,55 +118,6 @@ class LLMToolCall(BaseModel):
     function: LLMToolFunction
 
 
-class LLMTool(BaseModel):
-    """LLM 工具定义（支持 MCP 风格）"""
-
-    model_config = {"arbitrary_types_allowed": True}
-
-    type: str = "function"
-    function: dict[str, Any] | None = None
-    mcp_session: MCPSessionType = None
-    annotations: dict[str, Any] | None = Field(default=None, description="工具注解")
-
-    def model_post_init(self, /, __context: Any) -> None:
-        """验证工具定义的有效性"""
-        _ = __context
-        if self.type == "function" and self.function is None:
-            raise ValueError("函数类型的工具必须包含 'function' 字段。")
-        if self.type == "mcp" and self.mcp_session is None:
-            raise ValueError("MCP 类型的工具必须包含 'mcp_session' 字段。")
-
-    @classmethod
-    def create(
-        cls,
-        name: str,
-        description: str,
-        parameters: dict[str, Any],
-        required: list[str] | None = None,
-        annotations: dict[str, Any] | None = None,
-    ) -> "LLMTool":
-        """创建函数工具"""
-        function_def = {
-            "name": name,
-            "description": description,
-            "parameters": {
-                "type": "object",
-                "properties": parameters,
-                "required": required or [],
-            },
-        }
-        return cls(type="function", function=function_def, annotations=annotations)
-
-    @classmethod
-    def from_mcp_session(
-        cls,
-        session: Any,
-        annotations: dict[str, Any] | None = None,
-    ) -> "LLMTool":
-        """从 MCP 会话创建工具"""
-        return cls(type="mcp", mcp_session=session, annotations=annotations)
-
-
 class LLMCodeExecution(BaseModel):
     """代码执行结果"""
 

zhenxun/services/llm/types/protocols.py

@@ -4,21 +4,62 @@ LLM 模块的协议定义
 
 from typing import Any, Protocol
 
+from .models import ToolDefinition, ToolResult
 
-class MCPCompatible(Protocol):
+
+class ToolExecutable(Protocol):
     """
-    一个协议，定义了与LLM模块兼容的MCP会话对象应具备的行为。
-    任何实现了 to_api_tool 方法的对象都可以被认为是 MCPCompatible。
+    一个协议，定义了所有可被LLM调用的工具必须实现的行为。
+    它将工具的"定义"（给LLM看）和"执行"（由框架调用）封装在一起。
     """
 
-    def to_api_tool(self, api_type: str) -> dict[str, Any]:
+    async def get_definition(self) -> ToolDefinition:
         """
-        将此MCP会话转换为特定LLM提供商API所需的工具格式。
-
-        参数:
-            api_type: 目标API的类型 (例如 'gemini', 'openai')。
-
-        返回:
-            dict[str, Any]: 一个字典，代表可以在API请求中使用的工具定义。
+        异步地获取一个结构化的工具定义。
+        """
+        ...
+
+    async def execute(self, **kwargs: Any) -> ToolResult:
+        """
+        异步执行工具并返回一个结构化的结果。
+        参数由LLM根据工具定义生成。
+        """
+        ...
+
+
+class ToolProvider(Protocol):
+    """
+    一个协议，定义了"工具提供者"的行为。
+    工具提供者负责发现或实例化具体的 ToolExecutable 对象。
+    """
+
+    async def initialize(self) -> None:
+        """
+        异步初始化提供者。
+        此方法应是幂等的，即多次调用只会执行一次初始化逻辑。
+        用于执行耗时的I/O操作，如网络请求或启动子进程。
+        """
+        ...
+
+    async def discover_tools(
+        self,
+        allowed_servers: list[str] | None = None,
+        excluded_servers: list[str] | None = None,
+    ) -> dict[str, ToolExecutable]:
+        """
+        异步发现此提供者提供的所有工具。
+        在 `initialize` 成功调用后才应被调用。
+
+        返回:
+            一个从工具名称到 ToolExecutable 实例的字典。
+        """
+        ...
+
+    async def get_tool_executable(
+        self, name: str, config: dict[str, Any]
+    ) -> ToolExecutable | None:
+        """
+        【保留】如果此提供者能处理名为 'name' 的工具，则返回一个可执行实例。
+        此方法主要用于按需解析 ad-hoc 工具。
         """
         ...

zhenxun/services/llm/utils.py

@@ -5,6 +5,7 @@ LLM 模块的工具和转换函数
 import base64
 import copy
 from pathlib import Path
+from typing import Any
 
 from nonebot.adapters import Message as PlatformMessage
 from nonebot_plugin_alconna.uniseg import (
@@ -21,7 +22,7 @@ from nonebot_plugin_alconna.uniseg import (
 from zhenxun.services.log import logger
 from zhenxun.utils.http_utils import AsyncHttpx
 
-from .types import LLMContentPart
+from .types import LLMContentPart, LLMMessage
 
 
 async def unimsg_to_llm_parts(message: UniMessage) -> list[LLMContentPart]:
@@ -112,9 +113,9 @@ async def unimsg_to_llm_parts(message: UniMessage) -> list[LLMContentPart]:
 
         elif isinstance(seg, At):
             if seg.flag == "all":
-                part = LLMContentPart.text_part("[Mentioned Everyone]")
+                part = LLMContentPart.text_part("[提及所有人]")
             else:
-                part = LLMContentPart.text_part(f"[Mentioned user: {seg.target}]")
+                part = LLMContentPart.text_part(f"[提及用户: {seg.target}]")
 
         elif isinstance(seg, Reply):
             if seg.msg:
@@ -126,10 +127,10 @@ async def unimsg_to_llm_parts(message: UniMessage) -> list[LLMContentPart]:
                         reply_text = str(seg.msg).strip()
                     if reply_text:
                         part = LLMContentPart.text_part(
-                            f'[Replied to: "{reply_text[:50]}..."]'
+                            f'[回复消息: "{reply_text[:50]}..."]'
                         )
                 except Exception:
-                    part = LLMContentPart.text_part("[Replied to a message]")
+                    part = LLMContentPart.text_part("[回复了一条消息]")
 
         if part:
             parts.append(part)
@@ -137,6 +138,42 @@ async def unimsg_to_llm_parts(message: UniMessage) -> list[LLMContentPart]:
     return parts
 
 
+async def normalize_to_llm_messages(
+    message: str | UniMessage | LLMMessage | list[LLMContentPart] | list[LLMMessage],
+    instruction: str | None = None,
+) -> list[LLMMessage]:
+    """
+    将多种输入格式标准化为 LLMMessage 列表，并可选地添加系统指令。
+    这是处理 LLM 输入的核心工具函数。
+
+    参数:
+        message: 要标准化的输入消息。
+        instruction: 可选的系统指令。
+
+    返回:
+        list[LLMMessage]: 标准化后的消息列表。
+    """
+    messages = []
+    if instruction:
+        messages.append(LLMMessage.system(instruction))
+
+    if isinstance(message, LLMMessage):
+        messages.append(message)
+    elif isinstance(message, list) and all(isinstance(m, LLMMessage) for m in message):
+        messages.extend(message)
+    elif isinstance(message, str):
+        messages.append(LLMMessage.user(message))
+    elif isinstance(message, UniMessage):
+        content_parts = await unimsg_to_llm_parts(message)
+        messages.append(LLMMessage.user(content_parts))
+    elif isinstance(message, list):
+        messages.append(LLMMessage.user(message))  # type: ignore
+    else:
+        raise TypeError(f"不支持的消息类型: {type(message)}")
+
+    return messages
+
+
 def create_multimodal_message(
     text: str | None = None,
     images: list[str | Path | bytes] | str | Path | bytes | None = None,
@@ -282,3 +319,37 @@ def _sanitize_request_body_for_logging(body: dict) -> dict:
     except Exception as e:
         logger.warning(f"日志净化失败: {e}，将记录原始请求体。")
         return body
+
+
+def sanitize_schema_for_llm(schema: Any, api_type: str) -> Any:
+    """
+    递归地净化 JSON Schema，移除特定 LLM API 不支持的关键字。
+
+    参数:
+        schema: 要净化的 JSON Schema (可以是字典、列表或其它类型)。
+        api_type: 目标 API 的类型，例如 'gemini'。
+
+    返回:
+        Any: 净化后的 JSON Schema。
+    """
+    if isinstance(schema, dict):
+        schema_copy = {}
+        for key, value in schema.items():
+            if api_type == "gemini":
+                unsupported_keys = ["exclusiveMinimum", "exclusiveMaximum", "default"]
+                if key in unsupported_keys:
+                    continue
+
+                if key == "format" and isinstance(value, str):
+                    supported_formats = ["enum", "date-time"]
+                    if value not in supported_formats:
+                        continue
+
+            schema_copy[key] = sanitize_schema_for_llm(value, api_type)
+        return schema_copy
+
+    elif isinstance(schema, list):
+        return [sanitize_schema_for_llm(item, api_type) for item in schema]
+
+    else:
+        return schema

zhenxun/utils/manager/resource_manager.py

@@ -1,101 +0,0 @@
-import os
-from pathlib import Path
-import shutil
-import zipfile
-
-from zhenxun.configs.path_config import FONT_PATH, TEMP_PATH
-from zhenxun.services.log import logger
-from zhenxun.utils.github_utils import GithubUtils
-from zhenxun.utils.http_utils import AsyncHttpx
-from zhenxun.utils.repo_utils import AliyunRepoManager, GithubRepoManager
-from zhenxun.utils.repo_utils.utils import clean_git
-
-LOG_COMMAND = "ResourceManager"
-
-
-class DownloadResourceException(Exception):
-    pass
-
-
-class ResourceManager:
-    GITHUB_URL = "https://github.com/zhenxun-org/zhenxun-bot-resources/tree/main"
-
-    RESOURCE_PATH = Path() / "resources"
-
-    TMP_PATH = TEMP_PATH / "_resource_tmp"
-
-    ZIP_FILE = TMP_PATH / "resources.zip"
-
-    UNZIP_PATH = None
-
-    @classmethod
-    async def init_resources(
-        cls, force: bool = False, is_zip: bool = False, git_source: str = "ali"
-    ):
-        if (FONT_PATH.exists() and os.listdir(FONT_PATH)) and not force:
-            return
-        if is_zip:
-            if cls.TMP_PATH.exists():
-                logger.debug(
-                    "resources临时文件夹已存在，移除resources临时文件夹", LOG_COMMAND
-                )
-                await clean_git(cls.TMP_PATH)
-                shutil.rmtree(cls.TMP_PATH, ignore_errors=True)
-            cls.TMP_PATH.mkdir(parents=True, exist_ok=True)
-            try:
-                await cls.__download_resources()
-                cls.file_handle()
-            except Exception as e:
-                logger.error("获取resources资源包失败", LOG_COMMAND, e=e)
-        else:
-            if git_source == "ali":
-                await AliyunRepoManager.update(cls.GITHUB_URL, cls.RESOURCE_PATH)
-            else:
-                await GithubRepoManager.update(cls.GITHUB_URL, cls.RESOURCE_PATH)
-            cls.UNZIP_PATH = cls.TMP_PATH / "resources"
-            cls.file_handle()
-        if cls.TMP_PATH.exists():
-            logger.debug("移除resources临时文件夹", LOG_COMMAND)
-            await clean_git(cls.TMP_PATH)
-            shutil.rmtree(cls.TMP_PATH)
-
-    @classmethod
-    def file_handle(cls):
-        if not cls.UNZIP_PATH:
-            return
-        cls.__recursive_folder(cls.UNZIP_PATH, ".")
-
-    @classmethod
-    def __recursive_folder(cls, dir: Path, parent_path: str):
-        for file in dir.iterdir():
-            if file.is_dir():
-                cls.__recursive_folder(file, f"{parent_path}/{file.name}")
-            else:
-                res_file = Path(parent_path) / file.name
-                if res_file.exists():
-                    res_file.unlink()
-                res_file.parent.mkdir(parents=True, exist_ok=True)
-                file.rename(res_file)
-
-    @classmethod
-    async def __download_resources(cls):
-        """获取resources文件夹"""
-        repo_info = GithubUtils.parse_github_url(cls.GITHUB_URL)
-        url = await repo_info.get_archive_download_urls()
-        logger.debug("开始下载resources资源包...", LOG_COMMAND)
-        if not await AsyncHttpx.download_file(url, cls.ZIP_FILE, stream=True):
-            logger.error(
-                "下载resources资源包失败，请尝试重启重新下载或前往 "
-                "https://github.com/zhenxun-org/zhenxun-bot-resources 手动下载..."
-            )
-            raise DownloadResourceException("下载resources资源包失败...")
-        logger.debug("下载resources资源文件压缩包完成...", LOG_COMMAND)
-        tf = zipfile.ZipFile(cls.ZIP_FILE)
-        tf.extractall(cls.TMP_PATH)
-        logger.debug("解压文件压缩包完成...", LOG_COMMAND)
-        download_file_path = cls.TMP_PATH / next(
-            x for x in os.listdir(cls.TMP_PATH) if (cls.TMP_PATH / x).is_dir()
-        )
-        cls.UNZIP_PATH = download_file_path / "resources"
-        if tf:
-            tf.close()

zhenxun/utils/pydantic_compat.py

@@ -0,0 +1,88 @@
+"""
+Pydantic V1 & V2 兼容层模块
+
+为 Pydantic V1 与 V2 版本提供统一的便捷函数与类，
+包括 model_dump, model_copy, model_json_schema, parse_as 等。
+"""
+
+from typing import Any, TypeVar, get_args, get_origin
+
+from nonebot.compat import PYDANTIC_V2, model_dump
+from pydantic import VERSION, BaseModel
+
+T = TypeVar("T", bound=BaseModel)
+V = TypeVar("V")
+
+
+__all__ = [
+    "PYDANTIC_V2",
+    "_dump_pydantic_obj",
+    "_is_pydantic_type",
+    "model_copy",
+    "model_dump",
+    "model_json_schema",
+    "parse_as",
+]
+
+
+def model_copy(
+    model: T, *, update: dict[str, Any] | None = None, deep: bool = False
+) -> T:
+    """
+    Pydantic `model.copy()` (v1) 和 `model.model_copy()` (v2) 的兼容函数。
+    """
+    if PYDANTIC_V2:
+        return model.model_copy(update=update, deep=deep)
+    else:
+        update_dict = update or {}
+        return model.copy(update=update_dict, deep=deep)
+
+
+def model_json_schema(model_class: type[BaseModel], **kwargs: Any) -> dict[str, Any]:
+    """
+    Pydantic `Model.schema()` (v1) 和 `Model.model_json_schema()` (v2) 的兼容函数。
+    """
+    if PYDANTIC_V2:
+        return model_class.model_json_schema(**kwargs)
+    else:
+        return model_class.schema(by_alias=kwargs.get("by_alias", True))
+
+
+def _is_pydantic_type(t: Any) -> bool:
+    """
+    递归检查一个类型注解是否与 Pydantic BaseModel 相关。
+    """
+    if t is None:
+        return False
+    origin = get_origin(t)
+    if origin:
+        return any(_is_pydantic_type(arg) for arg in get_args(t))
+    return isinstance(t, type) and issubclass(t, BaseModel)
+
+
+def _dump_pydantic_obj(obj: Any) -> Any:
+    """
+    递归地将一个对象内部的 Pydantic BaseModel 实例转换为字典。
+    支持单个实例、实例列表、实例字典等情况。
+    """
+    if isinstance(obj, BaseModel):
+        return model_dump(obj)
+    if isinstance(obj, list):
+        return [_dump_pydantic_obj(item) for item in obj]
+    if isinstance(obj, dict):
+        return {key: _dump_pydantic_obj(value) for key, value in obj.items()}
+    return obj
+
+
+def parse_as(type_: type[V], obj: Any) -> V:
+    """
+    一个兼容 Pydantic V1 的 parse_obj_as 和V2的TypeAdapter.validate_python 的辅助函数。
+    """
+    if VERSION.startswith("1"):
+        from pydantic import parse_obj_as
+
+        return parse_obj_as(type_, obj)
+    else:
+        from pydantic import TypeAdapter  # type: ignore
+
+        return TypeAdapter(type_).validate_python(obj)

zhenxun/utils/repo_utils/__init__.py

@@ -24,9 +24,6 @@ from .models import (
     RepoFileInfo,
     RepoType,
     RepoUpdateResult,
-    SubmoduleConfig,
-    SubmoduleInfo,
-    SubmoduleUpdateResult,
 )
 from .utils import check_git, filter_files, glob_to_regex, run_git_command
 
@@ -56,9 +53,6 @@ __all__ = [
     "RepoType",
     "RepoUpdateError",
     "RepoUpdateResult",
-    "SubmoduleConfig",
-    "SubmoduleInfo",
-    "SubmoduleUpdateResult",
     "check_git",
     "filter_files",
     "glob_to_regex",

zhenxun/utils/repo_utils/base_manager.py

@@ -283,10 +283,11 @@ class BaseRepoManager(ABC):
                 return result
 
             # 如果目录存在，检查是否是Git仓库
-            success, _, _ = await run_git_command(
-                "rev-parse --is-inside-work-tree", cwd=local_path
-            )
-            if not success:
+            # 首先检查目录本身是否有.git文件夹
+            git_dir = local_path / ".git"
+            is_git_repo = git_dir.exists() and git_dir.is_dir()
+
+            if not is_git_repo:
                 # 如果不是Git仓库，尝试初始化它
                 logger.info(f"目录 {local_path} 不是Git仓库，尝试初始化", LOG_COMMAND)
                 init_success, _, init_stderr = await run_git_command(
@@ -338,7 +339,7 @@ class BaseRepoManager(ABC):
                 )
 
             # 获取远程更新
-            logger.info("获取远程更新", LOG_COMMAND)
+            logger.info(f"获取远程更新: {repo_url}", LOG_COMMAND)
             success, _, stderr = await run_git_command("fetch origin", cwd=local_path)
             if not success:
                 return RepoUpdateResult(
@@ -373,7 +374,7 @@ class BaseRepoManager(ABC):
                     )
 
             # 拉取最新代码
-            logger.info("拉取最新代码", LOG_COMMAND)
+            logger.info(f"拉取最新代码: {repo_url}", LOG_COMMAND)
             pull_cmd = f"pull origin {branch}"
             if force:
                 pull_cmd = f"fetch --all && git reset --hard origin/{branch}"

zhenxun/utils/repo_utils/github_manager.py

@@ -29,11 +29,7 @@ from .models import (
     RepoFileInfo,
     RepoType,
     RepoUpdateResult,
-    SubmoduleConfig,
-    SubmoduleInfo,
-    SubmoduleUpdateResult,
 )
-from .submodule_manager import SubmoduleManager
 
 
 class GithubManager(BaseRepoManager):
@@ -47,7 +43,6 @@ class GithubManager(BaseRepoManager):
             config: 配置，如果为None则使用默认配置
         """
         super().__init__(config)
-        self.submodule_manager = SubmoduleManager(self)
 
     async def update_repo(
         self,
@@ -529,158 +524,3 @@ class GithubManager(BaseRepoManager):
                 raise RepoDownloadError("下载文件失败")
 
         raise RepoDownloadError("下载文件失败: 超过最大重试次数")
-
-    # 子模块相关方法
-    async def init_submodules(
-        self,
-        main_repo_path: Path,
-        submodule_configs: list[SubmoduleConfig],
-    ) -> bool:
-        """
-        初始化子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            bool: 是否成功
-        """
-        return await self.submodule_manager.init_submodules(
-            main_repo_path, submodule_configs
-        )
-
-    async def update_submodules(
-        self,
-        main_repo_path: Path,
-        submodule_configs: list[SubmoduleConfig],
-    ) -> list[SubmoduleUpdateResult]:
-        """
-        更新子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            list[SubmoduleUpdateResult]: 更新结果列表
-        """
-        return await self.submodule_manager.update_submodules(
-            main_repo_path, submodule_configs
-        )
-
-    async def get_submodule_info(
-        self,
-        main_repo_path: Path,
-        submodule_configs: list[SubmoduleConfig],
-    ) -> list[SubmoduleInfo]:
-        """
-        获取子模块信息
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            list[SubmoduleInfo]: 子模块信息列表
-        """
-        return await self.submodule_manager.get_submodule_info(
-            main_repo_path, submodule_configs
-        )
-
-    def save_submodule_configs(
-        self,
-        main_repo_path: Path,
-        submodule_configs: list[SubmoduleConfig],
-    ) -> bool:
-        """
-        保存子模块配置到文件
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            bool: 是否成功
-        """
-        return self.submodule_manager.save_submodule_configs(
-            main_repo_path, submodule_configs
-        )
-
-    async def load_submodule_configs(
-        self, main_repo_path: Path
-    ) -> list[SubmoduleConfig]:
-        """
-        从文件加载子模块配置
-
-        参数:
-            main_repo_path: 主仓库路径
-
-        返回:
-            list[SubmoduleConfig]: 子模块配置列表
-        """
-        return await self.submodule_manager.load_submodule_configs(main_repo_path)
-
-    async def update_with_submodules(
-        self,
-        repo_url: str,
-        local_path: Path,
-        branch: str = "main",
-        submodule_configs: list[SubmoduleConfig] | None = None,
-        use_git: bool = True,
-        force: bool = False,
-        include_patterns: list[str] | None = None,
-        exclude_patterns: list[str] | None = None,
-    ) -> RepoUpdateResult:
-        """
-        更新仓库并处理子模块
-
-        参数:
-            repo_url: 仓库URL，格式为 https://github.com/owner/repo
-            local_path: 本地保存路径
-            branch: 分支名称
-            submodule_configs: 子模块配置列表
-            use_git: 是否使用Git命令更新
-            force: 是否强制更新
-            include_patterns: 包含的文件模式列表
-            exclude_patterns: 排除的文件模式列表
-
-        返回:
-            RepoUpdateResult: 更新结果
-        """
-        # 更新主仓库
-        result = await self.update(
-            repo_url,
-            local_path,
-            branch,
-            use_git,
-            force,
-            include_patterns,
-            exclude_patterns,
-        )
-
-        # 如果没有子模块配置，直接返回结果
-        if not submodule_configs:
-            return result
-
-        # 处理子模块
-        try:
-            submodule_results = await self.update_submodules(
-                local_path, submodule_configs
-            )
-            result.submodule_results = submodule_results
-
-            # 检查子模块更新是否成功
-            failed_submodules = [r for r in submodule_results if not r.success]
-            if failed_submodules:
-                logger.warning(
-                    "部分子模块更新失败:"
-                    f" {[r.submodule_name for r in failed_submodules]}",
-                    LOG_COMMAND,
-                )
-
-        except Exception as e:
-            logger.error(f"处理子模块时发生错误: {e}", LOG_COMMAND)
-            result.error_message += f"; 子模块处理失败: {e}"
-
-        return result

zhenxun/utils/repo_utils/models.py

@@ -15,62 +15,6 @@ class RepoType(str, Enum):
     ALIYUN = "aliyun"
 
 
-@dataclass
-class SubmoduleConfig:
-    """子模块配置"""
-
-    # 子模块名称
-    name: str
-    # 子模块路径（相对于主仓库）
-    path: str
-    # 子模块仓库URL
-    repo_url: str
-    # 分支名称
-    branch: str = "main"
-    # 是否启用
-    enabled: bool = True
-    # 包含的文件模式列表
-    include_patterns: list[str] | None = None
-    # 排除的文件模式列表
-    exclude_patterns: list[str] | None = None
-
-
-@dataclass
-class SubmoduleInfo:
-    """子模块信息"""
-
-    # 子模块配置
-    config: SubmoduleConfig
-    # 当前版本
-    current_version: str = ""
-    # 最新版本
-    latest_version: str = ""
-    # 最后更新时间
-    last_update: datetime | None = None
-    # 更新状态
-    update_status: str = "unknown"  # unknown, up_to_date, outdated, error
-
-
-@dataclass
-class SubmoduleUpdateResult:
-    """子模块更新结果"""
-
-    # 子模块名称
-    submodule_name: str
-    # 子模块路径
-    submodule_path: str
-    # 旧版本
-    old_version: str
-    # 新版本
-    new_version: str
-    # 是否成功
-    success: bool = False
-    # 错误消息
-    error_message: str = ""
-    # 变更的文件列表
-    changed_files: list[str] = field(default_factory=list)
-
-
 @dataclass
 class RepoFileInfo:
     """仓库文件信息"""
@@ -123,8 +67,6 @@ class RepoUpdateResult:
     error_message: str = ""
     # 变更的文件列表
     changed_files: list[str] = field(default_factory=list)
-    # 子模块更新结果
-    submodule_results: list[SubmoduleUpdateResult] = field(default_factory=list)
 
 
 @dataclass

zhenxun/utils/repo_utils/submodule_manager.py

@@ -1,408 +0,0 @@
-"""
-子模块管理工具
-"""
-
-import json
-from pathlib import Path
-
-from zhenxun.services.log import logger
-
-from .config import LOG_COMMAND
-from .github_manager import GithubManager
-from .models import SubmoduleConfig, SubmoduleInfo, SubmoduleUpdateResult
-from .utils import run_git_command
-
-
-class SubmoduleManager:
-    """子模块管理器"""
-
-    def __init__(self, github_manager: GithubManager):
-        """
-        初始化子模块管理器
-
-        参数:
-            github_manager: GitHub管理器实例
-        """
-        self.github_manager = github_manager
-
-    async def init_submodules(
-        self, main_repo_path: Path, submodule_configs: list[SubmoduleConfig]
-    ) -> bool:
-        """
-        初始化子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            bool: 是否成功
-        """
-        try:
-            # 检查是否在Git仓库中
-            success, stdout, stderr = await run_git_command("status", main_repo_path)
-            if not success:
-                logger.error(f"路径 {main_repo_path} 不是有效的Git仓库", LOG_COMMAND)
-                return False
-
-            # 初始化每个子模块
-            for config in submodule_configs:
-                if not config.enabled:
-                    continue
-
-                await self._init_single_submodule(main_repo_path, config)
-
-            # 更新子模块
-            await self._update_submodules(main_repo_path)
-
-            return True
-
-        except Exception as e:
-            logger.error(f"初始化子模块失败: {e}", LOG_COMMAND)
-            return False
-
-    async def _init_single_submodule(
-        self, main_repo_path: Path, config: SubmoduleConfig
-    ) -> bool:
-        """
-        初始化单个子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            config: 子模块配置
-
-        返回:
-            bool: 是否成功
-        """
-        try:
-            submodule_path = main_repo_path / config.path
-
-            # 检查子模块是否已存在
-            if submodule_path.exists() and (submodule_path / ".git").exists():
-                logger.info(f"子模块 {config.name} 已存在，跳过初始化", LOG_COMMAND)
-                return True
-
-            # 添加子模块
-            success, stdout, stderr = await run_git_command(
-                f"submodule add -b {config.branch} {config.repo_url} {config.path}",
-                main_repo_path,
-            )
-
-            if not success:
-                logger.error(f"添加子模块 {config.name} 失败: {stderr}", LOG_COMMAND)
-                return False
-
-            logger.info(f"成功添加子模块 {config.name}", LOG_COMMAND)
-            return True
-
-        except Exception as e:
-            logger.error(f"初始化子模块 {config.name} 失败: {e}", LOG_COMMAND)
-            return False
-
-    async def _update_submodules(self, main_repo_path: Path) -> bool:
-        """
-        更新所有子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-
-        返回:
-            bool: 是否成功
-        """
-        try:
-            # 更新子模块
-            success, stdout, stderr = await run_git_command(
-                "submodule update --init --recursive", main_repo_path
-            )
-
-            if not success:
-                logger.error(f"更新子模块失败: {stderr}", LOG_COMMAND)
-                return False
-
-            logger.info("成功更新所有子模块", LOG_COMMAND)
-            return True
-
-        except Exception as e:
-            logger.error(f"更新子模块失败: {e}", LOG_COMMAND)
-            return False
-
-    async def update_submodules(
-        self, main_repo_path: Path, submodule_configs: list[SubmoduleConfig]
-    ) -> list[SubmoduleUpdateResult]:
-        """
-        更新子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            List[SubmoduleUpdateResult]: 更新结果列表
-        """
-        results = []
-
-        for config in submodule_configs:
-            if not config.enabled:
-                continue
-
-            result = await self._update_single_submodule(main_repo_path, config)
-            results.append(result)
-
-        return results
-
-    async def _update_single_submodule(
-        self, main_repo_path: Path, config: SubmoduleConfig
-    ) -> SubmoduleUpdateResult:
-        """
-        更新单个子模块
-
-        参数:
-            main_repo_path: 主仓库路径
-            config: 子模块配置
-
-        返回:
-            SubmoduleUpdateResult: 更新结果
-        """
-        result = SubmoduleUpdateResult(
-            submodule_name=config.name,
-            submodule_path=config.path,
-            old_version="",
-            new_version="",
-        )
-
-        try:
-            submodule_path = main_repo_path / config.path
-
-            # 检查子模块是否存在
-            if not submodule_path.exists():
-                result.error_message = f"子模块路径不存在: {submodule_path}"
-                return result
-
-            # 获取当前版本
-            success, stdout, stderr = await run_git_command(
-                "rev-parse HEAD", submodule_path
-            )
-
-            if not success:
-                result.error_message = f"获取当前版本失败: {stderr}"
-                return result
-
-            old_version = stdout.strip()
-            result.old_version = old_version
-
-            # 获取远程最新版本
-            success, stdout, stderr = await run_git_command(
-                f"ls-remote origin {config.branch}", submodule_path
-            )
-
-            if not success:
-                result.error_message = f"获取远程版本失败: {stderr}"
-                return result
-
-            # 解析最新版本
-            lines = stdout.strip().split("\n")
-            if not lines or not lines[0]:
-                result.error_message = "无法获取远程版本信息"
-                return result
-
-            latest_version = lines[0].split("\t")[0]
-            result.new_version = latest_version
-
-            # 检查是否需要更新
-            if old_version == latest_version:
-                result.success = True
-                logger.info(f"子模块 {config.name} 已是最新版本", LOG_COMMAND)
-                return result
-
-            # 更新子模块
-            success, stdout, stderr = await run_git_command(
-                f"pull origin {config.branch}", submodule_path
-            )
-
-            if not success:
-                result.error_message = f"更新子模块失败: {stderr}"
-                return result
-
-            # 更新主仓库中的子模块引用
-            success, stdout, stderr = await run_git_command(
-                f"add {config.path}", main_repo_path
-            )
-
-            if not success:
-                result.error_message = f"更新主仓库引用失败: {stderr}"
-                return result
-
-            result.success = True
-            logger.info(
-                f"成功更新子模块 {config.name}: {old_version} -> {latest_version}",
-                LOG_COMMAND,
-            )
-
-        except Exception as e:
-            result.error_message = f"更新子模块时发生错误: {e}"
-            logger.error(f"更新子模块 {config.name} 失败: {e}", LOG_COMMAND)
-
-        return result
-
-    async def get_submodule_info(
-        self, main_repo_path: Path, submodule_configs: list[SubmoduleConfig]
-    ) -> list[SubmoduleInfo]:
-        """
-        获取子模块信息
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            List[SubmoduleInfo]: 子模块信息列表
-        """
-        submodule_infos = []
-
-        for config in submodule_configs:
-            if not config.enabled:
-                continue
-
-            info = await self._get_single_submodule_info(main_repo_path, config)
-            submodule_infos.append(info)
-
-        return submodule_infos
-
-    async def _get_single_submodule_info(
-        self, main_repo_path: Path, config: SubmoduleConfig
-    ) -> SubmoduleInfo:
-        """
-        获取单个子模块信息
-
-        参数:
-            main_repo_path: 主仓库路径
-            config: 子模块配置
-
-        返回:
-            SubmoduleInfo: 子模块信息
-        """
-        info = SubmoduleInfo(config=config)
-
-        try:
-            submodule_path = main_repo_path / config.path
-
-            if not submodule_path.exists():
-                info.update_status = "error"
-                return info
-
-            # 获取当前版本
-            success, stdout, stderr = await run_git_command(
-                "rev-parse HEAD", submodule_path
-            )
-
-            if success:
-                info.current_version = stdout.strip()
-
-            # 获取远程最新版本
-            success, stdout, stderr = await run_git_command(
-                f"ls-remote origin {config.branch}", submodule_path
-            )
-
-            if success and stdout.strip():
-                lines = stdout.strip().split("\n")
-                if lines and lines[0]:
-                    info.latest_version = lines[0].split("\t")[0]
-
-            # 确定更新状态
-            if info.current_version and info.latest_version:
-                if info.current_version == info.latest_version:
-                    info.update_status = "up_to_date"
-                else:
-                    info.update_status = "outdated"
-            else:
-                info.update_status = "unknown"
-
-        except Exception as e:
-            info.update_status = "error"
-            logger.error(f"获取子模块 {config.name} 信息失败: {e}", LOG_COMMAND)
-
-        return info
-
-    def save_submodule_configs(
-        self, main_repo_path: Path, submodule_configs: list[SubmoduleConfig]
-    ) -> bool:
-        """
-        保存子模块配置到文件
-
-        参数:
-            main_repo_path: 主仓库路径
-            submodule_configs: 子模块配置列表
-
-        返回:
-            bool: 是否成功
-        """
-        try:
-            config_file = main_repo_path / ".submodules.json"
-
-            # 转换为字典格式
-            configs_dict = []
-            for config in submodule_configs:
-                config_dict = {
-                    "name": config.name,
-                    "path": config.path,
-                    "repo_url": config.repo_url,
-                    "branch": config.branch,
-                    "enabled": config.enabled,
-                    "include_patterns": config.include_patterns,
-                    "exclude_patterns": config.exclude_patterns,
-                }
-                configs_dict.append(config_dict)
-
-            # 保存到文件
-            with open(config_file, "w", encoding="utf-8") as f:
-                json.dump(configs_dict, f, indent=2, ensure_ascii=False)
-
-            logger.info(f"子模块配置已保存到 {config_file}", LOG_COMMAND)
-            return True
-
-        except Exception as e:
-            logger.error(f"保存子模块配置失败: {e}", LOG_COMMAND)
-            return False
-
-    def load_submodule_configs(self, main_repo_path: Path) -> list[SubmoduleConfig]:
-        """
-        从文件加载子模块配置
-
-        参数:
-            main_repo_path: 主仓库路径
-
-        返回:
-            List[SubmoduleConfig]: 子模块配置列表
-        """
-        try:
-            config_file = main_repo_path / ".submodules.json"
-
-            if not config_file.exists():
-                logger.warning(f"子模块配置文件不存在: {config_file}", LOG_COMMAND)
-                return []
-
-            with open(config_file, encoding="utf-8") as f:
-                configs_dict = json.load(f)
-
-            # 转换为SubmoduleConfig对象
-            configs = []
-            for config_dict in configs_dict:
-                config = SubmoduleConfig(
-                    name=config_dict["name"],
-                    path=config_dict["path"],
-                    repo_url=config_dict["repo_url"],
-                    branch=config_dict.get("branch", "main"),
-                    enabled=config_dict.get("enabled", True),
-                    include_patterns=config_dict.get("include_patterns"),
-                    exclude_patterns=config_dict.get("exclude_patterns"),
-                )
-                configs.append(config)
-
-            logger.info(
-                f"从 {config_file} 加载了 {len(configs)} 个子模块配置", LOG_COMMAND
-            )
-            return configs
-
-        except Exception as e:
-            logger.error(f"加载子模块配置失败: {e}", LOG_COMMAND)
-            return []

zhenxun/utils/repo_utils/submodule_setup.py

@@ -1,210 +0,0 @@
-#!/usr/bin/env python3
-"""
-GitHub子模块快速设置脚本
-"""
-
-import asyncio
-from pathlib import Path
-import sys
-
-from zhenxun.services.log import logger
-from zhenxun.utils.repo_utils import (
-    GithubRepoManager,
-    SubmoduleConfig,
-)
-
-
-def create_sample_configs():
-    """创建示例子模块配置"""
-    return [
-        SubmoduleConfig(
-            name="frontend-ui",
-            path="frontend/ui",
-            repo_url="https://github.com/your-org/frontend-ui",
-            branch="main",
-            enabled=True,
-            include_patterns=["*.js", "*.css", "*.html", "*.vue", "*.ts"],
-            exclude_patterns=["node_modules/*", "*.log", "dist/*", "coverage/*"],
-        ),
-        SubmoduleConfig(
-            name="backend-api",
-            path="backend/api",
-            repo_url="https://github.com/your-org/backend-api",
-            branch="develop",
-            enabled=True,
-            include_patterns=["*.py", "*.json", "requirements.txt", "*.yml"],
-            exclude_patterns=["__pycache__/*", "*.pyc", "venv/*", ".pytest_cache/*"],
-        ),
-        SubmoduleConfig(
-            name="shared-lib",
-            path="libs/shared",
-            repo_url="https://github.com/your-org/shared-lib",
-            branch="main",
-            enabled=True,
-            include_patterns=["*.py", "*.js", "*.ts", "*.json"],
-            exclude_patterns=["tests/*", "docs/*", "examples/*"],
-        ),
-    ]
-
-
-async def setup_submodules(project_path: str, configs: list[SubmoduleConfig]):
-    """设置子模块"""
-    main_repo_path = Path(project_path)
-
-    logger.info(f"正在为项目 {project_path} 设置子模块...")
-
-    # 检查路径是否存在
-    if not main_repo_path.exists():
-        logger.info(f"错误: 项目路径 {project_path} 不存在")
-        return False
-
-    # 检查是否是Git仓库
-    git_dir = main_repo_path / ".git"
-    if not git_dir.exists():
-        logger.info(f"错误: {project_path} 不是Git仓库")
-        logger.info("请先执行: git init")
-        return False
-
-    # 初始化子模块
-    logger.info("正在初始化子模块...")
-    success = await GithubRepoManager.init_submodules(main_repo_path, configs)
-
-    if not success:
-        logger.info("子模块初始化失败！")
-        return False
-
-    # 保存配置
-    logger.info("正在保存子模块配置...")
-    await GithubRepoManager.save_submodule_configs(main_repo_path, configs)
-
-    logger.info("✓ 子模块设置完成！")
-    logger.info(f"配置文件已保存到: {main_repo_path / '.submodules.json'}")
-
-    return True
-
-
-async def update_submodules(project_path: str):
-    """更新子模块"""
-    main_repo_path = Path(project_path)
-
-    logger.info(f"正在更新项目 {project_path} 的子模块...")
-
-    # 加载配置
-    configs = await GithubRepoManager.load_submodule_configs(main_repo_path)
-
-    if not configs:
-        logger.info("未找到子模块配置")
-        return False
-
-    logger.info(f"找到 {len(configs)} 个子模块配置")
-
-    # 获取子模块信息
-    infos = await GithubRepoManager.get_submodule_info(main_repo_path, configs)
-
-    logger.info("\n子模块状态:")
-    for info in infos:
-        status_icon = (
-            "✓"
-            if info.update_status == "up_to_date"
-            else "⚠"
-            if info.update_status == "outdated"
-            else "✗"
-        )
-        logger.info(
-            f"{status_icon} {info.config.name}"
-            f"({info.config.path}) - {info.update_status}"
-        )
-
-    # 更新子模块
-    logger.info("\n正在更新子模块...")
-    results = await GithubRepoManager.update_submodules(main_repo_path, configs)
-
-    success_count = 0
-    for result in results:
-        if result.success:
-            success_count += 1
-            if result.old_version != result.new_version:
-                logger.info(f"  ✓ {result.submodule_name} 已更新")
-            else:
-                logger.info(f"  ✓ {result.submodule_name} 已是最新版本")
-        else:
-            logger.info(f"  ✗ {result.submodule_name} 更新失败: {result.error_message}")
-
-    logger.info(f"\n更新完成: {success_count}/{len(results)} 个子模块更新成功")
-    return success_count == len(results)
-
-
-async def show_submodule_info(project_path: str):
-    """显示子模块信息"""
-    main_repo_path = Path(project_path)
-
-    logger.info(f"项目 {project_path} 的子模块信息:")
-
-    # 加载配置
-    configs = await GithubRepoManager.load_submodule_configs(main_repo_path)
-
-    if not configs:
-        logger.info("未找到子模块配置")
-        return
-
-    # 获取详细信息
-    infos = await GithubRepoManager.get_submodule_info(main_repo_path, configs)
-
-    for info in infos:
-        logger.info(f"\n子模块: {info.config.name}")
-        logger.info(f"  路径: {info.config.path}")
-        logger.info(f"  仓库: {info.config.repo_url}")
-        logger.info(f"  分支: {info.config.branch}")
-        logger.info(f"  状态: {info.update_status}")
-        logger.info(f"  启用: {info.config.enabled}")
-
-        if info.current_version:
-            logger.info(f"  当前版本: {info.current_version[:8]}")
-        if info.latest_version:
-            logger.info(f"  最新版本: {info.latest_version[:8]}")
-
-        if info.config.include_patterns:
-            logger.info(f"  包含文件: {', '.join(info.config.include_patterns)}")
-        if info.config.exclude_patterns:
-            logger.info(f"  排除文件: {', '.join(info.config.exclude_patterns)}")
-
-
-def print_info_usage():
-    """打印使用说明"""
-    logger.info("GitHub子模块管理工具")
-    logger.info("用法:")
-    logger.info("  python submodule_setup.py setup <项目路径>")
-    logger.info("  python submodule_setup.py update <项目路径>")
-    logger.info("  python submodule_setup.py info <项目路径>")
-    logger.info("示例:")
-    logger.info("  python submodule_setup.py setup ./my_project")
-    logger.info("  python submodule_setup.py update ./my_project")
-    logger.info("  python submodule_setup.py info ./my_project")
-
-
-async def main():
-    """主函数"""
-    if len(sys.argv) < 3:
-        print_info_usage()
-        return
-
-    command = sys.argv[1]
-    project_path = sys.argv[2]
-
-    if command == "setup":
-        configs = create_sample_configs()
-        await setup_submodules(project_path, configs)
-
-    elif command == "update":
-        await update_submodules(project_path)
-
-    elif command == "info":
-        await show_submodule_info(project_path)
-
-    else:
-        logger.info(f"未知命令: {command}")
-        print_info_usage()
-
-
-if __name__ == "__main__":
-    asyncio.run(main())

zhenxun/utils/repo_utils/utils.py

@@ -57,11 +57,13 @@ async def run_git_command(
     """
     try:
         full_command = f"git {command}"
+        # 将Path对象转换为字符串
+        cwd_str = str(cwd) if cwd else None
         process = await asyncio.create_subprocess_shell(
             full_command,
             stdout=asyncio.subprocess.PIPE,
             stderr=asyncio.subprocess.PIPE,
-            cwd=cwd,
+            cwd=cwd_str,
         )
         stdout_bytes, stderr_bytes = await process.communicate()