重构：添加模型服务模块，支持嵌入和重排服务的自动降级

新增功能：
- 创建 app/model_services 模块，提供统一的模型服务获取接口
- 实现 BaseServiceProvider 基类和 FallbackServiceChain 降级链
- 实现 get_embedding_service()：优先本地 llama.cpp，降级到智谱 API
- 实现 get_rerank_service()：优先本地 llama.cpp，降级到智谱 API
- 支持单例管理，确保全局只有一个服务实例

修改内容：
- 更新 app/config.py，添加智谱 API 相关配置
- 修改 rag_core/vector_store.py：支持接受外部传入的 embeddings
- 修改 rag_core/retriever_factory.py：支持接受外部传入的 embeddings
- 修改 app/agent/rag_initializer.py：使用 get_embedding_service()
- 修改 app/rag/pipeline.py：使用 get_rerank_service()
- 修改 app/memory/mem0_client.py：智能判断可用服务配置 mem0
- 修改 rag_indexer/index_builder.py：支持使用新服务，保持向后兼容
- 修改 rag_indexer/config.py：添加智谱配置

环境变量：
- ZHIPUAI_API_KEY：智谱 API 密钥（必选）
- ZHIPU_EMBEDDING_MODEL：可选，默认 embedding-3
- ZHIPU_RERANK_MODEL：可选，默认 rerank-2
- ZHIPU_API_BASE：可选，默认 https://open.bigmodel.cn/api/paas/v4

rag_indexer/index_builder.py

@@ -31,6 +31,13 @@ sys.path.insert(0, str(Path(__file__).parent.parent / "backend"))
 
 from rag_core import LlamaCppEmbedder, QdrantVectorStore, create_docstore, create_parent_retriever
 
+# 尝试导入新的 model_services（如果可用）
+try:
+    from app.model_services import get_embedding_service
+    HAS_MODEL_SERVICES = True
+except ImportError:
+    HAS_MODEL_SERVICES = False
+
 logger = logging.getLogger(__name__)
 
 # ---------- 配置数据类 ----------
@@ -69,10 +76,11 @@ class IndexBuilderConfig:
 class IndexBuilder:
     """RAG 索引构建主流水线，支持单块切分与父子块切分。"""
 
-    def __init__(self, config: Optional[IndexBuilderConfig] = None, **kwargs):
+    def __init__(self, config: Optional[IndexBuilderConfig] = None, embeddings: Optional[Embeddings] = None, **kwargs):
         """
         Args:
             config: 索引构建器配置对象，优先级高于 kwargs
+            embeddings: 可选的外部嵌入模型实例，如果提供则使用它
             **kwargs: 可直接传入配置参数，会合并到 config 中（为方便使用保留）
         """
         if config is None:
@@ -88,12 +96,29 @@ class IndexBuilder:
 
         # 初始化基础组件
         self.loader = DocumentLoader()
-        self.embedder = LlamaCppEmbedder()
-        self.embeddings: Embeddings = self.embedder.as_langchain_embeddings()
+        
+        # 设置嵌入模型 - 优先使用外部提供的，然后尝试使用新服务，最后回退到原来的方式
+        if embeddings is not None:
+            self.embeddings = embeddings
+            self.embedder = None
+            logger.info("使用外部提供的嵌入模型")
+        elif HAS_MODEL_SERVICES:
+            try:
+                self.embeddings = get_embedding_service()
+                self.embedder = None
+                logger.info("使用 model_services 提供的嵌入服务")
+            except Exception as e:
+                logger.warning(f"获取嵌入服务失败，回退到 LlamaCppEmbedder: {e}")
+                self.embedder = LlamaCppEmbedder()
+                self.embeddings = self.embedder.as_langchain_embeddings()
+        else:
+            self.embedder = LlamaCppEmbedder()
+            self.embeddings = self.embedder.as_langchain_embeddings()
 
         # 初始化向量存储
         self.vector_store = QdrantVectorStore(
             collection_name=config.collection_name,
+            embeddings=self.embeddings if self.embedder is None else None,
         )
 
         # 根据切分类型初始化相关组件
@@ -149,6 +174,7 @@ class IndexBuilder:
             child_splitter=self.child_splitter,
             docstore=self.docstore,
             search_k=cfg.search_k,
+            embeddings=self.embeddings if self.embedder is None else None,
         )
         logger.info("ParentDocumentRetriever 初始化完成")