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

//! Agentic 循环 — 流式接收 → 工具执行 → 结果回传 LLM → 循环

use std::sync::Arc;
use std::sync::atomic::Ordering;

use tauri::{AppHandle, Emitter};
use tokio::sync::Mutex;

use df_ai::ai_tools::AiToolRegistry;
use df_ai::context::TokenEstimator;
use df_ai::provider::{ChatMessage, CompletionRequest, LlmProvider};

use df_storage::db::Database;
use df_storage::models::AiProviderRecord;

use crate::state::{AppState, LlmConcurrency};

use super::conversation::{save_conversation, TokenAccumulator};
use super::knowledge_inject::maybe_spawn_extraction;
use super::prompt::{build_system_prompt, get_active_provider};
use super::stream_recv::stream_llm;
use super::title::{ensure_conversation_title, spawn_ensure_title};
use super::audit::process_tool_calls;

use super::{AiChatEvent, AiSession};

/// Agentic 循环最大迭代次数
///
/// 默认 10 轮。未来可配置接入点:接入 AppState(新增 `agent_config` 字段)/df-storage settings KV
/// 表后,改为从配置读(默认值仍为 10)。当前项目无 agent 配置位(AppState/df-storage config 表
/// 均无 agent 配置槽),故暂以常量承载,避免引入 AppState 新字段等大改(违反 P2 零行为变边界)。
/// 接入路径:run_agentic_loop 签名增 `max_iterations: usize` 参数,调用方从 AppState 读取透传。
pub const MAX_AGENT_ITERATIONS: usize = 10;

// ============================================================
// B-260615-09: generating 状态 RAII guard
// ============================================================

/// generating 复位 RAII guard,取代散布的手动 `session.generating = false`。
///
/// 两路复位:
/// - 正常路径:exit 点显式 `reset().await` 即时复位(emit 前调,保证"复位→emit"顺序,
///   前端收事件时后端已可接下一条)。
/// - 异常路径(panic/未走正常 return):Drop 兜底 spawn 复位,防 generating 永真卡死前端。
///
/// 注:try_continue_agent_loop 不用 guard——其 should_continue=false 路径需保持
/// generating=true(审批等待态),全函数 guard 会误复位;该函数单点 provider-Err 复位保持手动。
struct GeneratingGuard {
    session: Arc<Mutex<AiSession>>,
    done: bool,
}

impl GeneratingGuard {
    fn new(session: Arc<Mutex<AiSession>>) -> Self {
        Self { session, done: false }
    }

    /// 显式复位 generating=false。emit 前调用保证顺序。幂等。
    async fn reset(&mut self) {
        if !self.done {
            self.session.lock().await.generating = false;
            self.done = true;
        }
    }

    /// 解除 Drop 兜底复位但不复位 generating。审批等待 return 路径调用:
    /// 保持 generating=true 留 try_continue 续生成,同时 Drop 因 done=true 跳过复位 spawn。
    /// (B-260615-26: 修复审批执行后对话不续生成回归)
    fn disarm(&mut self) {
        self.done = true;
    }
}

impl Drop for GeneratingGuard {
    fn drop(&mut self) {
        if !self.done {
            let session = self.session.clone();
            tauri::async_runtime::spawn(async move {
                session.lock().await.generating = false;
            });
        }
    }
}

/// Agentic 循环：流式接收 → 工具执行 → 结果回传 LLM → 循环
///
/// 退出条件：
/// - LLM 只返回文本（无 tool_calls）→ 正常结束
/// - 有工具需要审批 → 暂停循环（generating 保持 true），等 ai_approve 恢复
/// - 达到最大迭代次数 → 正常结束
pub(crate) async fn run_agentic_loop(
    session_arc: Arc<Mutex<AiSession>>,
    tools_arc: Arc<AiToolRegistry>,
    db: Arc<Database>,
    app_handle: AppHandle,
    provider_config: AiProviderRecord,
    system_prompt: String,
    conv_id: String,
    knowledge_config: crate::state::KnowledgeConfig,
    llm_concurrency: LlmConcurrency,
) {
    // B-260615-09: generating 状态由 RAII guard 收敛复位(正常 exit 显式 reset;panic/异常 Drop 兜底)
    let mut guard = GeneratingGuard::new(session_arc.clone());

    // FR-S1: resolve→ensure_resolved_key(空 key 早失败)→build_provider 三步统一走工厂
    // 空 key 早失败(逻辑见 secret::ensure_resolved_key 单测):避免空 key 发请求吃 401,错误伪装成"API Key 无效"
    //
    // B-260615-17:resolve 一次复用——原实现 build_provider_for 成功后又独立调 resolve_provider_secret
    // 取 key_len(重复 keyring resolve)。现 resolve 一次:既供 key_len 诊断日志,又供 build_provider,
    // 去重复 keyring resolve 调用。逻辑等价于 secret::build_provider_for(resolve→ensure→build 三步),
    // 仅因 build_provider_for 隐藏 resolved key 无法复用而在此内联(未改 secret.rs 锁边界)。
    let resolved_key = super::secret::resolve_provider_secret(&provider_config);
    let key_len = resolved_key.len();
    let provider: Box<dyn LlmProvider> = match super::secret::ensure_resolved_key(
        &provider_config.name, &resolved_key,
    ) {
        Ok(()) => df_ai::build_provider(
            &provider_config.provider_type,
            &provider_config.base_url,
            &resolved_key,
            &provider_config.default_model,
        ),
        Err(msg) => {
            guard.reset().await;
            let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiError {
                error: msg,
                conversation_id: Some(conv_id.clone()),
            });
            return;
        }
    };
    // 诊断日志:401/错误时据此定位是 url/type/model/key 哪项问题(只记长度不记明文)
    tracing::info!(
        provider = %provider_config.name,
        provider_type = %provider_config.provider_type,
        base_url = %provider_config.base_url,
        model = %provider_config.default_model,
        key_len = key_len,
        "[ai] 发起 LLM 请求"
    );
    let tool_defs = tools_arc.tool_definitions();
    // 停止信号副本：stream_llm 与每轮迭代共享读取，避免重复加锁
    // notify 同取一份 Arc 引用（B-260615-14）：stream_llm select! 监听 notified() 即时唤醒
    let (stop_flag, notify) = {
        let session = session_arc.lock().await;
        (session.stop_flag.clone(), session.notify.clone())
    };

    // token 累加器:loop 生命周期内各轮叠加,退出时传 save_conversation(累加模式落库)
    let mut tokens = TokenAccumulator::default();

    // 收敛标志:仅当 LLM 末轮无 tool_calls 自行 break(正常收敛)时置 true;
    // 区分"正常收敛退出"与"达 MAX 被截断退出"——后者末轮 tool_calls 仍非空(tool_result 不再回传 LLM),属异常
    let mut converged = false;

    for iteration in 0..MAX_AGENT_ITERATIONS {
        // 用户请求停止 → 收尾退出（已生成文本已在上一轮入库）
        if stop_flag.load(Ordering::SeqCst) {
            let usage = df_ai::provider::TokenUsage {
                prompt_tokens: tokens.prompt(),
                completion_tokens: tokens.completion(),
                total_tokens: tokens.total(),
            };
            // 入口 stop:本轮可能尚未 stream(首轮即停),不记 model——避免把未实际生成的 model 写入 models 数组
            save_conversation(&session_arc, &db, &conv_id, Some(&usage), None).await;
            // 标题生成后台化：不阻塞 Completed emit（失败有 extract_title 兜底）
            spawn_ensure_title(&provider_config, &db, &conv_id, &app_handle, &session_arc, &llm_concurrency);
            guard.reset().await;
            // generating 复位后再 emit Completed：保证前端收事件时后端已可接下一条(发送队列续发不被"正在生成中"拒绝)
            let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiCompleted { total_tokens: usage.total_tokens, prompt_tokens: tokens.prompt(), completion_tokens: tokens.completion(), conversation_id: Some(conv_id.clone()) });
            return;
        }

        // B-260615-11: 旧 loop 污染防护——每轮开始校验对话一致性。
        // 用户新建/切换对话后 active_conversation_id 变更,本 loop(conv_id 快照)成陈旧,
        // 继续跑会往新对话 push 消息/pending 造成污染。检测到即退出(guard Drop 复位 generating)。
        {
            let session = session_arc.lock().await;
            if session.active_conversation_id.as_deref() != Some(conv_id.as_str()) {
                tracing::warn!(
                    stale_conv = %conv_id,
                    active_conv = ?session.active_conversation_id,
                    "[ai] 对话已切换,旧 loop 退出(B-260615-11)避免污染新对话"
                );
                return;
            }
        }

        // 新一轮通知前端（第二轮起），前端需新建 assistant 消息
        if iteration > 0 {
            let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiAgentRound {
                round: (iteration + 1) as u32,
                conversation_id: Some(conv_id.clone()),
            });
        }

        // 构建请求消息（超预算时自动裁剪旧消息，保护工具调用三元组 + 最近 6 条）
        let messages = {
            let session = session_arc.lock().await;
            let sys_tokens = TokenEstimator::default().estimate_text(&system_prompt);
            let (history_msgs, _trimmed) = session.messages.build_for_request(sys_tokens);
            let mut msgs = vec![ChatMessage::system(&system_prompt)];
            msgs.extend(history_msgs);
            msgs
        };

        // 预估输入 token(兜底:部分 provider 如 GLM 流式 usage 不报 prompt_tokens,后段用它补)
        let estimated_prompt: u32 = {
            let est = TokenEstimator::default();
            messages.iter().map(|m| est.estimate_message(m)).sum()
        };

        let request = CompletionRequest {
            model: provider_config.default_model.clone(),
            messages,
            temperature: Some(0.7),
            max_tokens: Some(8192),
            stream: true,
            tools: if tool_defs.is_empty() { None } else { Some(tool_defs.clone()) },
            tool_choice: None,
        };

        // LLM 并发限流（全局 + 单对话双层），仅覆盖 stream_llm 调用本身;
        // 工具执行(process_tool_calls)是本地操作无 RPM 成本,permit 在 stream 后立即释放避免占槽
        let _global_permit = llm_concurrency.acquire_global().await;
        let _per_conv_permit = llm_concurrency.acquire_per_conv().await;
        // 流式接收（内部处理 idle timeout / 断连检测 / 停止信号）
        let (full_text, tool_calls_acc, round_usage) = match stream_llm(&*provider, request, &app_handle, &stop_flag, &notify, &conv_id).await {
            Some(result) => result,
            None => {
                // 错误已在 stream_llm 中 emit，直接结束
                guard.reset().await;
                return;
            }
        };
        // stream 结束立即释放 permit,后续工具执行不受限流(本地操作无 RPM 成本)
        drop(_global_permit);
        drop(_per_conv_permit);

        // 累加本轮 token:provider 流式 usage 的 prompt_tokens 为 0 时(GLM 等),用预估输入兜底
        let round_prompt = if round_usage.prompt_tokens == 0 { estimated_prompt } else { round_usage.prompt_tokens };
        tokens.add(round_prompt, round_usage.completion_tokens);

        // 追加 assistant 消息到历史
        let has_tool_calls = !tool_calls_acc.is_empty();
        {
            let mut session = session_arc.lock().await;
            // B-260615-11: push 前再校验(stream_llm 期间用户可能新建对话)。
            // 读端读到被 clear 的空历史不致命,但 push 写回新对话是污染,必须挡。
            if session.active_conversation_id.as_deref() != Some(conv_id.as_str()) {
                tracing::warn!(
                    stale_conv = %conv_id,
                    active_conv = ?session.active_conversation_id,
                    "[ai] stream 后对话已切换,丢弃本轮 push(B-260615-11)避免污染新对话"
                );
                return;
            }
            if has_tool_calls {
                let mut order: Vec<u32> = tool_calls_acc.keys().copied().collect();
                order.sort_unstable();
                let ai_tool_calls: Vec<df_ai::provider::ToolCall> = order.iter()
                    .map(|i| {
                        let draft = &tool_calls_acc[i];
                        df_ai::provider::ToolCall::new(&draft.id, &draft.name, &draft.args)
                    })
                    .collect();
                let mut msg = ChatMessage::assistant_with_tools(&full_text, ai_tool_calls);
                msg.model = Some(provider_config.default_model.clone());
                session.messages.push(msg);
            } else if !full_text.is_empty() {
                let mut msg = ChatMessage::assistant(&full_text);
                msg.model = Some(provider_config.default_model.clone());
                session.messages.push(msg);
            }
        }

        // 停止信号：已生成文本入库后退出，不再执行后续工具调用
        if stop_flag.load(Ordering::SeqCst) {
            let usage = df_ai::provider::TokenUsage {
                prompt_tokens: tokens.prompt(),
                completion_tokens: tokens.completion(),
                total_tokens: tokens.total(),
            };
            save_conversation(&session_arc, &db, &conv_id, Some(&usage), Some(&provider_config.default_model)).await;
            // 标题生成后台化：不阻塞 Completed emit（失败有 extract_title 兜底）
            spawn_ensure_title(&provider_config, &db, &conv_id, &app_handle, &session_arc, &llm_concurrency);
            guard.reset().await;
            // generating 复位后再 emit Completed：保证前端收事件时后端已可接下一条(发送队列续发不被"正在生成中"拒绝)
            let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiCompleted { total_tokens: usage.total_tokens, prompt_tokens: tokens.prompt(), completion_tokens: tokens.completion(), conversation_id: Some(conv_id.clone()) });
            return;
        }

        // 无工具调用 → 最终文本响应，正常收敛退出
        if !has_tool_calls { converged = true; break; }

        // 处理工具调用（Low 自动执行 / Medium+High 待审批）
        let pending_count = {
            let mut session = session_arc.lock().await;
            process_tool_calls(&mut session, tool_calls_acc, &tools_arc, &db, &app_handle, &conv_id).await
        };

        // 有待审批 → 暂停循环，等待用户审批后通过 ai_approve → try_continue_agent_loop 恢复
        if pending_count > 0 {
            let usage = df_ai::provider::TokenUsage {
                prompt_tokens: tokens.prompt(),
                completion_tokens: tokens.completion(),
                total_tokens: tokens.total(),
            };
            save_conversation(&session_arc, &db, &conv_id, Some(&usage), Some(&provider_config.default_model)).await;
            // B-260615-26: 审批等待 return 前 disarm guard——保持 generating=true 留 try_continue 续生成,
            // 同时 Drop 因 done=true 跳过复位 spawn(避免误复位审批态 generating 致 ai_approve→try_continue 不续)
            guard.disarm();
            return; // generating 保持 true
        }

        // 全部自动执行完成 → 继续下一轮
    }

    // 达 MAX 未收敛(LLM 末轮仍想调工具被截断,末轮 tool_result 不再回传 LLM):异常中断,提示用户
    // 与 break 正常收敛(break→converged=true)区分:这里仍走入库+Completed,但前置发 AiError 警示
    if !converged {
        tracing::warn!(
            conv_id = %conv_id,
            max_iter = MAX_AGENT_ITERATIONS,
            "[ai] agentic 循环达最大轮次(MAX_AGENT_ITERATIONS={})仍未收敛,可能未完成",
            MAX_AGENT_ITERATIONS,
        );
        let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiError {
            error: format!("达到最大轮次({} 轮),Agent 可能未完成(末轮工具结果未回传模型)", MAX_AGENT_ITERATIONS),
            conversation_id: Some(conv_id.clone()),
        });
    }

    // 正常完成
    let usage = df_ai::provider::TokenUsage {
        prompt_tokens: tokens.prompt(),
        completion_tokens: tokens.completion(),
        total_tokens: tokens.total(),
    };
    // 落库 + 标题 + 知识提炼打包后台化：不阻塞 generating 复位与 Completed 事件
    // save 先行(extract/title 都读已落库消息);extract 内部 fire-and-forget,与 title 可能并发
    // (均受 per_conv 信号量约束,读写不同字段互不干扰)
    // 并发取舍：与新对话新 loop 的 save 存在低概率并发 upsert，最多丢少量 token 累加（非功能错误，可接受）
    let usage_total = usage.total_tokens;
    {
        let session_arc = session_arc.clone();
        let db = db.clone();
        let conv_id = conv_id.clone();
        let provider_config = provider_config.clone();
        let knowledge_config = knowledge_config.clone();
        let app_handle = app_handle.clone();
        let llm_concurrency = llm_concurrency.clone();
        tauri::async_runtime::spawn(async move {
            save_conversation(&session_arc, &db, &conv_id, Some(&usage), Some(&provider_config.default_model)).await;
            // 知识提炼:需读已落库的对话消息,故在 save 之后
            if let Err(e) = maybe_spawn_extraction(&session_arc, &db, &conv_id, &provider_config, &knowledge_config, llm_concurrency.clone()).await {
                tracing::warn!("知识提炼触发失败(非阻断): {}", e);
            }
            ensure_conversation_title(&provider_config, &db, &conv_id, &app_handle, &session_arc, llm_concurrency).await;
        });
    }

    guard.reset().await;
    // generating 复位后再 emit Completed：落库/标题/提炼已在后台，前端立即感知完成
    let _ = app_handle.emit("ai-chat-event", AiChatEvent::AiCompleted { total_tokens: usage_total, prompt_tokens: tokens.prompt(), completion_tokens: tokens.completion(), conversation_id: Some(conv_id.clone()) });
}

/// 检查是否所有待审批已处理，如果是则恢复 agentic 循环
///
/// B-260615-08:所有静默 return 点显式 emit 收尾事件,避免前端 streaming=true 永久卡。
/// 各 return 点的语义判断:
/// 1) should_continue=false(generating 已复位 / pending_approvals 非空):
///    - generating=false → 用户点了停止(ai_chat_stop 复位)或会话已结束,emit AiCompleted 标当前轮收敛
///      (streaming=true 由 AiCompleted 清理)
///    - pending_approvals 非空 → 转入审批等待态(其他审批未决),emit AiCompleted 标当前轮结束
///      (前端审批态 watchdog 已 clear,不卡)
/// 2) get_active_provider Err → 无可用 provider(配置丢失/全删),无法续生成,emit AiError
///    (语义:配置错误,用户需设 provider;非 generating 复位可恢复)
///
/// R-PD-6: conv_id 来源从全局 active_conversation_id 解耦到审批所属会话。
/// 触发本函数的 ai_approve 已 remove 触发审批,但 pending_approvals 内剩余审批(若 has_pending)
/// 仍各自携带 conversation_id(审批产生时由 process_tool_calls 写入,业务真相源)。
/// 故 has_pending=true 分支(审批等待态)直接取剩余审批的 conversation_id 做 conv_id,
/// 不读 active_conversation_id 全局单例——该字段在审批等待态(非 generating-only 期)可被
/// ai_chat_stop/clear/switch 并发改写,属竞态耦合。has_pending=false(全部审批已处理,续生成)
/// 分支:审批已被 remove,改为以剩余 pending_approvals 任一 conversation_id 做一致性校验
/// (此处空,校验通过即沿用全局值,该期 generating=true 且 switch 为 readonly 不并发)。
pub(crate) async fn try_continue_agent_loop(app: &AppHandle, state: &AppState) {
    let (is_generating, has_pending, pending_conv_id) = {
        let session = state.ai_session.lock().await;
        // pending_approvals 中任一审批的 conversation_id:审批等待态(has_pending)下作为 conv_id 来源,
        // 取第一个非空值(同一对话的审批 conversation_id 一致,见 process_tool_calls 写入路径)。
        let pending_conv_id = session.pending_approvals.values()
            .find_map(|a| a.conversation_id.clone());
        (session.generating, !session.pending_approvals.is_empty(), pending_conv_id)
    };
    let should_continue = is_generating && !has_pending;

    if !should_continue {
        // generating=false(被 stop)或仍有审批(pending_approvals 非空):
        // 统一 emit AiCompleted 标当前轮收敛,清前端 streaming。
        // 轮 token 已在前序 AiCompleted/AiApprovalResult 流程落库,此处零 token 上报仅作收敛信号。
        if is_generating {
            // pending_approvals 非空但 generating 仍 true:转审批态,前端审批态 watchdog 已 clear,不卡
            tracing::info!("[ai] try_continue 跳过:仍有待审批,转审批等待态");
        } else {
            // generating 已复位(用户 stop 或前序循环已 emit Completed):补发 AiCompleted 防前端卡住
            tracing::info!("[ai] try_continue 跳过:generating 已复位(被 stop/已结束),补发 AiCompleted 清前端 streaming");
            // R-PD-6: 优先用审批所属 conversation_id(审批等待态被 stop 触发,审批仍在 pending_approvals),
            // 仅当无任何审批(has_pending=false 且 generating=false)时回退 active_conversation_id。
            let conv_id = match pending_conv_id {
                Some(cid) => cid,
                None => {
                    let session = state.ai_session.lock().await;
                    session.active_conversation_id.clone().unwrap_or_default()
                }
            };
            let _ = app.emit("ai-chat-event", AiChatEvent::AiCompleted {
                total_tokens: 0,
                prompt_tokens: 0,
                completion_tokens: 0,
                conversation_id: Some(conv_id),
            });
        }
        return;
    }

    let provider_config = match get_active_provider(state).await {
        Ok(p) => p,
        Err(e) => {
            // 无可用 provider(配置丢失/全删):无法续生成,emit AiError。
            // 语义:配置错误,用户需在 Settings 设 provider;generating 复位由 run_agentic_loop 内
            // build_provider_for Err 分支处理(同样 emit AiError),此处与之一致。
            // 不用 GeneratingGuard:try_continue 的 should_continue=false 路径需保 generating=true(审批等待态),
            // 全函数 guard 会误复位。此点单点 provider-Err 复位,语义独立。
            let mut session = state.ai_session.lock().await;
            session.generating = false;
            // R-PD-6: 续生成被拒(provider 缺失)回退 conv_id 优先审批所属;无审批再读全局。
            let conv_id = session.pending_approvals.values()
                .find_map(|a| a.conversation_id.clone())
                .or_else(|| session.active_conversation_id.clone())
                .unwrap_or_default();
            drop(session);
            tracing::warn!(error = %e, "[ai] try_continue 失败:无可用 provider");
            let _ = app.emit("ai-chat-event", AiChatEvent::AiError {
                error: e,
                conversation_id: Some(conv_id),
            });
            return;
        }
    };
    // R-PD-6: 续生成路径 conv_id 解耦——has_pending=false 时审批已 remove,无审批 conversation_id 可取;
    // 此期 generating=true 且 switchConversation 为 readonly 不并发改 active_conversation_id,
    // 故读全局值安全(非竞态期);若 has_pending=true 已在上面 return,不会到此。
    let (lang, conv_id) = {
        let session = state.ai_session.lock().await;
        let lang = session.agent_language.clone().unwrap_or_else(|| "zh-CN".to_string());
        let conv_id = session.active_conversation_id.clone().unwrap_or_default();
        (lang, conv_id)
    };
    let system_prompt = build_system_prompt(state, &lang).await;

    let session_arc = state.ai_session.clone();
    let tools_arc = state.ai_tools.clone();
    let db = state.db.clone();
    let app_handle = app.clone();
    let knowledge_config = state.knowledge_config.lock().await.clone();
    let llm_concurrency = state.llm_concurrency.clone();

    // 恢复循环前通知前端新建 assistant 消息：审批(通过/拒绝)后新一轮文本
    // 不应追加到发起工具调用的旧消息，用 AiAgentRound 隔开
    let _ = app.emit("ai-chat-event", AiChatEvent::AiAgentRound {
        round: 0,
        conversation_id: Some(conv_id.clone()),
    });

    tauri::async_runtime::spawn(async move {
        run_agentic_loop(session_arc, tools_arc, db, app_handle, provider_config, system_prompt, conv_id, knowledge_config, llm_concurrency).await;
    });
}