xt/agcore
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
Files
8c9324350bd25da8dda93b557dd389a0ddb45760
agcore/docs/9d-provider-implementations.md
T

17 KiB
Raw Blame History

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：

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)
    ]
  }

✅ 推演结论（2026-06-18）：

架构分层

OpenAI 的流式转换拆为两层，字节解析层通用、事件转换层 OpenAI 特定：

bytes_stream()
    │
    ▼
SseByteStream                                [sse.rs — 通用层]
    │  逐行分割、去 "data:" 前缀、过滤 "[DONE]"、缓冲拼接碎片
    ▼
Stream<Item=Result<String, LlmError>>        ← JSON 字符串行
    │
    ▼
OpenaiStreamToEvents                         [openai/stream.rs — OpenAI 特定]
    │  反序列化为 OpenaiChatChunk → 状态机转换
    ▼
Stream<Item=Result<StreamEvent, LlmError>>   ← IR 语义事件

Layer 1 — SseByteStream<S>（新增 src/llm/provider/sse.rs）

从当前 SseChunkStream（openai.rs 内联实现）提取字节解析逻辑为通用 SSE 解析器。 产出 JSON 字符串行，不绑定 OpenAI 格式。Anthropic 直接复用。

Layer 2 — OpenaiStreamToEvents（新增 src/llm/provider/openai/stream.rs）

接收 JSON 字符串行，反序列化为 OpenaiChatChunk（保留作为内部格式）， 通过状态机转换为 StreamEvent 事件流。

状态机设计

pub struct OpenaiStreamToEvents<S> {
    inner: S,                        // Stream<Item=Result<String, LlmError>>
    // ── 状态 ──
    global_index: u32,               // 下一个可用 content block 序号
    current_block: Option<(u32, CurrentBlockType)>,  // 当前活跃 block
    tool_call_indices: HashMap<u32, u32>,  // OpenAI tool_call.index → 全局序号
    is_complete: bool,
}

enum CurrentBlockType { Text, Refusal, ToolUse }

每条 JSON 行的处理流程：

收到一行 JSON 字符串
  ├─ 解析为 OpenaiChatChunk
  │
  ├─ Phase 1: 处理 delta 内容（先增量）
  │   ├─ delta.content   → ensure_block(Text) → TextDelta
  │   ├─ delta.refusal   → ensure_block(Refusal) → RefusalDelta
  │   └─ delta.tool_calls
  │       ├─ 新 tool call（function.name 有值）
  │       │   → ensure_block(ToolUse, id, name) → （不产参数事件，等后续 arguments）
  │       └─ 已有 tool call（function.arguments 有值）
  │           → ToolCallArgumentsDelta(index, arguments)
  │
  └─ Phase 2: 处理汇总（后收束）
      ├─ finish_reason 存在 → close_current_block() + MessageComplete
      ├─ usage 存在         → CostUpdate
      └─ 同时存在           → CostUpdate → close_block → MessageComplete

核心抽象 ensure_block： 当新 chunk 的 delta 类型与当前活跃 block 不同时， 自动关闭当前 block（emit ContentBlockEnd）并开启新 block（emit ContentBlockStart）。 同类型继续时只发增量事件，不切换。

状态转移表：

当前状态 收到 delta.content 收到 delta.tool_calls (new) 收到 delta.tool_calls (延续) 收到 finish_reason
无活跃 block → ContentBlockStart(Text)
→ TextDelta		 → ContentBlockStart(ToolUse) （不应发生） → MessageComplete
Text 活跃中 → TextDelta → ContentBlockEnd
→ ContentBlockStart(ToolUse)		 （不应发生，与 content 互斥） → ContentBlockEnd
→ CostUpdate
→ MessageComplete
ToolUse 活跃中 → ContentBlockEnd
→ ContentBlockStart(Text)		 → ContentBlockEnd
→ ContentBlockStart(new ToolUse)		 → ToolCallArgumentsDelta → ContentBlockEnd
→ CostUpdate
→ MessageComplete

各议题结论

# 议题 结论 理由
1 SSE 字节解析复用 提取为通用 SseByteStream（sse.rs），OpenaiStreamToEvents 在其上封装 Anthropic 复用相同字节协议、分层测试、职责清晰
2 ContentBlockStart/End 合成 "类型切换推断边界"策略——来什么类型就关旧开新，依赖 content/tool_calls 互斥保证 状态机 3 种当前类型覆盖全部场景，假设验证通过
3 Tool call 序号映射 HashMap<openai_index, global_block_index>，新 tool call 出现时分配全局序号 OpenAI index 是 tool 数组级别全局的，但与 IR content block 体系不同，需映射
4 多 Choice 忽略 choices[1..]，不暴露 当前架构无多 choice 概念，80% 场景 n=1，非目标已明确
5 Usage 时机 先发 CostUpdate → 再发 MessageComplete，同一 chunk 内串行 汇聚算法兼容两者顺序，但语义上先用量后完成更合理
6 ToolCallEnd 发出 OpenAI 层不显式发出 ToolCallEnd，依赖汇聚算法 finalize() 兜底 ToolCallEnd 保留给 Anthropic（content_block_stop 场景）；ContentBlockEnd 已标 block 完成，finalize 时 tool_call_args 已累积完整
7 Refusal 处理 检测 delta.refusal，emit ContentBlockStart(Refusal) + RefusalDelta + ContentBlockEnd OpenAI 特有字段，IR 已有 ContentBlockType::Refusal
8 代码消重 删除 stream.rs::parse_chunk_stream（无人调用）；cycle.rs::submit_stream 直接消费 Result<StreamEvent> 流 转换逻辑统一到 Provider 层，LlmCycle 只负责编排和 hook

边界情况

场景 处理方式
[DONE] 行 SseByteStream 层过滤，不传递到事件层（当前已有逻辑）
delta 为空 + finish_reason 只处理 Phase 2，关闭当前 block 后 emit MessageComplete
同一 chunk 含 delta.content + finish_reason Phase 1 先处理 delta 发 TextDelta，Phase 2 关闭 block 发 Complete
同一 chunk 含 delta.tool_calls + finish_reason 先处理所有 tool calls（映射 + arguments 累积），再关 block
usage 单独 chunk 下发 触发 Phase 2 但 finish_reason 为 None → 只发 CostUpdate，不发 MessageComplete
网络断开 reqwest 返回 Err → emit StreamEvent::Error，is_complete = true
JSON 解析失败 emit StreamEvent::Error，终止流（防御性处理）

文件变更清单

操作 文件 说明
新增 src/llm/provider/sse.rs 通用 SSE 字节解析层，从当前 openai.rs 的 SseChunkStream 提取核心逻辑
新增 src/llm/provider/openai/stream.rs OpenaiStreamToEvents 转换器 + 状态机
修改 src/llm/provider/openai.rs chat_stream 返回 Result<StreamEvent>，组合 SseByteStream + OpenaiStreamToEvents
修改 src/llm/provider.rs LlmProvider::chat_stream 签名改为 Result<StreamEvent>
修改 src/llm/cycle.rs submit_stream 直接消费 StreamEvent 流，移除内联 chunk→event 转换
修改 src/llm/stream.rs 删除 parse_chunk_stream（无人调用）

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）

// 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）
Reference in New Issue View Git Blame Copy Permalink