♻️ refactor!: 重构LLM服务架构并统一Pydantic兼容性处理 (#2002)

* ♻️ refactor(pydantic): 提取 Pydantic 兼容函数到独立模块

* ♻️ refactor!(llm): 重构LLM服务，引入现代化工具和执行器架构

🏗️ **架构变更**
- 引入ToolProvider/ToolExecutable协议，取代ToolRegistry
- 新增LLMToolExecutor，分离工具调用逻辑
- 新增BaseMemory抽象，解耦会话状态管理

🔄 **API重构**
- 移除：analyze, analyze_multimodal, pipeline_chat
- 新增：generate_structured, run_with_tools
- 重构：chat, search, code变为无状态调用

🛠️ **工具系统**
- 新增@function_tool装饰器
- 统一工具定义到ToolExecutable协议
- 移除MCP工具系统和mcp_tools.json

---------

Co-authored-by: webjoin111 <455457521@qq.com>

zhenxun/services/llm/manager.py

@@ -86,14 +86,23 @@ def _cache_model(cache_key: str, model: LLMModel):
 
 
 def clear_model_cache():
-    """清空模型缓存"""
+    """
+    清空模型缓存，释放所有缓存的模型实例。
+
+    用于在内存不足或需要强制重新加载模型配置时清理缓存。
+    """
     global _model_cache
     _model_cache.clear()
     logger.info("已清空模型缓存")
 
 
 def get_cache_stats() -> dict[str, Any]:
-    """获取缓存统计信息"""
+    """
+    获取模型缓存的统计信息。
+
+    返回:
+        dict[str, Any]: 包含缓存大小、最大容量、TTL和已缓存模型列表的统计信息。
+    """
     return {
         "cache_size": len(_model_cache),
         "max_cache_size": _max_cache_size,
@@ -169,7 +178,13 @@ def find_model_config(
 
 
 def list_available_models() -> list[dict[str, Any]]:
-    """列出所有配置的可用模型"""
+    """
+    列出所有配置的可用模型及其详细信息。
+
+    返回:
+        list[dict[str, Any]]: 模型信息列表，每个字典包含提供商名称、模型名称、
+                             能力信息、是否为嵌入模型等详细信息。
+    """
     providers = get_configured_providers()
     model_list = []
     for provider in providers:
@@ -215,7 +230,13 @@ def list_model_identifiers() -> dict[str, list[str]]:
 
 
 def list_embedding_models() -> list[dict[str, Any]]:
-    """列出所有配置的嵌入模型"""
+    """
+    列出所有配置的嵌入模型。
+
+    返回:
+        list[dict[str, Any]]: 嵌入模型信息列表，从所有可用模型中筛选出
+                             支持嵌入功能的模型。
+    """
     all_models = list_available_models()
     return [model for model in all_models if model.get("is_embedding_model", False)]