handleToolUse 处理工具调用：使用 ReAct Agent 进行推理和工具调用

hybridSearch 混合检索：并发执行向量检索和关键词检索，然后融合排序

插入向量数据 @param ids 文档 ID 列表 @param vectors 向量数据列表 @param contents 原始文本列表 @return 插入数量

keywordSearch 关键词全文检索

BM25 关键词检索（需先 register_keyword_documents）。

获取列表范围

log 输出日志（如果 logger 已设置）

解析上传文件，提取文本内容 @param file 上传的文件 @return 提取的文本内容

parseText 解析纯文本

执行 RAG 检索，获取相关上下文

根据用户目标生成子任务列表。

识别用户意图 @param userInput 用户输入 @return 意图识别结果

记录请求成功

执行 ReAct 循环。 context 可包含： - tool_names: 允许使用的工具名列表 - session_id: 会话 ID（覆盖实例默认值） - trace_callback: 可选 async 回

保存用户消息

向量相似度搜索 @param queryVector 查询向量 @param topK 返回结果数量 @return 搜索结果

selectClient 根据模型名称选择客户端

根据条件选择模型

设置字符串值与 TTL（秒）。

开始一个新的追踪

开始新的根 Span（同 trace_id 下若已有记录则追加 Span）。

vectorSearch 向量相似度检索

向量语义检索。

Chat 发送同步对话请求

ChatStream 发送对话请求并以流式方式返回响应。 调用方通过 channel 接收每个响应块，channel 关闭表示流结束。

Close 关闭 Redis 连接

Close 关闭 Milvus 客户端连接

Description 返回工具的功能描述（会被发送给 LLM 以辅助决策）

Execute 根据工具名称路由并执行工具调用。 自动添加超时控制，记录执行耗时。

Generate 基于检索到的文档和用户问题生成答案

Get 获取缓存值

List 返回所有已注册工具的名称列表

LoadContext 加载指定会话的对话上下文。 返回短期记忆中的最近 N 条记录，转换为 LLM 消息格式。

NewPlannerAgent 创建规划 Agent

NewReActAgent 创建 ReAct Agent

NewReflectionAgent 创建反思 Agent

Parameters 返回工具的参数 JSON Schema 定义

Parse 将原始文档内容解析为结构化格式

ProcessDocument 处理单个文档：解析 → 分块 → 向量化 → 入库

Recognize 分析用户输入并返回意图识别结果。 使用 LLM 进行意图分类，并提取关键实体信息。

Reflect 对初始回答进行反思并改进。 返回改进后的回答，如果无需改进则返回空字符串。

Rerank 对检索结果进行重排序。 将查询和所有候选文档一起发送给 LLM，由 LLM 评估相关性并重新排序。

Retrieve 执行检索，默认使用混合检索模式

RetrieveWithMode 使用指定模式执行检索

Run 执行 ReAct 推理循环。 核心流程：Thought → Action → Observation → ... → Final Answer

Set 设置缓存值，ttl 为 0 表示永不过期

State 返回熔断器的当前状态

TraceID 从 Context 中提取 TraceID 字符串

构造 chat messages（OpenAI 风格）。

根据配置构造模型路由器。

按空行分段，再合并到目标长度。

递归按分隔符切分，过长片段继续细分或退回固定窗口。

当消息数超过窗口或总 token 过大时，自动摘要压缩。

估算 token 数。

从回答中解析 [n] 引用并映射到 RetrievalResult。

懒加载 CrossEncoder。

从 LLM 返回对象中提取文本。

从模型输出解析 Thought / Action / Action Input / Final Answer。 解析失败时返回原始片段，由上层决定是否重试或报错。

记录失败：更新计数与时间戳，必要时打开熔断。

记录成功：关闭熔断并清零失败计数。

倒数排名融合（RRF），按 id 合并多路结果。

返回 (根意图, 子意图, 置信度, 理由)。

同步 Milvus 查询并封装为 RetrievalResult。

按优先级分组，在同优先级内按权重随机排序，形成候选列表。

Open 状态下是否已过恢复窗口，可进入 Half-Open 试探。

是否应因失败次数达到阈值而跳闸（打开）。

SSE 风格流：每行 data: {json}\\n\\n。

调用 LLM 生成摘要。

工具列表描述（若注册表无描述则仅列名）。

添加文档并更新统计量。

追加一条消息并视需要触发压缩。

判断当前是否允许请求通过

触发长期记忆归档 <p> 当对话轮次超过阈值时，通过 LLM 生成摘要并存入向量数据库

buildToolsDescription 构建工具描述文本，嵌入到系统 Prompt 中

构造单轮用户侧提示（含工具说明与历史轨迹）。

通过熔断器异步调用函数。

智能路由到合适模型；失败时按候选顺序自动降级。