ailine/backend/app/model_services/chat_services.py

"""
生成式大模型服务模块

本模块提供统一的生成式大模型服务获取接口，支持多种模型：
1. Local VLLM 服务：本地 gemma-4-E4B-it 模型
2. Zhipu AI：智谱 glm-5.1 模型
3. DeepSeek：deepseek-v4-pro 模型

主要功能：
- LocalVLLMChatProvider：本地 VLLM 服务提供者
- ZhipuChatProvider：智谱 API 服务提供者
- DeepSeekChatProvider：DeepSeek API 服务提供者
- get_chat_service()：获取默认服务（带自动降级）
- get_all_chat_services()：获取所有可用模型服务（用于多模型切换）
"""

import logging
from typing import Dict, Callable
from langchain_core.language_models import BaseChatModel

from .base import (
    BaseServiceProvider,
    FallbackServiceChain,
    SingletonServiceManager
)
from app.config import (
    VLLM_BASE_URL,
    LLM_API_KEY,
    ZHIPUAI_API_KEY,
    DEEPSEEK_API_KEY
)

logger = logging.getLogger(__name__)


class LocalVLLMChatProvider(BaseServiceProvider[BaseChatModel]):
    """
    本地 VLLM 生成式大模型服务提供者
    """
    
    def __init__(self, model: str = "gemma-4-E4B-it"):
        super().__init__("local_vllm_chat")
        self._model = model
    
    def is_available(self) -> bool:
        """
        检查本地 VLLM 服务是否可用
        
        Returns:
            bool: 服务是否可用
        """
        if not VLLM_BASE_URL:
            logger.warning("VLLM_BASE_URL 未配置")
            return False
        
        try:
            # 先测试主机名能否解析
            import httpx
            from urllib.parse import urlparse
            
            parsed_url = urlparse(VLLM_BASE_URL)
            host = parsed_url.hostname
            port = parsed_url.port or (80 if parsed_url.scheme == 'http' else 443)
            
            # 测试能否建立 TCP 连接（快速失败）
            import socket
            sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
            sock.settimeout(2.0)
            try:
                sock.connect((host, port))
                sock.close()
            except Exception as e:
                logger.warning(f"本地 VLLM 服务无法连接: {host}:{port} - {e}")
                return False
            
            # 再尝试调用简单的 API（比如 models 接口）
            client = httpx.Client(base_url=VLLM_BASE_URL.rstrip('/'), timeout=5.0)
            headers = {}
            if LLM_API_KEY:
                headers["Authorization"] = f"Bearer {LLM_API_KEY}"
            
            try:
                response = client.get("/v1/models", headers=headers)
                if response.status_code == 200:
                    logger.info(f"本地 VLLM 服务可用: {self._model}")
                    return True
            except Exception:
                pass
            
            # 如果 /v1/models 失败，也认为服务不可用
            logger.warning(f"本地 VLLM 服务响应异常")
            return False
        except Exception as e:
            logger.warning(f"本地 VLLM 服务不可用: {e}")
            return False
    
    def get_service(self) -> BaseChatModel:
        """
        获取本地 VLLM 服务
        
        Returns:
            BaseChatModel: LangChain 兼容的 ChatModel 实例
        """
        if self._service_instance is None:
            from langchain_openai import ChatOpenAI
            from pydantic import SecretStr
            
            self._service_instance = ChatOpenAI(
                base_url=VLLM_BASE_URL,
                api_key=SecretStr(LLM_API_KEY) if LLM_API_KEY else SecretStr(""),
                model=self._model,
                timeout=60.0,
                max_retries=2,
                streaming=True,
            )
        return self._service_instance


class ZhipuChatProvider(BaseServiceProvider[BaseChatModel]):
    """
    智谱 AI 生成式大模型服务提供者
    """
    
    def __init__(self, model: str = "glm-5.1"):
        super().__init__("zhipu_chat")
        self._model = model
    
    def is_available(self) -> bool:
        """
        检查智谱 AI 服务是否可用
        
        Returns:
            bool: 服务是否可用
        """
        if not ZHIPUAI_API_KEY:
            logger.warning("ZHIPUAI_API_KEY 未配置")
            return False
        
        try:
            logger.info(f"智谱 AI 服务配置正确，准备使用: {self._model}")
            return True
        except Exception as e:
            logger.warning(f"智谱 AI 服务不可用: {e}")
            return False
    
    def get_service(self) -> BaseChatModel:
        """
        获取智谱 AI 服务
        
        Returns:
            BaseChatModel: LangChain 兼容的 ChatModel 实例
        """
        if self._service_instance is None:
            from langchain_community.chat_models import ChatZhipuAI
            
            self._service_instance = ChatZhipuAI(
                model=self._model,
                api_key=ZHIPUAI_API_KEY,
                temperature=0.1,
                max_tokens=4096,
                timeout=120.0,
                max_retries=3,
                streaming=True,
            )
        return self._service_instance


class DeepSeekChatProvider(BaseServiceProvider[BaseChatModel]):
    """
    DeepSeek 生成式大模型服务提供者
    """
    
    def __init__(self, model: str = "deepseek-v4-pro"):
        super().__init__("deepseek_chat")
        self._model = model
    
    def is_available(self) -> bool:
        """
        检查 DeepSeek 服务是否可用
        
        Returns:
            bool: 服务是否可用
        """
        if not DEEPSEEK_API_KEY:
            logger.warning("DEEPSEEK_API_KEY 未配置")
            return False
        
        try:
            logger.info(f"DeepSeek 服务配置正确，准备使用: {self._model}")
            return True
        except Exception as e:
            logger.warning(f"DeepSeek 服务不可用: {e}")
            return False
    
    def get_service(self) -> BaseChatModel:
        """
        获取 DeepSeek 服务
        
        Returns:
            BaseChatModel: LangChain 兼容的 ChatModel 实例
        """
        if self._service_instance is None:
            from langchain_openai import ChatOpenAI
            from pydantic import SecretStr
            
            self._service_instance = ChatOpenAI(
                base_url="https://api.deepseek.com",
                api_key=SecretStr(DEEPSEEK_API_KEY),
                model=self._model,
                temperature=0.1,
                max_tokens=4096,
                timeout=60.0,
                max_retries=2,
                streaming=True,
            )
        return self._service_instance


# 全局服务映射表 - 名称 -> Provider
CHAT_PROVIDERS: Dict[str, Callable[[], BaseServiceProvider[BaseChatModel]]] = {
    "local": lambda: LocalVLLMChatProvider(),
    "zhipu": lambda: ZhipuChatProvider(),
    "deepseek": lambda: DeepSeekChatProvider(),
}


def get_chat_service() -> BaseChatModel:
    """
    获取默认的生成式大模型服务（带自动降级）
    优先顺序: local -> zhipu -> deepseek
    
    Returns:
        BaseChatModel: LangChain 兼容的 ChatModel 实例
    """
    def _create_chain():
        primary = LocalVLLMChatProvider()
        fallbacks = [ZhipuChatProvider(), DeepSeekChatProvider()]
        return FallbackServiceChain(primary, fallbacks)
    
    chain = SingletonServiceManager.get_or_create("chat_service_chain", _create_chain)
    return chain.get_available_service()


def get_all_chat_services() -> Dict[str, BaseChatModel]:
    """
    获取所有可用的生成式大模型服务（用于多模型切换）
    
    Returns:
        Dict[str, BaseChatModel]: 模型名称 -> ChatModel 实例 的字典
    """
    services = {}
    
    for name, provider_factory in CHAT_PROVIDERS.items():
        try:
            provider = provider_factory()
            if provider.is_available():
                logger.info(f"模型 '{name}' 可用")
                services[name] = provider.get_service()
            else:
                logger.warning(f"模型 '{name}' 不可用，跳过")
        except Exception as e:
            logger.warning(f"初始化模型 '{name}' 失败: {e}")
    
    if not services:
        raise RuntimeError(f"没有可用的生成式大模型，尝试了: {list(CHAT_PROVIDERS.keys())}")
    
    return services