feat: 对话场景优化 #139

Merged
huanghaosheng merged 7 commits from develop into v2 2026-06-20 15:18:39 +08:00
4 changed files with 37 additions and 493 deletions
Showing only changes of commit 488b1e62ba - Show all commits

View File

@@ -229,6 +229,41 @@ graph LR
核心 Hook`useVisionSession()` 封装一次完整的视觉对话会话摄像头、VAD、WebSocket、消息状态、认证、场景模式
### 前端会话状态模型(三态)
前端 UI 存在三个会话状态,由 `isConnected``isCameraOn` 联合决定:
```
┌──────────┐ startSession() ┌──────────┐
│ initial │ ──────────────────→ │ video │
│ 初始态 │ │ 视频通话 │
└──────────┘ └──────────┘
↑ │
│ stopSession() stopVideo()
│ │
│ ▼
│ ┌──────────┐
└──────────────────────── │ textOnly │
│ 文字对话 │
└──────────┘
startSession()
┌──────────┐
│ video │
└──────────┘
```
| 状态 | 条件 | WebSocket | 摄像头 | 消息 | 文字输入 |
|------|------|-----------|--------|------|---------|
| `initial` | `!isConnected && messages.length === 0` | 断开 | 关闭 | 空 | 可用(自动连接) |
| `video` | `isConnected && isCameraOn` | 连接 | 开启 | 有 | 可用 |
| `textOnly` | `isConnected && !isCameraOn` | 连接 | 关闭 | 保留 | 可用 |
- **`stopVideo()`**:停止摄像头/麦克风/VAD保持 WebSocket 连接和消息历史,用户可继续文字对话
- **`stopSession()`**:完全断开 WebSocket、清空消息、重置状态回到初始态
## 数据库设计
### ER 关系

View File

@@ -1,204 +0,0 @@
# CamTalk Eino 重构实施记录
> 创建日期2026-06-19
> 状态:已完成
## 1. 重构背景
CamTalk 原 AI 编排层(`internal/orchestrator/pipeline.go`)使用手写 goroutine + WaitGroup + channel 实现 STT → LLM → TTS 流式管道,存在以下问题:
1. **编排逻辑硬编码**:流程写死在 `ProcessQuery()` 中,扩展需重写 goroutine 调度
2. **并发控制粗糙**:手动 `go func()` + `sync.WaitGroup`,缺乏结构化流式传递
3. **无回调/AOP 机制**:日志、指标、追踪散落各处
4. **配置耦合**模型名、TTS 参数硬编码在 Pipeline 结构体
5. **错误处理不一致**TTS 错误被静默吞掉,缺乏统一模式
**重构目标**:使用 Eino Graph 替换手写 Pipeline实现声明式编排、统一回调、按请求动态配置保持 WebSocket 协议和 REST API 不变。
## 2. 整体架构变更
### 2.1 重构前
```
WS Handler → Orchestrator.Pipeline.ProcessQuery()
├→ goroutine: STT.Recognize()
├→ goroutine: LLM.ChatStream() ──→ chan chunk ──→ Sender
└→ goroutine: Splitter → TTS.SynthesizeStream() ──→ chan audio ──→ Sender
WaitGroup.Wait()
Sender.SendLLMDone()
```
### 2.2 重构后
```
WS Handler → EinoOrchestrator.ProcessQuery()
├→ Graph.Stream(ctx, input)
│ ├→ STT Lambda ─→ History Lambda ─→ ChatModel ─→ Splitter ─→ TTS ─→ Done
│ │ (State 写入) (Callback (Transform) (Invoke) (Invoke)
│ │ 流式推送)
│ └→ 消费 StreamReader触发整条链路惰性执行
└→ 追加助手消息到历史
```
### 2.3 关键设计决策
| 决策 | 选择 | 理由 |
|------|------|------|
| Graph 调用模式 | Stream | ChatModel 需要真正的 token 级流式输出 |
| LLM 组件 | eino-ext ChatModel | 原生 Eino 组件,直接对接 DashScope |
| 消息推送 | CallbackLLM+ Sender其他 | LLM token 流式推送需要 Callback |
| 值类型 vs 指针 | 值类型统一 | 避免框架类型转换不匹配 |
| 历史追加 | 适配器负责 | Done 节点只负责发送 llm_done |
## 3. 分阶段实施
### Phase 1基础设施提交 `fd5c771`
**目标**:引入 Eino 依赖,创建基础类型和 Callback。
**任务清单**
| 任务 | 文件 | 说明 |
|------|------|------|
| 引入 Eino 依赖 | `go.mod` | `eino v0.9.9` + `eino-ext/components/model/openai v0.1.13` |
| 数据类型定义 | `eino/types.go` | `PipelineInput``PipelineOutput``STTOutput``TokenUsage` |
| State 定义 | `eino/state.go` | `PipelineState``sync.Mutex` 并发保护 |
| 消息推送 Callback | `eino/callback.go` | `BuildCallbackHandler()` 使用 `callbacks.NewHandlerHelper()` |
**关键实现**
- `PipelineState` 使用 `strings.Builder` + `sync.Mutex` 累积 LLM 完整回复
- Callback 通过 `ModelCallbackHandler.OnEndWithStreamOutput` 逐 token 推送 `llm_chunk`
- Sender/RequestID/PipelineState 通过 `context.WithValue` 注入
**验证**`go build ./cmd/server`
---
### Phase 2节点实现提交 `fd5c771`
**目标**:实现 Graph 中的 5 个 Lambda 节点。
**任务清单**
| 任务 | 文件 | Lambda 类型 | 输入 → 输出 |
|------|------|------------|------------|
| STT Lambda | `eino/nodes_stt.go` | InvokableLambda | `PipelineInput → STTOutput` |
| 历史组装 Lambda | `eino/nodes_history.go` | InvokableLambda | `STTOutput → []*schema.Message` |
| 句子分割 Lambda | `eino/nodes_splitter.go` | TransformableLambda | `StreamReader[string] → StreamReader[[]string]` |
| TTS Lambda | `eino/nodes_tts.go` | InvokableLambda | `[]string → struct{}` |
| Done Lambda | `eino/nodes_done.go` | InvokableLambda | `struct{} → PipelineOutput` |
**关键实现**
- STT 节点将输入元数据写入 State供下游节点读取
- History 节点从 State 读取 SessionID/Scenario/ImageData构建系统提示词 + 多模态消息
- Splitter 使用 `TransformableLambda` 按句子分隔符切分,逐句输出给 TTS
- TTS 节点调用 `ttsService.SynthesizeStream()`,逐 chunk 推送 `tts_audio`
- Done 节点从 State 读取完整回复,发送 `llm_done`
- 所有 Lambda 使用值类型(非指针),返回 `*compose.Lambda`
**验证**`go build ./internal/eino/...`
---
### Phase 3Graph 构建与适配器(提交 `4b731b5`
**目标**:构建 Graph、实现适配器、切换 main.go。
**任务清单**
| 任务 | 文件 | 说明 |
|------|------|------|
| Graph 构建 | `eino/graph.go` | `NewPipelineGraph()` 组装 6 个节点 + 边 + 编译 |
| 适配器 | `eino/adapter.go` | `EinoOrchestrator` 实现 `orchestrator.Orchestrator` 接口 |
| main.go 切换 | `cmd/server/main.go` | 移除旧 LLM + orchestrator替换为 Eino |
**Graph 拓扑**
```
START → STT → History → ChatModel → Splitter → TTS → Done → END
```
**适配器职责**
1. 解码 base64 音频/图片
2. 获取会话配置
3. 注入 Sender/RequestID/SessionID/StartTime/State 到 context
4. 追加用户消息到历史
5. 调用 `graph.Stream(ctx, input, callbacks)` 触发惰性执行
6. 消费 `StreamReader[PipelineOutput]`
7. 追加助手消息到历史
**关键实现**
- eino-ext ChatModel 配置:`BaseURL` 对接 DashScope`Timeout` 控制请求超时
- Callback 在运行时通过 `compose.WithCallbacks()` 传入,不在编译时注册
- 元数据SessionID/Scenario 等)通过 State 跨节点传递,不通过 Graph 边传递
**变更文件**
- 修改 `state.go`:新增 SessionID/RequestID/ImageData 等字段
- 修改 `nodes_stt.go`:写入元数据到 State
- 修改 `nodes_history.go`:从 State 读取元数据(移除 HistoryInput 依赖)
- 修改 `nodes_done.go`:移除历史追加(由适配器负责)
**验证**`go build ./cmd/server` ✓,`go vet ./...`
---
### Phase 4清理与测试提交 `4ffd845`
**目标**:删除旧代码,编写单元测试。
**删除的文件**
| 文件 | 说明 |
|------|------|
| `orchestrator/pipeline.go` | 旧 STT→LLM→TTS 手写 goroutine 管道(-547 行) |
| `orchestrator/splitter.go` | 旧句子切分器(-114 行) |
| `orchestrator/pipeline_test.go` | 旧 Pipeline 测试(-309 行) |
| `ai/llm/openai.go` | 旧 LLM OpenAI 实现(-548 行) |
| `ai/llm/openai_test.go` | 旧 LLM 测试(-143 行) |
**保留的文件**
| 文件 | 保留原因 |
|------|---------|
| `orchestrator/orchestrator.go` | Orchestrator 接口ws/handler 依赖) |
| `orchestrator/sender.go` | Sender 接口eino/callback 依赖) |
| `ai/llm/llm.go` | Request/Chunk/TokenUsage 类型定义 |
| `ai/llm/prompt.go` | BuildSystemPrompteino/nodes_history 依赖) |
| `ai/llm/scenarios.go` | GetScenarioPrompteino/nodes_history 依赖) |
**新增测试**`eino/graph_test.go`13 个测试)
| 测试 | 覆盖内容 |
|------|---------|
| `TestDetectImageMimeType` | JPEG/PNG/GIF/WebP/未知格式检测 |
| `TestBuildPipelineInput` | 文本输入构建 |
| `TestBuildPipelineInput_WithAudioData` | 音频+图片输入构建 |
| `TestPipelineState_AppendAndGet` | State 文本追加和读取 |
| `TestPipelineState_ConcurrentAccess` | State 并发安全100 goroutine |
| `TestContextInjection` | Sender/RequestID/State 注入和提取 |
| `TestLatencyFromCtx` | 延迟计算 |
| `TestEinoOrchestrator_ImplementsInterface` | 接口实现检查 |
| `TestNew*Lambda_ReturnsNonNil` | 5 个 Lambda 构造函数非空检查 |
**验证**`go build ./...` ✓,`go vet ./...` ✓,`go test ./...`
## 4. 代码变更统计
| 阶段 | 提交 | 新增 | 删除 | 净变化 |
|------|------|------|------|--------|
| Phase 1 + 2 | `fd5c771` | +946 | -24 | +922 |
| Phase 3 | `4b731b5` | +395 | -98 | +297 |
| Phase 4 | `4ffd845` | +235 | -1661 | -1426 |
| **合计** | | **+1576** | **-1783** | **-207** |
重构后代码量净减少 207 行,同时获得了更好的可维护性、可测试性和可扩展性。
## 5. 遗留事项
| 事项 | 优先级 | 说明 |
|------|--------|------|
| eino-ext ChatModel DashScope 兼容性端到端验证 | 高 | 需要真实 API Key 验证流式输出和多模态 |
| LLM 超时控制 | 中 | eino-ext ChatModel 的 `Timeout` 配置需验证 |
| TTS 流式优化 | 中 | 当前 TTS 是 InvokableLambda可改为 StreamableLambda |
| ReAct Agent 扩展 | 低 | 基于 Graph Branch 实现工具调用循环 |
| Model Router | 低 | 按场景/成本路由不同 LLM |
| 指标监控 | 低 | 通过 Callback 接入 Prometheus |

View File

@@ -1,288 +0,0 @@
# 结束视频后保留对话并支持继续文字聊天
> 创建日期2026-06-20
> 状态:草案
## 1. 背景与目标
### 1.1 现状问题
当前点击"结束对话"按钮会执行完整的 teardown 流程:
1. 停止 VAD、麦克风、摄像头
2. 断开 WebSocket 连接
3. **清空所有聊天消息**`setMessages([])`
4. **清空对话历史**`historyRef.current = []`
5. 重置统计数据
6. UI 切回初始界面(显示"开始视频通话"按钮)
**问题**:用户想结束视频通话后,保留聊天记录并继续通过文字输入对话,但当前实现会丢失所有对话内容。
### 1.2 目标
| 目标 | 说明 |
|------|------|
| 结束视频后保留对话 | 点击"结束视频"后,聊天记录保持不变 |
| 支持继续文字对话 | 视频结束后,用户可通过文字输入继续与 AI 对话 |
| 可恢复视频 | 视频结束后,用户可随时重新开启视频 |
| 完全结束可选 | 提供"结束会话"选项,彻底断开并清空 |
## 2. 状态设计
### 2.1 三态模型
引入三个会话状态,替代当前的二态(初始/通话)模型:
```
┌──────────┐ startSession() ┌──────────┐
│ initial │ ──────────────────→ │ video │
│ 初始态 │ │ 视频通话 │
└──────────┘ └──────────┘
↑ │
│ stopVideo()
│ │
│ ▼
│ ┌──────────┐
│ stopSession() │ textOnly │
└──────────────────────── │ 文字对话 │
└──────────┘
startSession()
┌──────────┐
│ video │
│ 视频通话 │
└──────────┘
```
### 2.2 各状态属性
| 状态 | WebSocket | 摄像头 | 麦克风 | VAD | 消息 | 文字输入 |
|------|-----------|--------|--------|-----|------|---------|
| `initial` | 断开 | 关闭 | 关闭 | 停止 | 空 | 可用(自动连接) |
| `video` | 连接 | 开启 | 开启 | 运行 | 有 | 可用 |
| `textOnly` | 连接 | 关闭 | 关闭 | 停止 | 保留 | 可用 |
### 2.3 派生状态
当前代码中 `isConnected` 是从 `connectionStatus === "connected"` 派生的布尔值。为支持三态,新增派生变量:
```ts
// 是否在会话中video 或 textOnly
const hasSession = isConnected || (connectionStatus === "disconnected" && messages.length > 0);
```
> **注意**`textOnly` 状态下 WebSocket 保持连接(`isConnected === true`),所以 `hasSession` 实际上主要靠 `isConnected` 判断。只有在 textOnly 状态下 WebSocket 异常断开时,`messages.length > 0` 才作为兜底。
## 3. 详细设计
### 3.1 `useVisionSession.ts` 改动
#### 3.1.1 新增 `stopVideo` 回调
只停止媒体流,保持 WebSocket 连接和消息:
```ts
/** 结束视频,保留聊天和连接 */
const stopVideo = useCallback(async () => {
// 1. 停止观察模式
stopObserving();
setMode("dialogue");
// 2. 停止媒体流
await stopVAD();
stopMic();
stopCamera();
// 3. 停止 TTS 播放
ttsPlayerRef.current?.stop();
setIsAudioPlaying(false);
// 4. 重置处理状态(但保留消息和历史)
setCurrentReply("");
setIsProcessing(false);
setIsCameraOn(false);
setIsMicOn(false);
// 注意:以下不执行
// - disconnect() → 保持 WebSocket 连接
// - setMessages([]) → 保留聊天记录
// - historyRef.current=[] → 保留对话历史
// - setStats(...) → 保留统计数据
}, [stopObserving, stopVAD, stopMic, stopCamera]);
```
#### 3.1.2 `stopSession` 保持不变
`stopSession` 仍然执行完全 teardown断开 + 清空),作为"结束会话"使用。
#### 3.1.3 `return` 新增导出
```ts
return {
// ...existing...
stopVideo, // 新增
// ...existing...
};
```
### 3.2 `App.tsx` 改动
#### 3.2.1 解构新增
```ts
const {
// ...existing...
stopVideo, // 新增
// ...existing...
} = useVisionSession(...)
```
#### 3.2.2 视频下方控制区改为三态
当前代码(二态):
```tsx
{!isConnected ? (
/* 初始态 */
) : (
/* 通话态 */
)}
```
改为三态:
```tsx
{!isConnected ? (
/* 初始态:开始按钮 + 设备选择 + 模式切换(不变) */
) : isCameraOn ? (
/* 视频通话态:摄像头/麦克风/识别/打断 + "结束视频" 按钮 + 模式切换 */
) : (
/* 文字对话态:
- "📹 视频已结束" 提示
- "📹 重新开始视频" 按钮
- "结束会话" 按钮
*/
)}
```
#### 3.2.3 按钮变化
**视频通话态**(原"结束对话"改为"结束视频"
```tsx
<button className="btn btn--danger" onClick={stopVideo}>
{tr("controls.stopVideo")}
</button>
```
**文字对话态**(新增):
```tsx
<div className="video-controls__text-only">
<div className="video-ended-hint">
<span>📹 {tr("video.ended")}</span>
<span className="video-ended-hint__sub">{tr("video.ended.hint")}</span>
</div>
<div className="video-controls__toolbar">
<button className="btn btn--primary" onClick={startSession}>
{tr("controls.resumeVideo")}
</button>
<button className="btn btn--danger btn--outline" onClick={stopSession}>
{tr("controls.endSession")}
</button>
</div>
</div>
```
#### 3.2.4 视频预览区
当前已有逻辑:`{!isConnected && !stream && <placeholder>}`。关闭摄像头后 `stream` 为 null自动显示占位符。**无需额外改动**。
但在 `textOnly` 状态下 `isConnected` 为 true所以需要额外判断
```tsx
{(!isConnected || !isCameraOn) && !stream && (
<div className="video-placeholder">
<span className="video-placeholder__icon">📷</span>
<span className="video-placeholder__text">{tr("video.cameraOff")}</span>
<span className="video-placeholder__hint">{tr("video.cameraOff.hint")}</span>
</div>
)}
```
#### 3.2.5 状态栏
`isConnected && stats.queryCount > 0` 改为在 textOnly 状态下也显示:
```tsx
{isConnected && stats.queryCount > 0 && (
<span className="chat-panel-header__stats">
{stats.queryCount} {tr("statusbar.recognitions")}
{stats.totalTokens > 0 && ` · ${stats.totalTokens.toLocaleString()} ${tr("statusbar.tokens")}`}
{` · ${formatTime(elapsed)}`}
</span>
)}
```
> `isConnected` 在 textOnly 状态下为 trueWebSocket 未断开),所以**无需改动**。
### 3.3 i18n 新增
| Key | zh-CN | en-US | ja-JP |
|-----|-------|-------|-------|
| `controls.stopVideo` | `结束视频` | `End Video` | `ビデオ終了` |
| `controls.endSession` | `结束会话` | `End Session` | `セッション終了` |
| `controls.resumeVideo` | `📹 重新开始视频` | `📹 Resume Video` | `📹 ビデオ再開` |
| `video.ended` | `视频已结束` | `Video Ended` | `ビデオ終了` |
| `video.ended.hint` | `您可以继续在下方输入文字对话` | `You can continue chatting below` | `下にテキストを入力して会話を続けることができます` |
### 3.4 CSS 样式
新增 `.video-controls__text-only``.video-ended-hint` 样式,复用现有 `.btn``.video-controls__toolbar` 样式。
## 4. 边界情况处理
### 4.1 textOnly 状态下 WebSocket 异常断开
`sendTextMessage` 已有自动重连逻辑:检测到未连接时,先加入 `pendingMessagesRef`,再调用 `connect()`。重连成功后自动 flush 待发队列。**无需改动**。
### 4.2 textOnly 状态下无摄像头画面
`sendTextMessage``captureFrame()` 在无摄像头时返回 null`dataUrlToBase64(null)` 返回空字符串。服务端 `PipelineInput.ImageData` 为空时History 节点跳过图像构建多模态消息。**无需改动**。
### 4.3 textOnly 状态下刷新页面
消息通过 `localStorage` 持久化(`camtalk:session:<uuid>`),刷新后从 `localStorage` 恢复。但 WebSocket 断开,`isConnected` 为 falseUI 显示初始态。用户可点击"开始视频通话"或直接输入文字。**无需改动**。
### 4.4 textOnly 状态下切换会话
`selectSession` 会先 persist 当前会话消息,然后加载目标会话消息。切换后 `isConnected` 取决于目标会话的 WebSocket 状态。**无需改动**。
### 4.5 textOnly 状态下 TTS 播放
`stopVideo` 已调用 `ttsPlayerRef.current?.stop()` 停止播放。后续文字对话中如果 AI 回复触发 TTSTTS 仍可正常播放WebSocket 连接保持)。**无需改动**。
## 5. 不改动的部分
| 模块 | 原因 |
|------|------|
| `useVisionSession.stopSession` | 保持完全 teardown 行为不变 |
| `sendTextMessage` | 已支持自动连接 + 无摄像头发送 |
| `ChatPanel` 组件 | 文字输入框始终显示,无需改动 |
| WebSocket Handler | 服务端无需感知客户端的 video/textOnly 状态 |
| Session Manager | 会话管理不受影响 |
| `useSessionList` | 会话列表管理不受影响 |
## 6. 验证清单
| 场景 | 预期结果 |
|------|---------|
| 视频通话中点击"结束视频" | 摄像头/麦克风关闭,消息保留,可继续打字 |
| 文字对话态输入文字发送 | AI 正常回复无图片TTS 正常播放 |
| 文字对话态点击"重新开始视频" | 摄像头/麦克风重新开启,恢复正常视频通话 |
| 文字对话态点击"结束会话" | 清空消息,断开连接,回到初始态 |
| 文字对话态刷新页面 | 消息从 localStorage 恢复,可继续打字 |
| 文字对话态切换到其他会话 | 当前会话消息保存,加载目标会话消息 |
| 文字对话态 WebSocket 异常断开 | 自动重连,重连后可继续发消息 |

View File

@@ -17,7 +17,7 @@ CamTalk 是一款多模态实时 AI 视觉对话助手。用户通过摄像头
| [09-技术名词解释](09-技术名词解释.md) | 前端/后端/AI 服务/Eino 框架技术名词简明解释 |
| [10-Eino重构方案](10-Eino重构方案.md) | Eino Graph 替换手写 goroutine 管道的设计方案 |
| [11-Eino框架技术文档](11-Eino框架技术文档.md) | Eino 框架在 CamTalk 中的使用指南Graph、Lambda、Callback、State |
| [12-Eino重构实施记录](12-Eino重构实施记录.md) | Eino 重构的四阶段实施记录、代码变更统计、测试覆盖 |
## 推荐阅读顺序
@@ -28,3 +28,4 @@ CamTalk 是一款多模态实时 AI 视觉对话助手。用户通过摄像头
5. **05~07** — 各技术领域的详细设计
6. **09-技术名词解释** — 遇到不熟悉的名词时查阅
7. **10~12** — Eino 重构相关(方案、框架文档、实施记录)