# Provider 实现策略

> 本文档从 `9-llm-provider-unified-interface.md` 拆分而来，包含 §5 Provider 实现策略。
>
> **相关文件：**
> - [9b-ir-type-system.md](9b-ir-type-system.md) — IR 类型定义（ContentBlock、Message、MessageRequest/Response 等）
> - [9c-llm-provider-trait.md](9c-llm-provider-trait.md) — LlmProvider trait 定义（chat、chat_stream 签名）
> - [9e-llm-cycle-and-upstream.md](9e-llm-cycle-and-upstream.md) — LlmCycle 改造（system prompt 冲突等与 Provider 相关）
> - [9f-edge-cases.md](9f-edge-cases.md) — Thinking signature 端到端传递（与 Anthropic 流式强相关）

## 5. Provider 实现策略

### 5.1 OpenaiProvider（兼容 Chat API）

```
MessageRequest
  │
  ├── model             → model
  ├── messages          → messages (逐条映射，见下方)
  ├── system            → 插入为首条 System message（如无 System message 时）
  ├── tools             → tools (OpenaiTool::Function)
  ├── tool_choice       → tool_choice
  ├── max_tokens        → max_tokens
  ├── temperature       → temperature
  ├── top_p             → top_p
  ├── stop_sequences    → stop (StopSequence::Multiple)
  ├── thinking          → 忽略（OpenAI 不支持）
  └── extra.*           → 对应字段 / extra_body

Message → OpenaiChatMessage:
  System { content }    → System { content: to_openai_content(content) }
  User { content }      → User { content: to_openai_content(content) }
  Assistant { content } → Assistant {
                            content: to_openai_content(text_blocks),
                            tool_calls: extract_tool_calls(content)
                          }
  Tool { content, tool_call_id } → Tool { content, tool_call_id }

ContentBlock → OpenaiContentPart:
  Text { text }       → Text { text }
  Image { source }    → Image { image_url: { url, detail } }
  Audio { source }    → InputAudio { input_audio }
  File { source }     → File { file }
  ToolUse { id, name, input } → 转为 OpenaiToolCall 放入 tool_calls 字段
  ToolResult { .. }   → 通过 tool_call_id 关联到 Tool 消息
  Thinking { .. }     → 忽略
  Extension { .. }    → 忽略

OpenaiChatResponse → MessageResponse:
  id               → id
  model            → model
  usage            → usage
  choices[0].finish_reason → stop_reason
  choices[0].message → Message::Assistant {
    content: [
      ContentBlock::Text { text },
      ... (msg.tool_calls → ContentBlock::ToolUse)
    ]
  }
```

> **🔄 待深入推演：OpenAI 流式转换的具体实现**
> 当前只有一行从 OpenAI SSE chunk 到 StreamEvent 的映射，没有实现细节。
> 实际实现中需要解决以下问题：
> 1. **SSE 字节流解析器**：当前 `SseChunkStream` 从字节流解析 SSE 行（`data: ...`），新设计中需要改写为
>    直接产出 StreamEvent 的转换器。是否可以复用现有 `SseChunkStream` 的字节流解析逻辑？
> 2. **ContentBlockStart/End 合成**：OpenAI 的 SSE 流中没有原生 block 边界标记，只有一个 `delta.content`
>    和 `delta.tool_calls`。转换器需**自行合成**：在第一次出现 `delta.content` 时发出
>    `ContentBlockStart(0, Text)`，在 `delta.tool_calls` 出现时发出
>    `ContentBlockStart(n, ToolUse { id, name })`。注意 content 和 tool_calls 在同一 chunk **互斥**
>    （需验证），合成规则为"来什么类型，合什么边界"。
> 3. **Tool call 全局序号映射**：OpenAI 的 `delta.tool_calls[i].index` 是**该 chunk 内的局部索引**，
>    需要累积状态（`HashMap<局部index, 全局index>`）来推导全局 content block 序号。
>    对比：**已推演**的 IR 设计将 ToolCallStart 合并到 ContentBlockStart，index 在 IR 层面统一为
>    全局序号，差异完全封装在 Provider 层。
> 4. **多 Choice 的处理**：当前代码只处理 `choices[0]`。新设计中是继续忽略其他 choice 还是
>    通过某种机制暴露（如 `extra` 中携带）？
> 5. **usage 的时机**：OpenAI 的 usage 通常在最后一个 chunk 中携带，与 finish_reason 在同一 chunk。
>    是先发 `CostUpdate(PartialUsage{...})` 再发 `MessageComplete`，还是反过来？
> **需要推演：**
> - `OpenaiStreamToEvents<S>` 转换器的状态机设计（跟踪的局部状态、事件产出规则）
> - 边界情况：SSE 行乱序、`[DONE]` 标记的处理、网络断开重连
> 优先级：高（Phase 2 OpenAI Provider 重构的核心任务）

### 5.2 AnthropicProvider（Messages API）

```
MessageRequest → Anthropic Messages Request:
  model               → "anthropic-xxx"
  messages            → [只包含 User / Assistant / Tool role]
  system              → system (顶层参数)
  tools               → tools (Anthropic 原生格式)
  tool_choice         → tool_choice
  max_tokens          → max_tokens
  temperature         → temperature
  top_p               → top_p
  stop_sequences      → stop_sequences
  thinking            → thinking (原生支持)
  extra.*             → 忽略或不支持

Message → Anthropic Message:
  System { }          → 跳过（已在 system 参数中）
  User { content }    → { role: "user", content: to_anthropic_content(content) }
  Assistant { content } → { role: "assistant", content: to_anthropic_content(content) }
  Tool { content, tool_call_id } → { role: "user", content: [tool_result block] }

ContentBlock → Anthropic Content Block:
  Text { text }       → { type: "text", text }
  Image { source }    → { type: "image", source: { type: "base64", ... } }
  ToolUse { id, name, input } → { type: "tool_use", id, name, input }
  ToolResult { tool_use_id, content, is_error } → { type: "tool_result", ... }
  Thinking { text, signature } → { type: "thinking", thinking: text, signature }
  Audio / File / Extension → 忽略或不支持

Anthropic Response → MessageResponse:
  id               → id
  model            → model
  content          → Message::Assistant { content: map_blocks(content) }
  usage.input_tokens  → usage.prompt_tokens
  usage.output_tokens → usage.completion_tokens
  stop_reason      → stop_reason
```

> **🔄 待深入推演：Anthropic 流式状态机设计**
> Anthropic 的流式比 OpenAI 复杂得多——7 种事件类型、需要维护 block index 状态、
> thinking 有 signature 晚于 content_block 下发。
> **需要推演：**
> 1. **状态机状态设计**：
>    - `PendingStart` → 等待 `message_start`
>    - `InBlock { block_index, block_type, tool_acc: Option<ToolAccumulator> }` → 在某个 content block 中
>    - `BetweenBlocks` → 等待下一个 `content_block_start` 或 `message_delta`
>    - `Completed` → 收到 `message_stop`
>    - `Errored`
> 2. **block index 追踪**：`content_block_start` 中的 `index` 是全局 content block 序号，
>    直接对应最终 content 数组中的位置。`ToolUse { id, name }` 嵌入在 `ContentBlockStart` 的
>    `block_type` 中（已推演：ToolCallStart 已移除，合并到 ContentBlockType::ToolUse）。
>    而 `input` 通过后续的 `content_block_delta`（含 `input_json_delta`）增量到达。
>    实现时发出 `ContentBlockStart(index, ToolUse { id, name })` 后，
>    通过后续的 `ToolCallArgumentsDelta { index, arguments }` 累积参数。
> 3. **Thinking signature 的附着时机**：**✅ 已推演（方案 C：MessageComplete 兜底）**
>    Anthropic 中，thinking block 的 `signature` 不在 `content_block_start` 或 `content_block_delta`
>    中下发，而是在最后的 `message_delta`（与 stop_reason 一起）下发。
>    **推演结论：**
>    - `StreamEvent::MessageComplete { stop_reason, thinking_signature: Option<String> }`
>      携带 signature，不在 ThinkingDelta 或 ContentBlockEnd 中传递
>    - Anthropic 映射层在收到 `message_delta` 时，将 `message_delta.thinking.signature`
>      填入 `MessageComplete.thinking_signature`
>    - 汇聚算法（`PartialMessageResponse::finalize()`）在遍历 Thinking block 时，
>      如果 builder 中的 `signature` 为 None，用 `self.thinking_signature` 回填
>    - 该方案不需新增独立事件，统一在 finalize 时处理，语义清晰
> 4. **block 嵌套的边界情况**：Anthropic 的响应中 block 不会嵌套，但允许多个 block 连续出现。
>    需要确保状态机正确处理 block 间切换（前一个 `content_block_stop` → 后一个 `content_block_start`）。
> **需要推演：**
> - 完整的状态转移图（当前状态 + 输入事件 → 新状态 + 产出的 StreamEvent）
> - SSE 字节流解析器（与 OpenAI 共享字节流层，差异化事件解析层）
> - 错误恢复：收到 `error` 事件时的状态机行为
> 优先级：高（Phase 4 AnthropicProvider 实现的前提条件）

### 5.3 OpenAI Response API（草案）

```rust
// 核心思路：Response API 的 "input as messages" 模式映射到 IR

// MessageRequest → Response API Request:
//   model                         → model
//   messages                      → input (作为 multi-turn conversation)
//   tools                         → tools (tool 定义)
//   extra.previous_response_id    → previous_response_id
//   extra.built_in_tools          → tools (内置工具配置)
//   extra.instructions            → instructions

// Response → MessageResponse:
//   output[0] (type="message")    → message
//   output[1..n]                  → ContentBlock::Extension

// 内置工具（web_search 等）需要额外的能力 trait：
#[async_trait]
pub trait BuiltInToolsCapable: LlmProvider {
    fn available_builtin_tools(&self) -> Vec<(&'static str, serde_json::Value)>;
    async fn execute_builtin_tool(&self, name: &str, input: Value) -> Result<Value, LlmError>;
}
```

> **🔄 待深入推演：OpenAI Response API 完整映射表**
> 当前 §5.3 只有注释级别的草案，缺乏完整映射。
> **需要推演：**
> 1. `input` 字段支持三种模式：字符串、`Vec<Message>`（IR 消息列表）、`response_id`（前序响应）。
>    IR 的 `MessageRequest.messages` 能否同时覆盖这三种？`previous_response_id` 通过 extra 传递后，
>    `messages` 是否还需要存在？
> 2. `output` 中的每种类型（`message`, `web_search_call`, `file_search_call`,
>    `code_interpreter_call`, `computer_call`, `reasoning`）如何映射到 `ContentBlock`？
>    当前 `Extension` 逃生舱能否承载？是否需要新增 ContentBlock variant？
> 3. Response API 的 `tools` 参数除了定义 function 工具外，还支持配置内置工具的参数
>    （如 `web_search` 的 `search_context_size`）。`ToolDefinition` 能否表达？
> 4. Streaming 差异：Response API 的流式事件类型（`response.output_items.added` 等）与 Chat API
>    完全不同，如何映射到 StreamEvent？
> 优先级：低（Phase 4 之后的远期计划）

### 5.4 DeepSeek / Qwen 等兼容 Provider 的落地策略

当前 `ProviderType` 枚举中已列出 DeepSeek 和 Qwen，但实现均标记为 `unimplemented!()`。

> **🔄 待深入推演：DeepSeek/Qwen Provider 的落地策略**
> 这些 Provider 通常兼容 OpenAI Chat API 格式。在新 IR 设计下，有两种落地路径：
> **路径 A — 复用 OpenaiProvider（推荐）：**
> 在 `ProviderRegistry` 中注册时直接使用 `OpenaiProvider::new(base_url, api_key, model)`，
> 仅需换 base_url。适合 DeepSeek、Qwen、Groq、Azure 等 API 格式与 OpenAI 完全一致的场景。
> 此时 `ProviderType` 枚举可能不再需要（`OpenaiProvider` 通过 `capabilities().provider_name`
> 标识自身为 "openai-compatible" 或具体名称）。
> **路径 B — 独立 Provider 实现：**
> 如果某 Provider 在 OpenAI 格式基础上做了扩展/修改（如自定义参数、不同的错误格式），
> 可独立实现 `LlmProvider` trait，复用 IR 类型，仅在 IR ↔ 原生格式映射层做差异处理。
> **需要推演：**
> 1. `ProviderType` 枚举在新的注册体系中是否还有存在的必要（工厂函数模式 vs 直接 new Provider）
> 2. `OpenaiProvider` 是否要重命名为更通用的 `OpenaiCompatibleProvider`？
> 优先级：低（Phase 4 后梳理）