AI 模块架构

适用版本：1.7.0　|　最后核对：2026-09-05

涵盖 AI 流式对话（工具箱）、AI 侧面板对话（经 Agent 引擎）、RAG 向量检索（预留）、内容总结、连接测试。 Agent 自动化引擎（Rust 原生）另见 Agent 引擎架构。

1. 架构总览

┌──────────────────────────────────────────────────────────┐
│                    前端 (React/TypeScript)                 │
│  AiSidePanel.tsx         AiToolboxPanel.tsx              │
│  (AI 对话面板·4 技能)      (三栏工具箱·预设 Prompt)          │
│       └───────────────┬───────────────┘                  │
│                 useAiChat.ts                             │
│        （流式事件监听 / 历史总结 / 错误恢复）                 │
│                       │                                  │
│  Zustand aiSlice + Jotai aiPanelOpenAtom                 │
│  tauri-bridge.ts（aiApi + 组件直调 Agent 命令）            │
├───────────────────────┼──────────────────────────────────┤
│                 Tauri IPC 边界                            │
├───────────────────────┼──────────────────────────────────┤
│  Rust 对话与总结层 commands/ai/ + commands/agent/         │
│  ┌────────────────┬────────────────┬──────────────┐      │
│  │ agent/skills.rs│   chat.rs      │ embedding.rs  │      │
│  │ engine.rs      │ 工具箱流式对话  │ RAG/索引(预留) │      │
│  │ AI 面板对话     │  OpenAI SSE    │               │      │
│  │ (ReAct+工具)    │                │ summarize.rs  │      │
│  │                │                │ 章节/对话总结  │      │
│  └──────┬─────────┴───────┬────────┴────────┬──────┘      │
│         ▼                 ▼                 ▼             │
│  emit('agent-       emit('ai-stream-   emit('chapter-/    │
│  stream-chunk')    chunk')             conversation-      │
│  (chunk/done/      (thinking/           summary-done')    │
│   error/cancelled)  answering/retrying)                   │
└───────────────────────────────────────────────────────────┘

关键设计决策：

流式请求完全在 Rust 端通过 reqwest 处理，前端只通过 Tauri 事件接收增量文本，规避浏览器 CORS / 流式解析问题
支持 Ollama 原生协议（NDJSON）与 OpenAI 兼容协议（SSE）两条路径（工具箱/总结直连场景）
v1.2 起 AI 侧面板对话统一由 Agent 引擎驱动：useAiChat.handleSend() → execute_agent_skill（默认 writing 技能），Prompt 构建与上下文检索由引擎内部完成；工具箱保留 stream_ai_chat 直连
RAG/Embedding 为预留能力：后端 rag_search / trigger_embedding / check_embedding_status 命令已实现并注册，但设置页标记「预留」，当前对话上下文由 Agent 引擎内置工具（章节读取/搜索）提供，triggerEmbedding 无前端 UI 接线
对话配置（AiChatConfig）与 RAG/Embedding 配置（RagConfig）完全解耦，各自独立管理 API Key、端点、模型
各服务商 API Key 独立存储（bigmodelApiKey / deepseekApiKey）
AI 配置经 localStorage 持久化，自动兼容旧版扁平格式迁移
流式事件三阶段通知：thinking → answering → done

v1.0.0 变更：原 commands/ai.rs（约 1265 行）已拆分为 ai/{chat,embedding,summarize,test}.rs 四个子模块。 v1.2.0 变更：Agent 迁移为 Rust 原生后，AI 面板对话接入 Agent 引擎（见 Agent 引擎架构）。

2. 服务商配置

2.1 对话服务商

服务商	标识	默认端点	默认模型	可选模型
智谱 BigModel	`bigmodel`	`https://open.bigmodel.cn/api/paas/v4`	`glm-5.1`	`glm-5.1`
DeepSeek	`deepseek`	`https://api.deepseek.com`	`deepseek-v4-flash`	`deepseek-v4-flash`、`deepseek-v4-pro`
Ollama	`ollama`	`http://127.0.0.1:11434`	`qwen2.5:7b`	任意本地模型
自定义	`custom`	用户填写	用户填写	—

2.2 RAG / Embedding 服务商

RAG 仅支持智谱 BigModel（DeepSeek 不提供 Embeddings API）：

服务商	默认端点	Embedding 模型
智谱 BigModel	`https://open.bigmodel.cn/api/paas/v4`	`embedding-3`

2.3 能力对比

能力	智谱 BigModel	DeepSeek	Ollama
流式对话	✅	✅	✅
深度思考 / 推理	✅	✅	❌
Embedding 向量	✅ (`embedding-3`)	❌	❌
RAG 语义检索	✅	❌	❌

2.4 默认配置常量

定义于 src/components/settings/constants.ts：

PROVIDER_DEFAULTS = {
  bigmodel: { endpoint: 'https://open.bigmodel.cn/api/paas/v4', model: 'glm-5.1' },
  deepseek: { endpoint: 'https://api.deepseek.com',             model: 'deepseek-v4-flash' },
  ollama:   { endpoint: 'http://127.0.0.1:11434',               model: 'qwen2.5:7b' },
  custom:   { endpoint: '',                                      model: '' },
}
RAG_PROVIDER_DEFAULTS = {
  bigmodel: { endpoint: 'https://open.bigmodel.cn/api/paas/v4', embeddingModel: 'embedding-3' },
}

3. Rust 后端模块

文件	命令	职责
`ai/chat.rs`	`stream_ai_chat`	SSE/NDJSON 流式对话、重试、超时、buffer 刷新
`ai/embedding.rs`	`rag_search`、`trigger_embedding`、`check_embedding_status`、`test_rag_connection`	向量检索、批量索引、状态检查
`ai/summarize.rs`	`summarize_chapter`、`summarize_conversation`	章节总结（非流式）、对话压缩（滑动窗口）
`ai/test.rs`	`test_ai_connection`、`test_rag_connection`	连通性测试

核心数据结构

/// RAG 检索结果
#[derive(Serialize)]
pub struct RagResult {
    pub snippet: String,
    #[serde(rename = "sourceId")]  pub source_id: String,
    #[serde(rename = "sourceTitle")] pub source_title: String,
    pub distance: f64,
}

/// 流式对话请求参数
#[derive(Debug, Clone, Serialize, Deserialize)]
#[serde(rename_all = "camelCase")]
pub struct StreamChatArgs {
    pub provider: String,        // "ollama" | "openai_compatible"
    pub endpoint: String,
    pub model: String,
    pub temperature: f64,
    pub max_tokens: Option<u32>,
    pub api_key: Option<String>,
    pub messages: Vec<ChatMessage>,
    pub thinking_enabled: bool,  // 推理模型思考模式
}

/// 流式事件负载（推送到前端的增量）
#[derive(Debug, Clone, Serialize)]
pub struct StreamEvent {
    pub content: String,          // 累积的正式输出
    pub thinking: String,         // 累积的思考过程
    pub phase: String,            // "thinking" | "answering" | "retrying" | "done"
    pub done: bool,
    pub error: Option<String>,
    pub usage: Option<UsageInfo>, // Token/字数用量（仅 done）
}

/// Embedding 索引状态
pub struct EmbeddingStatus {
    pub total_chapters: usize,
    pub total_world_cards: usize,
    pub indexed_chapters: usize,
    pub indexed_world_cards: usize,
    pub stale: bool,              // total > indexed 且 > 0 时为 true
}

4. 流式对话 `commands/ai/chat.rs`

4.1 完整链路

v1.2 起 useAiChat 已改为经 Agent 引擎执行（execute_agent_skill），chat.rs 直连链路保留给 AI 工具箱（AiToolboxPanel → aiApi.streamChat）等场景。两条链路如下：

链路 A：AI 侧面板对话（当前默认，走 Agent 引擎）

用户输入（AI 侧面板）→ useAiChat.handleSend()
  ↓
1. 历史压缩：过长时先 summarize_conversation 滑动窗口压缩（可选）
  ↓
2. 注册 listen('agent-stream-chunk')（按 requestId 过滤）
  ↓
3. invoke('execute_agent_skill', { skill:'writing', bookId, message, aiConfig, requestId, ... })
  ↓ [Rust commands/agent/]
4. engine.rs 组装 Prompt（基础 + 场景提示 + 记忆段）→ reqwest POST /chat/completions (stream: true)
5. 需要上下文时调用工具，经 repository 层直读 SQLite
  ↓
6. emit('agent-stream-chunk', { event: chunk/done/error/cancelled }) → 前端 RAF 缓冲合并渲染
  ↓
7. persistAiConversation() → localStorage（结束事件后）

链路 B：工具箱 / 直连场景（走 stream_ai_chat）

AiToolboxPanel → aiApi.streamChat() → invoke('stream_ai_chat')
  ↓ [Rust commands/ai/chat.rs]
reqwest POST {endpoint}/chat/completions (stream: true)
  → emit('ai-stream-chunk', StreamEvent) → 前端实时渲染
  → [DONE] → 更新消息（含 usage / 思考过程）

本章 4.2～4.6 的客户端配置、阶段管理、容错、协议对比与思考模式均针对链路 B（chat.rs）。

4.2 HTTP 客户端配置

Client::builder()
    .connect_timeout(30s)        // 连接超时
    .http1_only()                // 仅 HTTP/1.1（SSE 兼容）
    .no_gzip().no_brotli()       // 禁用自动解压
    .tcp_keepalive(120s)         // 防长思考期间断连

4.3 阶段管理

阶段	`phase`	说明
总结中	`summarizing`	前置章节总结（原文 > 300 字）
思考中	`thinking`	处理 `reasoning_content`，未收到 `content`
输出中	`answering`	收到第一个 `content` 增量后切换
重试中	`retrying`	网络波动，自动重试
完成	`done`	收到 `[DONE]` 或流自然结束

4.4 容错机制

自动重试

最多重试 2 次，指数退避（1s → 2s）
可重试：timeout、connection reset、5xx、429、空内容
不可重试：401、403、404（认证/权限问题直接返回）

双层超时

10 分钟全局超时
60 秒单 chunk 读取超时（tokio::time::timeout），判定为半开连接

断流保底

flush_sse_buffer() 从残留 buffer 提取最后的内容/思考/token 用量
已有内容时以 done 事件收尾（附带错误提示），保留已生成内容而非整体报错

4.5 两种协议对比

特性	Ollama（NDJSON）	OpenAI 兼容（SSE）
端点	`/api/chat`	`/chat/completions`
增量提取	`message.content`	`choices[0].delta.content`
思考过程	不支持	`choices[0].delta.reasoning_content`
结束信号	流关闭 + 最终事件	`[DONE]` 或流关闭
Token 限制	`num_predict`（默认 -1 不限制）	`max_tokens`
认证	无需	`Authorization: Bearer {key}`

4.6 思考模式

thinking_enabled = true 时（DeepSeek R1 / 智谱推理模型）：

解析 SSE 流中的 reasoning_content 字段作为思考过程
通过 phase: "thinking" 推送，前端渲染为可折叠区域
正式回答通过 phase: "answering" 推送 delta.content
DeepSeek 额外统计 KV Cache 命中（prompt_cache_hit_tokens）

5. RAG 检索与 Embedding `commands/ai/embedding.rs`

5.1 双模式检索

              ┌──────────────────┐
              │    用户查询        │
              └────────┬─────────┘
                       ↓
        ┌──────────────────────────┐
        │  embeddings 表有数据?      │
        └──────┬────────────┬──────┘
            YES│            │NO
               ↓            ↓
    ┌──────────────────┐  ┌──────────────────┐
    │  向量语义搜索      │  │ FTS5 / LIKE 降级  │
    │  sqlite-vec KNN   │  │  关键词匹配       │
    └────────┬─────────┘  └─────────┬────────┘
             └──────────┬───────────┘
                        ↓
              返回 Top N RagResult[]

检索范围：chapters 表（排除软删除）+ world_cards 表，均按 book_id 隔离
向量搜索：查询向量经 /embeddings API 获取，对 chunks_vec 虚拟表执行 sqlite-vec KNN（余弦距离）检索，升序取 Top N（v1.6.0 起不再全量内存余弦）
降级策略：查询词前 20 字符构造 LIKE '%keyword%'，先搜章节、不足时补搜世界观卡片，降级结果 distance 固定 0.5

v1.6.0 起语义检索改为 sqlite-vec KNN：索引向量写入 SQLite chunks_vec（vec0 虚拟表），查询执行 SQL knn 距离检索，不再全量加载 embeddings 到内存逐条余弦计算（repository/embedding_repo.rs 维护）。

5.2 Embedding 生成流程

1. 收集源数据
   ├── 章节：SELECT id, content_html FROM chapters WHERE book_id=? AND deleted_at IS NULL
   └── 世界观卡片：SELECT id, content_html FROM world_cards WHERE book_id=?
2. 文本预处理
   ├── strip_html() → 去 HTML 标签
   ├── truncate_for_embedding() → 截断到 1800 字符
   └── 过滤空文本
3. 批量调用 Embedding API（每批 20 条）
4. 写入数据库
   ├── INSERT OR REPLACE INTO embeddings (source_type, source_id, embedding, model)
   └── UPDATE world_cards SET vectorized = 1

关键参数

参数	值	说明
`EMBEDDING_MAX_CHARS`	1800	单条文本截断长度
`BATCH_SIZE`	20	每批 API 调用条数
存储格式	`f32 → LE bytes BLOB`	小端字节序

先收集全部数据（释放 statement 锁），再执行异步 API 调用。

5.3 Embeddings 表

CREATE TABLE IF NOT EXISTS embeddings (
    source_type TEXT NOT NULL,   -- 'chapter' | 'world_card'
    source_id TEXT NOT NULL,
    embedding BLOB NOT NULL,     -- f32[] → LE bytes
    model TEXT NOT NULL,
    PRIMARY KEY (source_type, source_id)
);

6. 内容总结 `commands/ai/summarize.rs`

6.1 章节总结 `summarize_chapter`

非流式请求（stream: false），返回完整总结
默认 System Prompt：专业小说助手，300 字内总结主要情节/事件/人物，支持自定义
支持 DeepSeek 思考模式
返回 ChapterSummary { summary, originalChars, summaryChars, thinking }
调用场景：AI 侧面板对话（原文 > 300 字自动触发）、章节总结独立窗口
章节过短（< 50 字）自动跳过，内容截取前 8000 字符

6.2 对话压缩 `summarize_conversation`

滑动窗口 + 摘要压缩的双层 context 管理：

┌────────────────────────────────────────┐
│              System Prompt             │
│  — 角色指令 + 卷/章节上下文 + RAG 背景    │
│  — [历史对话摘要]（压缩的旧对话）         │
├────────────────────────────────────────┤
│         滑动窗口（最近 N 轮）            │
│  [user] ... [assistant] ...            │
│  [user] (当前提问)                      │
└────────────────────────────────────────┘

buildMessages() 仅取最近 windowSize * 2 条消息
每次 done 事件后触发 summarizeOverflowMessages()，超出窗口时后台压缩（不阻塞 UI）
摘要结构 { summary, coveredUpToId, summaryChars, updatedAt }，按 bookId 分组持久化，coveredUpToId 保证幂等
contextWindowSize 配置项，默认 10（范围 1-50），旧配置自动迁移补为 10

7. 连接测试 `commands/ai/test.rs`

命令	请求	成功返回	超时
`test_ai_connection`	`GET {endpoint}/models`（带 Bearer Key）	可用模型列表（最多 10 个）	15s
`test_rag_connection`	`POST {endpoint}/embeddings`（测试文本）	向量维度信息	15s

错误区分：401 → "认证失败"；其他 → 原始错误详情。

8. 前端组件

组件	路径	职责
`AiSidePanel`	`components/ai/AiSidePanel.tsx`	对话面板：Header（连接状态指示器）+ MessageList + QuickHints + InputArea
`useAiChat`	`components/ai/useAiChat.ts`（425 行）	核心 hook：发送（经 Agent 引擎 `execute_agent_skill`）、流式事件（`agent-stream-chunk`）、历史总结/压缩、错误恢复
`MessageBubble`	`components/ai/MessageBubble.tsx`	消息气泡：Markdown 渲染 + 思考过程折叠 + 操作按钮
`RequestDetailModal`	`components/ai/RequestDetailModal.tsx`	请求详情：参数 / System Prompt / 章节总结 / RAG 上下文 / 消息列表
`AiToolboxPanel`	`components/ai/AiToolboxPanel.tsx`	AI 工具箱（三栏布局，独立窗口）
`ChapterSummaryHeader`	`components/editor/ChapterSummaryHeader.tsx`	编辑器顶部内联总结条

连接状态指示器

const statusConfig = {
  idle:      { icon: CircleIcon,      color: 'text-muted-foreground/50' },
  testing:   { icon: Loader2Icon,     color: 'text-blue-500 animate-spin' },
  connected: { icon: CircleCheckIcon, color: 'text-green-500' },
  error:     { icon: CircleAlertIcon, color: 'text-red-500' },
}

消息持久化策略

操作	是否写盘
`addAiMessage`	✅ 立即
`updateAiMessage`（流式高频）	❌ 仅内存
`persistAiConversation`（流结束）	✅ 一次写入
删除 / 清空	✅ 立即

9. 状态与类型

interface AiChatConfig {
  provider: 'bigmodel' | 'deepseek' | 'ollama' | 'custom'
  endpoint: string
  model: string
  temperature: number          // 0–1，默认 0.7
  maxTokens: number            // 默认 131072
  bigmodelApiKey?: string
  deepseekApiKey?: string
  thinkingEnabled: boolean     // 默认 true
  contextWindowSize: number    // 默认 10，范围 1–50
}

interface RagConfig {
  // v1.2 起无 enabled 字段（预留能力，不影响当前对话）
  provider: 'bigmodel'         // 当前仅智谱提供 Embeddings API
  endpoint: string
  embeddingModel: string       // 默认 embedding-3
  bigmodelApiKey?: string
}

interface AiConfig { chat: AiChatConfig; rag: RagConfig }

interface AiMessage {
  id: string
  role: 'user' | 'assistant'
  content: string
  thinking: string
  phase: 'thinking' | 'answering' | 'done' | 'summarizing' | 'retrying'
  isSummarizing?: boolean
  loading?: boolean
  usage?: { inputTokens; outputTokens; inputChars; outputChars } | null
  requestPayload?: ChatRequestPayload
}

localStorage 键

键	内容
`time-write-ai-config`	`AiConfig` 对象
`time-write-ai-conversations`	`Record<bookId, AiMessage[]>`
`time-write-ai-tool-categories`	`AiToolCategory[]`

兼容性迁移：旧版扁平 AiConfig → chat/rag 分离；旧版 apiKey → 双服务商 Key；旧版 aiToolPrompts → aiToolCategories。

10. AI 工具箱

三栏布局：左侧工具列表（192px）→ 中间输入区（288px）→ 右侧输出面板（弹性）。

分类	工具数	包含工具
常用工具	7	章节总结、小说大纲生成、章节深度润色、小说扩写、续写、润色、改写
剧情设计	6	主线剧情设定、支线分解、剧情反转、核心冲突生成器、章节细纲、系统设定生成器
描写辅助	6	打斗描写、细节描写、感官描写、外貌描写、情感描写、环境/场景描写
世界设定	5	世界架构设定、人物设定、势力组织架构、境界/功法等级、物品设定
取名神器	5	人物名字定制、小说书名、古风姓名、门派势力名称、地点场景取名

每个工具的 System Prompt 可独立编辑，留空使用默认提示词
章节总结工具在工具箱中自动过滤（有独立窗口）
支持 initialToolId 参数从外部指定默认选中工具
所有工具与分类持久化到 localStorage

11. 关键常量

常量	值	说明
`EMBEDDING_MAX_CHARS`	1800	单条文本截断长度
`BATCH_SIZE`	20	Embedding 批量生成批大小
`MAX_RETRIES`	2	流式对话最大重试次数
`SSE_READ_TIMEOUT_SECS`	60	SSE 读取超时（秒）
`GLOBAL_TIMEOUT`	600	全局超时（秒）
`CHAPTER_SUMMARY_THRESHOLD`	300	章节自动总结字数阈值
`RAG_TOP_N`	3	RAG 检索返回片段数
`DEFAULT_CONTEXT_WINDOW_SIZE`	10	默认滑动窗口轮数
`DEFAULT_MAX_TOKENS`	131072	默认最大输出 Token

12. 设计评价与优化方向

12.1 优点

方面	评价
架构分离	Rust 处理 HTTP/SSE，前端仅处理 UI，规避 CORS 与流式解析问题
流中断保护	60s 超时 + buffer 刷新 + 保留部分内容，用户体验友好
自动重试	区分可重试/不可重试错误，指数退避，减少用户干预
双检索模式（v1.6.0）	后端 sqlite-vec KNN 语义 → FTS5/LIKE 降级；对话上下文由 Agent 引擎工具检索提供
章节智能总结	原文 > 300 字自动总结，节省 context token
多维度配置	对话/RAG 解耦，服务商独立 API Key，工具箱可扩展
持久化可靠	AI 对话 800ms 防抖合并写盘 + 窗口卸载 / 页面隐藏 flush 兜底（v1.6.0）
迁移兼容	自动检测旧版配置格式并迁移，用户无感知升级
请求透明	RequestDetailModal 展示完整请求载荷，便于调试

12.2 优化方向

方向	现状	建议
Provider 扩展性	服务商硬编码在配置常量中	插件化或配置驱动的 Provider 注册机制
Embedding 服务商	仅智谱，写死 `bigmodel`	支持 OpenAI embeddings、本地模型
RAG 检索效率	✅ 已落地 sqlite-vec KNN（v1.6.0）	可继续评估分片 / 量化压缩等进阶优化
流式断点续传	断连后仅保留已生成内容	长思考场景可考虑真正的断点续传
API Key 轮换	每个服务商单 Key	支持多 Key 负载均衡 / 故障转移
对话导出	✅ 已支持 Markdown / JSON（v1.6.0，AI 侧边栏「导出对话」）	可增加导出格式（TXT / HTML）与批量导出
章节总结缓存	每次对话都重新总结	summary 有效期内复用缓存
系统默认工具	预设 29 个工具不可删除/重置	增加「恢复默认」功能
请求参数可配置性	Temperature 等为全局设置	每个工具可独立覆盖参数
`useAiChat` 体积	425 行（v1.2 移除 Embedding 逻辑），仍职责较多	拆分为 `useChapterValidation` / `useChapterSummary` / `useStreamChat` / `useConversationCompression`
RAG 接线	后端命令已实现、前端标记预留	明确 RAG 定位（接入设置页或并入 Agent 工具），或移除冗余命令

12.3 安全注意

API Key 存储于 localStorage 明文，未加密
所有 API 通信在 Rust 侧进行，前端无法截获
连接测试不泄露 API Key（仅验证认证状态）
capabilities/default.json 中 http:allow-fetch 放开任意 HTTP/HTTPS 端点（AI 请求必需，但也是 CSP 收紧的权衡点，见优化报告问题 8）

architecture AI architecture - WangYajun369/ai-writing-platform GitHub Wiki

AI 模块架构

目录

1. 架构总览

2. 服务商配置

2.1 对话服务商

2.2 RAG / Embedding 服务商

2.3 能力对比

2.4 默认配置常量

3. Rust 后端模块

核心数据结构

4. 流式对话 `commands/ai/chat.rs`

4.1 完整链路

4.2 HTTP 客户端配置

4.3 阶段管理

4.4 容错机制

4.5 两种协议对比

4.6 思考模式

5. RAG 检索与 Embedding `commands/ai/embedding.rs`

5.1 双模式检索

5.2 Embedding 生成流程

5.3 Embeddings 表

6. 内容总结 `commands/ai/summarize.rs`

6.1 章节总结 `summarize_chapter`

6.2 对话压缩 `summarize_conversation`

7. 连接测试 `commands/ai/test.rs`

8. 前端组件

连接状态指示器

消息持久化策略

9. 状态与类型

10. AI 工具箱

11. 关键常量

12. 设计评价与优化方向

12.1 优点

12.2 优化方向

12.3 安全注意

⚠️ GitHub.com Fallback ⚠️

architecture AI architecture - WangYajun369/ai-writing-platform GitHub Wiki

AI 模块架构

目录

1. 架构总览

2. 服务商配置

2.1 对话服务商

2.2 RAG / Embedding 服务商

2.3 能力对比

2.4 默认配置常量

3. Rust 后端模块

核心数据结构

4. 流式对话 commands/ai/chat.rs

4.1 完整链路

4.2 HTTP 客户端配置

4.3 阶段管理

4.4 容错机制

4.5 两种协议对比

4.6 思考模式

5. RAG 检索与 Embedding commands/ai/embedding.rs

5.1 双模式检索

5.2 Embedding 生成流程

5.3 Embeddings 表

6. 内容总结 commands/ai/summarize.rs

6.1 章节总结 summarize_chapter

6.2 对话压缩 summarize_conversation

7. 连接测试 commands/ai/test.rs

8. 前端组件

连接状态指示器

消息持久化策略

9. 状态与类型

10. AI 工具箱

11. 关键常量

12. 设计评价与优化方向

12.1 优点

12.2 优化方向

12.3 安全注意

⚠️ **GitHub.com Fallback** ⚠️

4. 流式对话 `commands/ai/chat.rs`

5. RAG 检索与 Embedding `commands/ai/embedding.rs`

6. 内容总结 `commands/ai/summarize.rs`

6.1 章节总结 `summarize_chapter`

6.2 对话压缩 `summarize_conversation`

7. 连接测试 `commands/ai/test.rs`

⚠️ GitHub.com Fallback ⚠️