//! 应用全局状态 — 数据库、Repo、事件总线、节点注册表、AI 会话 use std::collections::HashMap; use std::path::Path; use std::sync::Arc; use anyhow::Result; use serde::{Deserialize, Serialize}; use tokio::sync::{Mutex, Semaphore}; use df_ai::ai_tools::AiToolRegistry; use df_storage::crud::{ AiConversationRepo, AiProviderRepo, AiToolExecutionRepo, IdeaRepo, KnowledgeEventsRepo, KnowledgeRepo, NodeExecutionRepo, ProjectRepo, ReleaseRepo, SettingsRepo, TaskRepo, WorkflowRepo, }; use df_storage::db::Database; use df_workflow::eventbus::EventBus; use df_workflow::registry::NodeRegistry; use df_workflow::state::StateMachine; use crate::commands::ai::AiSession; // ============================================================ // 知识库配置(提取 + 注入) // ============================================================ /// AI 提炼触发方式 #[derive(Debug, Clone, Serialize, Deserialize, PartialEq)] #[serde(rename_all = "snake_case")] pub enum ExtractTrigger { /// 对话正常完成时(默认) OnComplete, /// 对话闲置 N 秒后 OnIdle, /// 仅手动按钮触发 ManualOnly, } /// 知识库行为配置(存 AppState 内存,前后端通过 IPC 读写) #[derive(Debug, Clone, Serialize, Deserialize)] pub struct KnowledgeConfig { /// 提炼总开关,默认 true pub auto_extract: bool, /// 提炼触发方式,默认 OnComplete pub trigger_mode: ExtractTrigger, /// 最少消息数守卫(防闲聊噪音),默认 4 pub min_messages: u32, /// 闲置触发超时(ms),默认 30000 pub idle_timeout_ms: u64, /// 聊天时自动注入相关知识开关,默认 true pub auto_inject: bool, /// 语义检索(向量)总开关,默认 false——关闭时纯 LIKE 零外部依赖 #[serde(default)] pub vector_enabled: bool, /// embedding 用的 provider id(仅 openai_compat 类型,Anthropic 无 embed API) #[serde(default)] pub embedding_provider_id: Option, /// embedding 模型名(如 embedding-3 / text-embedding-3-small) #[serde(default)] pub embedding_model: Option, } impl Default for KnowledgeConfig { fn default() -> Self { Self { auto_extract: true, trigger_mode: ExtractTrigger::OnComplete, min_messages: 4, idle_timeout_ms: 30_000, auto_inject: true, vector_enabled: false, embedding_provider_id: None, embedding_model: None, } } } // ============================================================ // LLM 调用并发控制（双层 Semaphore） // ============================================================ /// LLM 调用并发控制 — 全局 + 单对话双层 Semaphore /// /// 限流对象：所有真实 LLM 调用（主循环 stream_llm / 标题生成 / 知识提炼）。 /// 不限流本地工具执行（tools.execute）——本地操作无外部成本、不受 RPM 约束。 /// /// 运行时调整：tokio Semaphore 的 permits 数构造时固定、不可增减， /// 故用 `Arc>>` 双层包装——替换内层 Arc 即重建 Semaphore。 /// 已持有旧 permit 的任务不受影响（permit 绑定旧 Semaphore，软收敛）， /// 新请求 lock 后克隆到最新 Arc、自动走新限制。旧 Semaphore 随最后 permit 释放而 drop。 /// /// 注意：per_conv 当前是应用级单一信号量(非 per-conv map)。因 AiSession 为单例 + /// generating 互斥,同一时刻仅一个对话的 loop 在跑,per_conv 退化为"单对话内并发" /// (主循环 stream_llm + 标题生成 + 知识提炼)。未来若支持多对话并发, /// 需改为 HashMap。 #[derive(Clone)] pub struct LlmConcurrency { global: Arc>>, per_conv: Arc>>, } impl LlmConcurrency { pub fn new(global: usize, per_conv: usize) -> Self { Self { global: Arc::new(Mutex::new(Arc::new(Semaphore::new(global)))), per_conv: Arc::new(Mutex::new(Arc::new(Semaphore::new(per_conv)))), } } /// 取全局并发 permit（重建后新请求自动走最新 Semaphore） pub async fn acquire_global(&self) -> tokio::sync::OwnedSemaphorePermit { let sema = self.global.lock().await.clone(); sema.acquire_owned().await.expect("llm global semaphore closed") } /// 取单对话并发 permit pub async fn acquire_per_conv(&self) -> tokio::sync::OwnedSemaphorePermit { let sema = self.per_conv.lock().await.clone(); sema.acquire_owned().await.expect("llm per_conv semaphore closed") } /// 重建全局 Semaphore（软收敛：旧 permit 不回收，待其释放后新限制完全生效） pub async fn set_global(&self, permits: usize) { *self.global.lock().await = Arc::new(Semaphore::new(permits)); } /// 重建单对话 Semaphore pub async fn set_per_conv(&self, permits: usize) { *self.per_conv.lock().await = Arc::new(Semaphore::new(permits)); } } /// 应用全局状态 — 通过 `app.manage()` 注入，command 中以 `State<'_, AppState>` 取用 pub struct AppState { /// 数据库句柄（Arc 包装，便于在异步任务中重建 Repo） pub db: Arc, /// 想法表 Repo pub ideas: IdeaRepo, /// 项目表 Repo pub projects: ProjectRepo, /// 任务表 Repo pub tasks: TaskRepo, /// 发布表 Repo pub releases: ReleaseRepo, /// 工作流执行表 Repo pub workflows: WorkflowRepo, /// 节点执行表 Repo pub node_executions: NodeExecutionRepo, /// 工作流事件总线（tokio broadcast） pub event_bus: EventBus, /// 节点注册表（已注册内置节点） pub registry: Arc, // ── AI ── /// AI 提供商配置 Repo pub ai_providers: AiProviderRepo, /// AI 对话历史 Repo pub ai_conversations: AiConversationRepo, /// AI 工具执行审计 Repo pub ai_tool_executions: AiToolExecutionRepo, /// AI 工具注册表 pub ai_tools: Arc, /// AI 会话状态 pub ai_session: Arc>, // ── 知识库 ── /// 知识库 Repo pub knowledge: KnowledgeRepo, /// 知识生命线事件 Repo(产生/审核/引用/归档审计) pub knowledge_events: KnowledgeEventsRepo, /// 知识库行为配置(提取 + 注入) pub knowledge_config: Arc>, /// 通用应用设置 KV Repo(前端 localStorage 迁移目标) pub settings: SettingsRepo, // ── LLM 并发控制 ── /// LLM 调用并发上限（全局 + 单对话双层 Semaphore，运行时可调） pub llm_concurrency: LlmConcurrency, // ── 工作流执行状态 ── /// 工作流执行 → 节点状态机注册表 /// /// run_workflow 创建执行器后注册其 state_machine（StateMachine 内部 Arc， /// clone 共享底层 HashMap，与下沉到 NodeContext.node_status 的是同一份）； /// cancel_workflow_node IPC 经 execution_id 取出后 set_cancelled， /// 直达运行中 HumanNode 的 is_cancelled 轮询。执行完成（成功/失败）后移除条目。 pub workflow_state_registry: Arc>>, } impl AppState { /// 初始化应用状态：打开（或创建）数据库并执行迁移，构建各 Repo 与节点注册表 pub async fn init(db_path: &Path) -> Result { let db = Arc::new(Database::open(db_path).await?); let ai_tools = Arc::new(crate::commands::ai::build_ai_tool_registry(&db)); let state = Self { ideas: IdeaRepo::new(&db), projects: ProjectRepo::new(&db), tasks: TaskRepo::new(&db), releases: ReleaseRepo::new(&db), workflows: WorkflowRepo::new(&db), node_executions: NodeExecutionRepo::new(&db), ai_providers: AiProviderRepo::new(&db), ai_conversations: AiConversationRepo::new(&db), ai_tool_executions: AiToolExecutionRepo::new(&db), ai_session: Arc::new(Mutex::new(AiSession::new())), knowledge: KnowledgeRepo::new(&db), knowledge_events: KnowledgeEventsRepo::new(&db), knowledge_config: Arc::new(Mutex::new(KnowledgeConfig::default())), settings: SettingsRepo::new(&db), llm_concurrency: LlmConcurrency::new(3, 2), workflow_state_registry: Arc::new(Mutex::new(HashMap::new())), db, event_bus: EventBus::new(), registry: Arc::new(build_registry()), ai_tools, }; // 启动恢复:重启前卡 pending 的工具审批(内存 pending_approvals 已丢)从审计表重建, // 使重启后待审批不丢。前端经 ai_pending_tool_calls + switchConversation 恢复 toolCard 态。 crate::commands::ai::restore_pending_approvals(&state).await; Ok(state) } } /// 构建节点注册表 — 注册内置节点 /// /// 注意：不使用 `NodeRegistry::default()`，其 script 工厂为占位实现（会 panic）， /// 这里注册 df-nodes 提供的真实 ScriptNode 和 HumanNode。 fn build_registry() -> NodeRegistry { let mut registry = NodeRegistry::new(); registry.register("script", |_config| { Box::new(df_nodes::script_node::ScriptNode) }); registry.register("human", |_config| { Box::new(df_nodes::human_node::HumanNode) }); registry.register("ai", |_config| { Box::new(df_nodes::ai_node::AiNode) }); registry }