优化: AI Chat全栈多批审查修复与架构清理(risk_level清理/路由解耦/工具渲染/测试补测/死代码)

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

@@ -8,12 +8,12 @@
 //! 路由(Lite 智力, 无 tool_use, 标准成本上限)兜底 `default_model`。失败返 `Err`,
 //! 调用方按场景降级(手动压缩报错给用户;自动压缩降级为原裁剪行为)。
 
-use df_ai::provider::{ChatMessage, CompletionRequest, LlmProvider, MessageRole};
+use df_ai::provider::{ChatMessage, CompletionRequest, LlmProvider};
 // F-15: 压缩路由 — TaskRequirements(Standard 智力即可,无需工具)。压缩是结构化
 // 摘要任务,选 Standard 智力保摘要质量;不传 tools(纯文本出,避免 LLM 调工具跑偏)。
 // 池空/无匹配兜底 default_model(与 title.rs 一致,行为可预期)。
 use df_ai::router::{
-    select_model_id, CostTier, IntelligenceTier, Modality, TaskRequirements,
+    select_model_id, Modality, TaskRequirements,
 };
 use df_storage::models::AiProviderRecord;
 
@@ -31,7 +31,7 @@ use super::prompt::compress_prompt;
 /// - 输出:`Result<String, String>` — `Ok` 为 LLM 生成的摘要文本(已 trim);
 ///   `Err` 为 provider 调用失败(底层 `anyhow::Error` 转 String,调用方降级不阻塞)。
 ///
-/// 模型选择:`select_model_id(TaskRequirements{Standard 智力, Medium 成本上限, 无 tool_use})`,
+/// 模型选择:`select_model_id(TaskRequirements{无 tool_use})`,
 /// 池空/无匹配兜底 `default_model`(与 `generate_title_via_llm` 一致)。
 ///
 /// 限流:复用 `LlmConcurrency` 双层 Semaphore(压缩属独立 LLM 调用,纳入全局 + 单对话限流,
@@ -54,13 +54,11 @@ pub(crate) async fn compress_via_llm(
         return Err("无可压缩消息(active 消息为空)".to_string());
     }
 
-    // 路由选模型:Standard 智力够摘要,无 tool_use,Medium 成本上限。
+    // 路由选模型:无 tool_use(纯文本摘要)。
     // None(池空/无匹配)→ 兜底 default_model(行为不变)。
     let compress_req = TaskRequirements {
         modalities: vec![Modality::Text],
         needs_tool_use: false,
-        min_intelligence: IntelligenceTier::Standard,
-        max_cost: Some(CostTier::Medium),
         estimated_context: 0,
     };
     let model = select_model_id(&compress_req, &provider_config.model_configs)