新增: F-01模型拉取IPC+Settings拉取UI(FR-S1密钥内存解析闭环)

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

@@ -6,6 +6,8 @@ use serde::Serialize;
 use tauri::{AppHandle, Emitter, State};
 
 use df_ai::provider::ChatMessage;
+// df-ai 重导出 df_ai_core(供下游直接引用 trait/类型);src-tauri 不直接依赖 df-ai-core crate。
+use df_ai::df_ai_core::model::ModelConfig;
 use df_core::types::new_id;
 use df_storage::models::AiProviderRecord;
 
@@ -827,6 +829,78 @@ pub async fn ai_delete_provider(
     Ok(())
 }
 
+// ============================================================
+// 模型列表拉取 + 单模型探测(F-01 阶段5 IPC)
+// ============================================================
+
+/// 将前端 provider_type 规范化为 fetch_and_probe 接受的类型。
+///
+/// Settings.vue 存的 provider_type 是 "openai_compat" / "anthropic"(对齐 build_provider 工厂),
+/// 而 model_fetch::fetch_and_probe 分派用 "openai_compat" / "anthropic_compat"。
+/// 两个工厂入口类型语义一致(anthropic 协议),仅命名不同,这里收敛归一。
+fn normalize_provider_type_for_fetch(provider_type: &str) -> String {
+    match provider_type {
+        "anthropic" => "anthropic_compat".to_string(),
+        other => other.to_string(),
+    }
+}
+
+/// 测试连接并拉取厂商模型列表(F-01 阶段5)
+///
+/// 流程:
+/// 1. DB 取 AiProviderRecord(get_by_id)
+/// 2. FR-S1:经 resolve_provider_secret 内存解析真实 api_key(keyring 优先 fallback DB,
+///    绝不进日志/返回值/错误信息)
+/// 3. provider_type 归一(anthropic→anthropic_compat)+ base_url + api_key 调
+///    df_ai::model_fetch::fetch_and_probe → Vec<ModelConfig>(每个模型名已探测出 4 维度)
+/// 4. 写回 AiProviderRecord.model_configs(update_full)→ 返回 Vec<ModelConfig>
+///
+/// ModelConfig 本就无 api_key 字段,返回值天然不含密钥(FR-S1 闭环)。
+#[tauri::command]
+pub async fn ai_fetch_models(
+    state: State<'_, AppState>,
+    provider_id: String,
+) -> Result<Vec<ModelConfig>, String> {
+    let provider = state
+        .ai_providers
+        .get_by_id(&provider_id)
+        .await
+        .map_err(err_str)?
+        .ok_or_else(|| format!("提供商不存在: {}", provider_id))?;
+
+    // FR-S1:内存解析密钥,绝不外泄(不入日志/返回值/错误信息)
+    let api_key = df_storage::secret::resolve_provider_secret(&provider);
+    let fetch_type = normalize_provider_type_for_fetch(&provider.provider_type);
+
+    let configs = df_ai::model_fetch::fetch_and_probe(&fetch_type, &provider.base_url, &api_key)
+        .await
+        .map_err(err_str)?;
+
+    // 写回 model_configs(更新 updated_at)
+    let mut updated = provider.clone();
+    updated.model_configs = configs.clone();
+    updated.updated_at = now_millis();
+    state
+        .ai_providers
+        .update_full(&updated)
+        .await
+        .map_err(err_str)?;
+
+    Ok(configs)
+}
+
+/// 单模型探测(F-01 阶段5):纯 CPU 启发式 + 预设表,无网络。
+///
+/// 用途:拉取后用户手动补一个模型名、或想重探某模型的能力维度。
+/// 直接调 df_ai::model_probe::probe(&model_id),返回填充了 probe_source 的 ModelConfig。
+#[tauri::command]
+pub async fn ai_probe_model(
+    _state: State<'_, AppState>,
+    model_id: String,
+) -> Result<ModelConfig, String> {
+    Ok(df_ai::model_probe::probe(&model_id))
+}
+
 // ============================================================
 // 对话管理
 // ============================================================

src-tauri/src/lib.rs

@@ -122,6 +122,9 @@ pub fn run() {
             commands::ai::ai_save_provider,
             commands::ai::ai_set_provider,
             commands::ai::ai_delete_provider,
+            // F-01 阶段5:测试连接拉取模型列表 + 单模型探测
+            commands::ai::ai_fetch_models,
+            commands::ai::ai_probe_model,
             // AI 对话管理
             commands::ai::ai_conversation_create,
             commands::ai::ai_conversation_list,