♻️ refactor(core): 重构 AI 编排框架与记忆及 RAG 子系统 (#2149)

* ♻️ refactor(core): 重构 AI 编排框架与记忆及 RAG 子系统

- 【重构】重构 `BaseRunnable` 并引入统一的 `RunIntent` 意图载体，规范 Agent、Team 和 Workflow 的执行流
- 【解耦】将中期记忆槽和长期向量记忆从 `MemoryConfig` 中解耦，转为独立的能力组件与工具箱进行管理
- 【记忆】移除 `MemoryReader` 和 `MemoryWriter`，统一封装为 `SessionMemoryContext` 会话记忆门面
- 【RAG】重构检索器与存储后端接口，统一采用 `QueryRequest` 进行多维度联合检索，并引入 `InMemoryScorer` 提升打分性能
- 【事件】优化 `EventBus` 异步事件分发机制，引入队列机制确保事件按序处理，避免并发竞态问题
- 【依赖注入】移除 `memory` 注入项，优化 `DependencyInjector` 的签名解析缓存以提升性能

* 🚨 auto fix by pre-commit hooks

---------

Co-authored-by: webjoin111 <455457521@qq.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>

zhenxun/services/ai/context/memory/storage/backends.py

@@ -95,7 +95,9 @@ class DBMessageSerializer:
         return content_parts
 
     @staticmethod
-    def serialize_content(content_payload: Any) -> list[dict[str, Any]]:
+    def serialize_content(
+        content_payload: list[LLMContentPart] | str,
+    ) -> list[dict[str, Any]]:
         """将 LLMMessage 消息内容序列化为可存储于数据库的 JSON 格式"""
         if isinstance(content_payload, str):
             return [{"type": "text", "text": content_payload}]
@@ -134,7 +136,7 @@ class MemoryScope:
     ):
         """初始化长期记忆作用域与 RAG 客户端"""
         self.rag_client = rag_client
-        self._background_tasks: set[Any] = set()
+        self._background_tasks: set[asyncio.Task[Any]] = set()
 
     async def remember(
         self,
@@ -492,3 +494,13 @@ def get_orm_slot_context(model_class: type[AbstractSlotRecord]) -> TortoiseSlotC
     [工厂方法] 供第三方开发者调用，将 Tortoise ORM 表直接包装为记忆槽存储系统。
     """
     return TortoiseSlotContext(model_class=model_class)
+
+
+__all__ = [
+    "AbstractMemoryRecord",
+    "AbstractSlotRecord",
+    "InMemoryChatContext",
+    "MemoryScope",
+    "TortoiseChatContext",
+    "TortoiseSlotContext",
+]

zhenxun/services/ai/context/memory/storage/interfaces.py

@@ -1,5 +1,6 @@
 from abc import ABC, abstractmethod
 from collections.abc import Sequence
+from typing import Protocol, runtime_checkable
 
 from zhenxun.services.ai.context.memory.types import (
     MemorySlot,
@@ -10,7 +11,14 @@ from zhenxun.services.ai.run.context import RunContext
 from zhenxun.services.ai.utils.scope import ScopeSelector
 
 
-class BaseChatContext(ABC):
+@runtime_checkable
+class IClearableBackend(Protocol):
+    """支持声明式清理的作用域后端协议"""
+
+    async def clear_by_query(self, query: ScopeSelector) -> int | None: ...
+
+
+class BaseChatContext(IClearableBackend, ABC):
     """短期对话历史记忆接口"""
 
     @abstractmethod
@@ -44,13 +52,8 @@ class BaseChatContext(ABC):
         """清空当前会话的历史消息。"""
         ...
 
-    @abstractmethod
-    async def clear_by_query(self, query: ScopeSelector) -> None:
-        """根据条件领域查询对象清理对话历史。"""
-        ...
 
-
-class BaseSlotContext(ABC):
+class BaseSlotContext(IClearableBackend, ABC):
     """中期记忆槽持久化接口"""
 
     @abstractmethod
@@ -80,11 +83,6 @@ class BaseSlotContext(ABC):
         """列出当前会话的所有记忆槽（包括未置顶的）。"""
         ...
 
-    @abstractmethod
-    async def clear_by_query(self, query: ScopeSelector) -> None:
-        """根据条件领域查询对象清理记忆槽。"""
-        ...
-
 
 class BaseMemoryReducer(ABC):
     """记忆压缩器基类"""
@@ -97,7 +95,19 @@ class BaseMemoryReducer(ABC):
         model_name: str,
         base_overhead: int = 0,
     ) -> tuple[list[LLMMessage], bool, int]:
-        """对消息列表进行压缩处理。"""
+        """
+        执行记忆压缩处理，精简或提炼对话上下文以降低 Token 消耗。
+
+        参数:
+            messages: 需要进行压缩的原始 LLM 消息历史列表。
+            current_tokens: 压缩前消息列表的当前 Token 总数。
+            model_name: 用于判定压缩阈值或计算 Token 的底层大模型名称。
+            base_overhead: 基础系统提示词等静态开销的 Token 计数。
+
+        返回:
+            tuple[list[LLMMessage], bool, int]: 包含压缩后的新消息历史列表、
+                本次是否实际触发了压缩的布尔标记、以及压缩后的新 Token 总数。
+        """
         ...