新增: F-01阶段5模型路由调用点接入

src-tauri/src/commands/ai/knowledge_inject.rs

@@ -5,6 +5,13 @@ use std::sync::Arc;
 use tokio::sync::Mutex;
 
 use df_ai::provider::{ChatMessage, CompletionRequest, LlmProvider, MessageRole};
+// F-01 阶段5: 知识提炼 / 嵌入两路路由。
+// - 提炼: TaskRequirements(Standard,无工具)— 在对话 provider 的 model_configs 池中选。
+// - 嵌入: TaskRequirements(Capability::Embedding,无工具)— 在 embedding provider 的池中选,
+//   池空兜底 config.embedding_model(行为不变,现有 KnowledgeConfig 配置即生效)。
+use df_ai::router::{
+    select_model_id, IntelligenceTier, Modality, TaskRequirements,
+};
 use df_storage::crud::{AiConversationRepo, KnowledgeRepo};
 use df_storage::db::Database;
 use df_storage::models::{AiProviderRecord, KnowledgeRecord};
@@ -18,12 +25,19 @@ use crate::commands::err_str;
 use super::{AiSession};
 
 /// 按配置构建 embedding provider + model。None = 配置缺失/provider 不存在。
+///
+/// F-01 阶段5: model 选择路由优先 — 在 embedding provider 的 model_configs 池中按
+/// TaskRequirements(needs_tool_use=false)选最优;池空(未拉取)兜底 config.embedding_model。
+///
+/// 注:TaskRequirements 无 capabilities 字段(router 仅按 needs_tool_use 过滤 ToolUse),
+/// 嵌入模型由 embedding provider 的池构成(用户在 KnowledgeSettings 配 embedding provider,
+/// 该 provider 的 model_configs 通常即嵌入模型),故 needs_tool_use=false 宽松过滤即可命中。
 async fn resolve_embed_provider(
     state: &AppState,
     config: &crate::state::KnowledgeConfig,
 ) -> Option<(Box<dyn LlmProvider>, String)> {
     let id = config.embedding_provider_id.as_ref()?;
-    let model = config.embedding_model.clone().unwrap_or_else(|| "embedding-3".to_string());
+    let fallback_model = config.embedding_model.clone().unwrap_or_else(|| "embedding-3".to_string());
     let rec = match state.ai_providers.get_by_id(id).await {
         Ok(Some(r)) => r,
         _ => {
@@ -39,6 +53,16 @@ async fn resolve_embed_provider(
             return None;
         }
     };
+    // 嵌入路由:needs_tool_use=false(排除 ToolUse 专要求,允许嵌入模型入选)。
+    // select_model_id None(池空/无匹配)→ 兜底 config.embedding_model(行为不变)。
+    let embed_req = TaskRequirements {
+        modalities: vec![Modality::Text],
+        needs_tool_use: false,
+        min_intelligence: IntelligenceTier::Lite,
+        max_cost: None,
+        estimated_context: 0,
+    };
+    let model = select_model_id(&embed_req, &rec.model_configs).unwrap_or(fallback_model);
     Some((provider, model))
 }
 
@@ -314,8 +338,19 @@ async fn extract_knowledge_from_conversation(
         ChatMessage::system(EXTRACTION_SYSTEM_PROMPT),
         ChatMessage::user(&format!("请从以下对话中提炼可复用知识:\n\n{}", conv_text)),
     ];
+    // F-01 阶段5: 知识提炼路由 — TaskRequirements(Standard,无工具)。
+    // select_model_id None(池空/无匹配)→ 兜底 default_model(行为不变)。
+    let extract_req = TaskRequirements {
+        modalities: vec![Modality::Text],
+        needs_tool_use: false,
+        min_intelligence: IntelligenceTier::Standard,
+        max_cost: None,
+        estimated_context: 0,
+    };
+    let extract_model = select_model_id(&extract_req, &provider_config.model_configs)
+        .unwrap_or_else(|| provider_config.default_model.clone());
     let request = CompletionRequest {
-        model: provider_config.default_model.clone(),
+        model: extract_model,
         messages: extract_messages,
         temperature: Some(0.3),
         max_tokens: Some(2048),