♻️ refactor(core): 重构 AI 能力与定时任务调度系统 (#2148)

* ♻️ refactor(core): 重构 AI 能力与定时任务调度系统

- 【AI 能力与工具】重构 Capability 注册与管理机制，引入 CapabilityManager 统一管理
- 移除全局能力注册表，改用声明式装饰器 `@capability` 进行解耦注册
- 重构工具解析器链，使用统一的 BaseToolResolver 代替原有的多个特定解析器
- 增强工具查询过滤，支持通配符匹配、工具箱过滤和排除标签
- 【定时任务调度】重构定时任务管理器，引入 SchedulerRegistry 统一管理任务元数据
- 引入 JobConfig 聚合定时任务配置，支持用户维度的定时任务调度
- 重构执行分发器，支持并发限制、串行间隔和随机延迟打散
- 【运行上下文】引入 ScheduledDeps 以支持后台和定时任务环境下的依赖注入
- 优化 RunContext，支持从定时任务上下文快速构造，并提供 emit 辅助方法
- 【日志与监控】引入 AILoggerProxy，实现 AI 各模块的专属日志输出
- 将各模块的全局 logger 替换为对应的模块专属日志代理
- 【其他优化】修复 Pydantic V1 兼容层中 model_validator 的装饰器兼容性问题
- 在非交互式环境（如定时任务）中自动隐藏 HITL 交互工具以节省 Token

* ♻️ refactor(core): 优化内部导入路径并提升 Pydantic 兼容性

- 【重构】将 `services/ai` 模块内的绝对导入重构为相对导入，优化包结构
- 【重构】移除不必要的 `if TYPE_CHECKING` 保护，通过 `from __future__ import annotations` 直接导入类型
- 【清理】清理 `core/messages/types.py` 中未使用的 `AssistantContentUnion` 等联合类型定义
- 【优化】在 `utils/pydantic_compat.py` 中新增 `model_rebuild` 兼容函数，统一 Pydantic V1/V2 的模型重建逻辑
- 【优化】将部分函数内部的延迟导入提升至模块顶部，规范代码结构

* ♻️ refactor(imports): 优化导入路径为相对导入并清理冗余导入

- 【重构】将 AI 服务相关模块中的绝对导入路径修改为相对导入，提升模块内聚性与可移植性
- 【清理】移除多处函数内部或类方法中未使用的冗余导入，避免循环引用和资源浪费
- 【格式化】微调部分工具装饰器和返回语句的格式与尾随逗号

* 🚨 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/flow/agent/engine/executor.py

@@ -1,7 +1,7 @@
 from abc import ABC, abstractmethod
 import asyncio
 import json
-from typing import Any, cast
+from typing import Any
 
 from zhenxun.services.ai.capabilities import CombinedCapability
 from zhenxun.services.ai.core.engine.context_renderer import ContextConverter
@@ -15,7 +15,6 @@ from zhenxun.services.ai.core.exceptions import (
 )
 from zhenxun.services.ai.core.messages import (
     AgentMessage,
-    AssistantContentUnion,
     AssistantMessage,
     AudioPart,
     ChatRequest,
@@ -35,19 +34,20 @@ from zhenxun.services.ai.core.stream_events import (
     LLMStartEvent,
     ToolStreamChunkEvent,
 )
-from zhenxun.services.ai.flow.agent.engine.directive import (
-    DirectiveHandlerFunc,
-    directive_manager,
-)
 from zhenxun.services.ai.flow.agent.models import AgentRunResources, AgentState
 from zhenxun.services.ai.llm.engine.router import LLMOrchestrator
 from zhenxun.services.ai.run import AgentRunResult, RunContext
 from zhenxun.services.ai.run.session import session_manager
 from zhenxun.services.ai.tools.engine.executor import ToolExecutor
 from zhenxun.services.ai.tools.models import ToolResult
-from zhenxun.services.log import logger
+from zhenxun.services.ai.utils.logger import log_agent as logger
 from zhenxun.utils.pydantic_compat import dump_json_safely, model_construct
 
+from .directive import (
+    DirectiveHandlerFunc,
+    directive_manager,
+)
+
 
 class BaseAgentExecutor(ABC):
     """
@@ -219,13 +219,12 @@ class StandardAgentExecutor(BaseAgentExecutor):
             messages, run_context
         )
 
-        if run_context.run.event_bus:
-            await run_context.run.event_bus.emit(
-                LLMStartEvent(
-                    model_name=resources.model_name or "unknown",
-                    messages=flattened_messages,
-                )
+        await run_context.run.emit(
+            LLMStartEvent(
+                model_name=resources.model_name or "unknown",
+                messages=flattened_messages,
             )
+        )
 
         response = await self._execute_model_request(
             model_name=resources.model_name,
@@ -238,8 +237,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
             cancellation_token=cancellation_token,
         )
 
-        if run_context.run.event_bus:
-            await run_context.run.event_bus.emit(LLMEndEvent(response=response))
+        await run_context.run.emit(LLMEndEvent(response=response))
 
         assistant_content = (
             response.content_parts if response.content_parts else response.text
@@ -252,9 +250,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
                     part.metadata["thought_signature"] = response.thought_signature
                     break
 
-        assistant_message = AssistantMessage(
-            content=cast(list[AssistantContentUnion], response.content_parts)
-        )
+        assistant_message = AssistantMessage(content=response.content_parts)
 
         if hasattr(response, "parsed_obj") and response.parsed_obj is not None:
             if not isinstance(response.parsed_obj, str):
@@ -376,7 +372,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
                 state.messages, resources.model_name or "", base_overhead=0
             )
             logger.debug(
-                f"[TokenTracker] (Iter {state.current_cycle + 1}) "
+                f"(Iter {state.current_cycle + 1}) "
                 f"预估将消耗 {est_tokens} Token "
                 f"(Model: {resources.model_name or 'Unknown'})"
             )
@@ -444,7 +440,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
             return
 
         if not response.tool_calls:
-            logger.debug("✅ AgentExecutor：模型未请求工具调用，推理循环结束。")
+            logger.debug("✅ 模型未请求工具调用，推理循环结束。")
             state.is_finished = True
             state.final_result = model_construct(
                 AgentRunResult,
@@ -476,8 +472,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
 
             if is_server_side:
                 logger.debug(
-                    "☁️ [AgentExecutor] 检测到云端工具调用: "
-                    f"{call.tool_name}，已跳过本地执行。"
+                    f"☁️ 检测到云端工具调用: {call.tool_name}，已跳过本地执行。"
                 )
                 async with self.tool_executor._tool_stream_scope(
                     event_bus,
@@ -500,7 +495,7 @@ class StandardAgentExecutor(BaseAgentExecutor):
                 client_tool_calls.append(call)
 
         if not client_tool_calls:
-            logger.info("✅ AgentExecutor：无本地客户端工具需执行，推理循环平滑结束。")
+            logger.info("✅ 无本地客户端工具需执行，推理循环平滑结束。")
 
             state.is_finished = True
             state.final_result = model_construct(
@@ -638,7 +633,6 @@ class StandardAgentExecutor(BaseAgentExecutor):
         self, state: AgentState, resources: AgentRunResources
     ) -> AgentRunResult[Any]:
         run_context = resources.run_context
-        event_bus = run_context.run.event_bus
 
         if not resources.config.enable_fallback_summary:
             raise UpstreamServerException(
@@ -646,17 +640,15 @@ class StandardAgentExecutor(BaseAgentExecutor):
             )
 
         logger.warning(
-            f"AgentExecutor 达到最大循环次数 ({resources.config.max_cycles})，"
-            "触发兜底总结机制。"
+            f"达到最大循环次数 ({resources.config.max_cycles})，触发兜底总结机制。"
         )
 
-        if event_bus:
-            await event_bus.emit(
-                ToolStreamChunkEvent(
-                    tool_name="System",
-                    content="⏳ 思考过程过于复杂，正在强制生成最终总结...",
-                )
+        await run_context.run.emit(
+            ToolStreamChunkEvent(
+                tool_name="System",
+                content="⏳ 思考过程过于复杂，正在强制生成最终总结...",
             )
+        )
 
         fallback_msg = LLMMessage.user(
             "### 🚨 [系统强制指令]\n"