wecom_it_smart_desk/backend/app/services/wingman_service.py

# =============================================================================
# 企微IT智能服务台 — AI Wingman 服务（坐席智能副驾驶）
# =============================================================================
# 说明：复用 Dify 基础设施，使用独立的 Wingman Agent（Agent 2），
#   与员工端 AI（Agent 1）共用知识库但 system prompt 不同。
#
# 核心能力：
#   1. 生成 AI 草稿回复 — 基于对话上下文为坐席生成专业回复
#   2. 生成会话自动摘要 — 结单时自动提取问题/原因/解决方案
#   3. 生成自动标签建议 — 基于对话内容建议标签分类
#
# 降级策略：Wingman Agent 不可用时返回友好错误信息，不抛异常
# =============================================================================

import json
import logging
from typing import Any, Dict, List, Optional

import httpx

from app.config import settings

logger = logging.getLogger(__name__)


class WingmanService:
    """AI Wingman 服务 — 坐席智能副驾驶。

    复用 Dify 基础设施，使用独立的 Wingman Agent（Agent 2），
    与员工端 AI（Agent 1）共用知识库但 system prompt 不同。

    三个核心方法使用不同的 system prompt：
    - 草稿生成：生成坐席可采纳的专业回复
    - 摘要生成：提取结构化的会话摘要
    - 标签建议：建议标签分类和优先级
    """

    # --------------------------------------------------------------------------
    # System Prompt 定义
    # --------------------------------------------------------------------------
    _DRAFT_SYSTEM_PROMPT: str = (
        "你是一个IT服务坐席助手，基于对话上下文为坐席生成专业、准确的回复草稿。"
        "直接输出回复内容，不要解释。"
    )

    _SUMMARY_SYSTEM_PROMPT: str = (
        "你是一个IT服务分析助手，基于完整对话生成结构化摘要，"
        "包含：问题、原因、解决方案。以JSON格式输出。"
        "输出格式：{\"problem\": \"问题描述\", \"cause\": \"原因\", \"solution\": \"解决方案\"}"
    )

    _TAGS_SYSTEM_PROMPT: str = (
        "你是一个IT服务分类助手，基于对话内容建议标签分类。以JSON格式输出。"
        "输出格式：{\"suggested_tags\": [\"标签1\", \"标签2\"], \"category\": \"分类\", \"priority\": \"low/medium/high\"}"
    )

    # --------------------------------------------------------------------------
    # AI 辅助消息框 Prompt（4 个功能，与 PRD v1.0 对齐）
    # --------------------------------------------------------------------------

    _AUTOCOMPLETE_SYSTEM_PROMPT: str = (
        "你是一个IT服务坐席输入助手。根据坐席当前正在输入的内容和对话上下文，补齐下一句话。\n"
        "要求：\n"
        "1. 补齐内容自然衔接当前文字，不要重复已有内容\n"
        "2. 长度控制在1-2个短句，不超过80字\n"
        "3. 语气专业、简洁，符合IT服务规范\n"
        "4. 只返回补齐的文字，不要加引号或其他标记"
    )

    _TONE_ADJUST_SYSTEM_PROMPT: str = (
        "你是一个IT服务话术改写助手。将坐席选中的文字改写为指定风格。\n\n"
        "语气定义：\n"
        "- 专业(professional)：使用准确的技术术语，结构化表达，去除口语化内容\n"
        "- 友好(friendly)：适当增加问候和关心语，语气更亲和\n"
        "- 简洁(concise)：去除冗余，直奔主题，控制字数\n\n"
        "要求：\n"
        "1. 保持原意不变，只调整语气和表达方式\n"
        "2. 改写后的文字长度与原文相近（±30%）\n"
        "3. 符合IT服务坐席的专业规范\n"
        "4. 以JSON格式输出，包含 rewritten_text、tone、changes_summary 三个字段\n"
        "5. changes_summary 简述所做的修改"
    )

    _POLISH_SYSTEM_PROMPT: str = (
        "你是一个IT服务文字精修助手。对坐席输入的文字进行指定操作的处理。\n\n"
        "操作定义：\n"
        "- 扩写(expand)：在原文基础上增加操作步骤、注意事项、解释说明，使回复更完整\n"
        "- 压缩(compress)：精简表达，去除重复和冗余，保留核心信息，控制字数\n"
        "- 纠错(correct)：检查并修正错别字、语法错误、标点符号、格式问题\n\n"
        "要求：\n"
        "1. 保持原意不变\n"
        "2. 以JSON格式输出，包含 polished_text、action、changes_summary 三个字段\n"
        "3. changes_summary 简述所做的修改"
    )

    _REWRITE_SYSTEM_PROMPT: str = (
        "你是一个IT服务智能回复助手。基于对话上下文和知识库，为坐席生成3个不同风格的备选回复。\n\n"
        "版本要求：\n"
        "- 版本1：简洁直接，一句话说明问题和解决方案\n"
        "- 版本2：详细带步骤，包含操作步骤和注意事项\n"
        "- 版本3：带知识库引用，引用相关文档并给出权威解决方案\n\n"
        "要求：\n"
        "1. 3个版本内容不重复，各有侧重\n"
        "2. 每个版本独立成段，用 --- 分隔（三个减号，独占一行）\n"
        "3. 只返回回复内容，不要加额外解释\n\n"
        "输出格式：\n"
        "版本1简洁内容\n---\n版本2详细内容\n---\n版本3知识库引用内容"
    )

    # --------------------------------------------------------------------------
    # 知识建议生成专用 Prompt（Tier0 / T03 — 通道 A/B 复用）
    # --------------------------------------------------------------------------
    _KNOWLEDGE_SUGGESTION_PROMPT: str = (
        "你是一个IT知识库优化助手，基于对话上下文分析知识库的不足，"
        "生成结构化的知识库优化建议。\n\n"
        "分析以下对话，判断是否需要新增FAQ或更新已有知识条目。\n"
        "如果AI回复被标记为无用，生成更新建议；如果AI无法解决需转人工，生成新增FAQ建议。\n\n"
        "必须以JSON格式输出，包含以下字段：\n"
        "- suggestion_type: 建议类型，\"new_faq\" 或 \"update\"\n"
        "- title: 问题标题（简洁明了）\n"
        "- content: 答案内容（分步骤、可操作）\n"
        "- category: 分类，只能是 硬件/软件/网络/安全/账号/其他 之一\n"
        "- tags: 标签列表，如 [\"VPN\", \"连接\"]\n"
        "- confidence: 你对这个建议的信心度，0.0-1.0之间\n"
        "- issue: 对应的Neo4j图问题节点名称，如\"VPN问题\"\n"
        "- action: 对应的Neo4j图动作节点名称，如\"VPN连接修复\"\n"
        "- relation_type: 图关系类型，\"LEADS_TO\" 或 \"RELATES_TO\"\n"
        "- parent_issue: 父问题名称（如果没有则为空字符串）\n\n"
        "输出格式示例：\n"
        "{\"suggestion_type\": \"new_faq\", \"title\": \"VPN连不上怎么办\", "
        "\"content\": \"1.检查网络连接 2.重启VPN客户端 3.联系IT支持\", "
        "\"category\": \"网络\", \"tags\": [\"VPN\", \"连接\"], "
        "\"confidence\": 0.86, \"issue\": \"VPN问题\", "
        "\"action\": \"VPN连接修复\", \"relation_type\": \"LEADS_TO\", "
        "\"parent_issue\": \"网络问题\"}"
    )

    def __init__(self, redis_client=None):
        """初始化 Wingman 服务。

        从配置读取 Wingman Agent 的 API 地址和认证信息。
        独立于 AIService，使用自己的 httpx 客户端。

        Args:
            redis_client: Redis 异步客户端（可选，用于补齐结果缓存）
        """
        # Wingman Agent 专用 API 端点
        self.api_url = settings.dify_wingman_api_url
        # Wingman Agent API Key
        self.api_key = settings.dify_wingman_api_key
        # 请求超时（秒）
        self.timeout = settings.dify_wingman_timeout

        # httpx 异步客户端（复用连接池）
        self._client: Optional[httpx.AsyncClient] = None

        # Redis 客户端（可选，用于补齐结果缓存）
        self._redis = redis_client

    async def _get_client(self) -> httpx.AsyncClient:
        """获取或创建 httpx 异步客户端（懒加载）。

        复用连接池，避免每次请求都创建新连接。

        Returns:
            httpx.AsyncClient: 异步 HTTP 客户端实例
        """
        if self._client is None or self._client.is_closed:
            self._client = httpx.AsyncClient(
                timeout=httpx.Timeout(self.timeout),
                headers={
                    "Authorization": f"Bearer {self.api_key}",
                    "Content-Type": "application/json",
                }
            )
        return self._client

    async def close(self):
        """关闭 httpx 客户端，释放连接池资源。"""
        if self._client and not self._client.is_closed:
            await self._client.aclose()
            self._client = None
            logger.debug("WingmanService httpx client closed")

    # --------------------------------------------------------------------------
    # 核心方法 1：生成 AI 草稿回复
    # --------------------------------------------------------------------------
    async def generate_draft(
        self,
        conversation_id: str,
        messages: List[Dict[str, Any]],
        db: Any = None,
    ) -> Dict[str, Any]:
        """生成 AI 草稿回复。

        传入当前会话的完整消息历史，让 Wingman Agent 基于上下文
        生成坐席可以采纳的草稿回复。

        Args:
            conversation_id: 会话ID
            messages: 会话消息历史列表，每条消息包含 sender_type/content 等
            db: 数据库会话（可选，当前未使用）

        Returns:
            Dict: {
                "content": str,       # 草稿内容
                "confidence": float,  # 置信度（0-1）
                "reasoning": str,     # 生成推理说明
            }
        """
        # 构建对话上下文消息列表
        context_messages = self._build_context_messages(
            messages, self._DRAFT_SYSTEM_PROMPT
        )

        try:
            result = await self._call_wingman_api(context_messages)

            if result is None:
                return {
                    "content": "",
                    "confidence": 0.0,
                    "reasoning": "Wingman 服务暂不可用",
                }

            reply_content = result

            # 基于回复长度和内容质量估算置信度
            confidence = self._estimate_confidence(reply_content)

            return {
                "content": reply_content,
                "confidence": confidence,
                "reasoning": f"基于最近 {len(messages)} 条对话上下文生成",
            }

        except Exception as e:
            logger.error(f"Wingman 草稿生成失败: {e}")
            return {
                "content": "",
                "confidence": 0.0,
                "reasoning": f"AI 服务异常: {str(e)}",
            }

    # --------------------------------------------------------------------------
    # 核心方法 2：生成会话自动摘要
    # --------------------------------------------------------------------------
    async def generate_summary(
        self,
        conversation_id: str,
        messages: List[Dict[str, Any]],
    ) -> Dict[str, Any]:
        """生成会话自动摘要。

        基于完整对话生成结构化摘要，包含问题、原因、解决方案。
        结单时自动调用。

        Args:
            conversation_id: 会话ID
            messages: 会话消息历史列表

        Returns:
            Dict: {
                "problem": str,   # 问题描述
                "cause": str,     # 原因分析
                "solution": str,  # 解决方案
            }
        """
        context_messages = self._build_context_messages(
            messages, self._SUMMARY_SYSTEM_PROMPT
        )

        # 默认摘要（降级时使用）
        default_summary = {
            "problem": "无法自动生成摘要",
            "cause": "",
            "solution": "",
        }

        try:
            result = await self._call_wingman_api(context_messages)

            if result is None:
                return default_summary

            # 尝试解析 JSON 格式的摘要
            parsed = self._parse_json_response(result, default_summary)

            return {
                "problem": parsed.get("problem", default_summary["problem"]),
                "cause": parsed.get("cause", default_summary["cause"]),
                "solution": parsed.get("solution", default_summary["solution"]),
            }

        except Exception as e:
            logger.error(f"Wingman 摘要生成失败: {e}")
            return default_summary

    # --------------------------------------------------------------------------
    # 核心方法 3：生成自动标签建议
    # --------------------------------------------------------------------------
    async def suggest_tags(
        self,
        conversation_id: str,
        messages: List[Dict[str, Any]],
        existing_tags: Dict[str, Any] = None,
    ) -> Dict[str, Any]:
        """生成自动标签建议。

        基于对话内容建议标签分类，包含标签列表、分类和优先级。

        Args:
            conversation_id: 会话ID
            messages: 会话消息历史列表
            existing_tags: 已有标签（可选，用于避免重复建议）

        Returns:
            Dict: {
                "suggested_tags": list[str],  # 建议标签列表
                "category": str,              # 分类
                "priority": str,              # 优先级: low/medium/high
            }
        """
        context_messages = self._build_context_messages(
            messages, self._TAGS_SYSTEM_PROMPT
        )

        # 默认标签建议（降级时使用）
        default_tags = {
            "suggested_tags": [],
            "category": "",
            "priority": "medium",
        }

        try:
            result = await self._call_wingman_api(context_messages)

            if result is None:
                return default_tags

            # 尝试解析 JSON 格式的标签建议
            parsed = self._parse_json_response(result, default_tags)

            return {
                "suggested_tags": parsed.get("suggested_tags", []),
                "category": parsed.get("category", ""),
                "priority": parsed.get("priority", "medium"),
            }

        except Exception as e:
            logger.error(f"Wingman 标签建议失败: {e}")
            return default_tags

    # --------------------------------------------------------------------------
    # AI 辅助消息框：4 个核心方法
    # --------------------------------------------------------------------------

    async def generate_completion(
        self,
        conversation_id: str,
        current_text: str,
        messages: List[Dict[str, Any]],
        max_length: int = 80,
    ) -> Dict[str, Any]:
        """自动补齐。

        根据坐席当前输入和对话上下文，生成下一句的补齐建议。
        使用 Redis 缓存（TTL=30s）减少重复请求。

        Args:
            conversation_id: 会话ID
            current_text: 坐席当前输入的文本
            messages: 会话消息历史列表
            max_length: 补齐建议最大长度（默认 80 字符）

        Returns:
            Dict: {"completion": str, "confidence": float}
        """
        # 1. 检查 Redis 缓存
        cache_key = self._make_cache_key(current_text, conversation_id)
        cached = await self._get_cache(cache_key)
        if cached:
            logger.info(f"自动补齐缓存命中: key={cache_key}")
            return cached

        # 2. 构建上下文消息
        context = self._build_context_messages(
            messages, self._AUTOCOMPLETE_SYSTEM_PROMPT
        )
        context.append({
            "role": "user",
            "content": (
                f"坐席正在输入：{current_text}\n"
                f"请补齐下一句话（不超过{max_length}字）"
            ),
        })

        # 3. 调用 Dify（降低 temperature 提高准确性）
        try:
            result = await self._call_wingman_api(context, temperature=0.2)
            if result is None:
                return {"completion": "", "confidence": 0.0}

            completion = result.strip()
            confidence = self._estimate_confidence(completion)

            response = {"completion": completion, "confidence": confidence}

            # 4. 写入 Redis 缓存（TTL=30s）
            if self._redis:
                await self._set_cache(cache_key, response, ttl=30)

            return response

        except Exception as e:
            logger.error(f"自动补齐失败: {e}")
            return {"completion": "", "confidence": 0.0}

    async def adjust_tone(
        self,
        conversation_id: str,
        selected_text: str,
        full_text: str,
        tone: str,
        messages: List[Dict[str, Any]],
    ) -> Dict[str, Any]:
        """语气调整。

        将坐席选中的文字改写为指定语气风格（专业/友好/简洁）。

        Args:
            conversation_id: 会话ID
            selected_text: 选中的文字
            full_text: 输入框完整内容（供 AI 理解上下文）
            tone: 目标语气：professional/friendly/concise
            messages: 会话消息历史列表

        Returns:
            Dict: {"rewritten_text": str, "tone": str, "changes_summary": str}
        """
        tone_label = {"professional": "专业", "friendly": "友好", "concise": "简洁"}

        context = self._build_context_messages(
            messages, self._TONE_ADJUST_SYSTEM_PROMPT
        )
        context.append({
            "role": "user",
            "content": (
                f"目标语气：{tone_label.get(tone, tone)}\n"
                f"原文：{selected_text}\n"
                f"完整输入框内容（供上下文参考）：{full_text}\n"
                f"请将原文改写为{tone_label.get(tone, tone)}风格。"
            ),
        })

        try:
            result = await self._call_wingman_api(context, temperature=0.3)
            if result is None:
                return {
                    "rewritten_text": "",
                    "tone": tone,
                    "changes_summary": "AI 服务暂不可用",
                }

            parsed = self._parse_json_response(result, {})
            return {
                "rewritten_text": parsed.get("rewritten_text", result.strip()),
                "tone": tone,
                "changes_summary": parsed.get("changes_summary", "已完成语气调整"),
            }

        except Exception as e:
            logger.error(f"语气调整失败: {e}")
            return {
                "rewritten_text": "",
                "tone": tone,
                "changes_summary": "AI 服务暂不可用",
            }

    async def polish_text(
        self,
        conversation_id: str,
        text: str,
        action: str,
        messages: List[Dict[str, Any]],
    ) -> Dict[str, Any]:
        """文字润色。

        对坐席输入的文字进行扩写/压缩/纠错处理。

        Args:
            conversation_id: 会话ID
            text: 待润色文字
            action: 润色操作：expand(扩写)/compress(压缩)/correct(纠错)
            messages: 会话消息历史列表

        Returns:
            Dict: {"polished_text": str, "action": str, "changes_summary": str}
        """
        action_label = {"expand": "扩写", "compress": "压缩", "correct": "纠错"}

        context = self._build_context_messages(
            messages, self._POLISH_SYSTEM_PROMPT
        )
        context.append({
            "role": "user",
            "content": (
                f"操作类型：{action_label.get(action, action)}\n"
                f"原文：{text}\n"
                f"请对原文进行{action_label.get(action, action)}处理。"
            ),
        })

        try:
            result = await self._call_wingman_api(context, temperature=0.3)
            if result is None:
                return {
                    "polished_text": "",
                    "action": action,
                    "changes_summary": "AI 服务暂不可用",
                }

            parsed = self._parse_json_response(result, {})
            return {
                "polished_text": parsed.get("polished_text", result.strip()),
                "action": action,
                "changes_summary": parsed.get("changes_summary", "已完成润色"),
            }

        except Exception as e:
            logger.error(f"文字润色失败: {e}")
            return {
                "polished_text": "",
                "action": action,
                "changes_summary": "AI 服务暂不可用",
            }

    async def rewrite_versions(
        self,
        conversation_id: str,
        current_text: str,
        messages: List[Dict[str, Any]],
        generate_count: int = 3,
        include_knowledge: bool = True,
    ) -> Dict[str, Any]:
        """智能改写。

        基于对话上下文和知识库，生成多个不同风格的备选回复。
        版本1: 简洁直接 / 版本2: 详细带步骤 / 版本3: 带知识库引用。

        Args:
            conversation_id: 会话ID
            current_text: 当前输入文本（可为空）
            messages: 会话消息历史列表
            generate_count: 生成版本数（默认 3）
            include_knowledge: 是否包含知识库引用版本（默认 True）

        Returns:
            Dict: {"versions": [{"text": str, "style": str, "source": str}, ...]}
        """
        context = self._build_context_messages(
            messages, self._REWRITE_SYSTEM_PROMPT
        )

        # 知识库检索（版本3）
        knowledge_snippets = ""
        if include_knowledge:
            query = current_text or " ".join(
                [m.get("content", "") for m in messages[-3:]
            ])
            kb_result = await self._search_knowledge(query)
            if kb_result:
                knowledge_snippets = kb_result
                logger.info(f"改写知识库检索成功: {len(kb_result)} 字符")
            else:
                logger.info("改写知识库检索为空，降级为仅对话上下文")

        user_content = (
            f"当前输入：{current_text or '无（请基于对话上下文生成）'}\n"
        )
        if knowledge_snippets:
            user_content += f"\n知识库参考资料：\n{knowledge_snippets}\n"
        user_content += "\n请生成3个不同风格的备选回复。"

        context.append({"role": "user", "content": user_content})

        try:
            result = await self._call_wingman_api(context, temperature=0.6)
            if result is None:
                return {"versions": []}

            # 按 --- 分割版本
            parts = [p.strip() for p in result.split("\n---\n") if p.strip()]

            style_map = [
                ("简洁直接", "对话上下文"),
                ("详细带步骤", "对话上下文"),
                (
                    "带知识库引用",
                    "RAGFlow知识库" if knowledge_snippets else "对话上下文",
                ),
            ]

            versions = []
            for i, text in enumerate(parts[:generate_count]):
                if i < len(style_map):
                    style, source = style_map[i]
                else:
                    style, source = f"版本{i+1}", "对话上下文"
                versions.append({"text": text, "style": style, "source": source})

            return {"versions": versions}

        except Exception as e:
            logger.error(f"智能改写失败: {e}")
            return {"versions": []}

    # --------------------------------------------------------------------------
    # 核心方法 4：生成知识库优化建议（Tier0 / T03 — 复用现有范式）
    # --------------------------------------------------------------------------
    async def generate_knowledge_suggestion(
        self,
        context_messages: List[Dict[str, Any]],
    ) -> Dict[str, Any]:
        """生成知识库优化建议（用于知识库自动迭代）。

        传入对话上下文，让 Wingman Agent 分析并生成结构化的知识库优化建议。
        复用 _build_context_messages + _call_wingman_api + _parse_json_response 范式。

        Args:
            context_messages: 对话消息历史列表

        Returns:
            Dict: {
                "suggestion_type": str,   # "new_faq" / "update"
                "title": str,             # 问题标题
                "content": str,           # 答案内容
                "category": str,          # 分类
                "tags": list[str],        # 标签列表
                "confidence": float,      # 置信度（0.0-1.0）
                "issue": str,             # 图节点：问题名称
                "action": str,            # 图节点：动作名称
                "relation_type": str,     # 图关系类型
                "parent_issue": str,      # 父 Issue 名称
            }
        """
        # 构建对话上下文消息列表（使用知识建议专用 Prompt）
        context = self._build_context_messages(
            context_messages, self._KNOWLEDGE_SUGGESTION_PROMPT
        )

        # 默认建议（降级时使用）
        default_suggestion: Dict[str, Any] = {
            "suggestion_type": "new_faq",
            "title": "",
            "content": "",
            "category": "其他",
            "tags": [],
            "confidence": 0.0,
            "issue": "",
            "action": "",
            "relation_type": "LEADS_TO",
            "parent_issue": "",
        }

        try:
            result = await self._call_wingman_api(context)

            if result is None:
                logger.warning("Wingman 知识建议生成失败（API 返回 None）")
                return default_suggestion

            # 尝试解析 JSON 格式的建议
            parsed = self._parse_json_response(result, default_suggestion)

            # 规范化字段
            suggestion: Dict[str, Any] = {
                "suggestion_type": parsed.get(
                    "suggestion_type", default_suggestion["suggestion_type"]
                ),
                "title": parsed.get("title", default_suggestion["title"]),
                "content": parsed.get("content", default_suggestion["content"]),
                "category": parsed.get("category", default_suggestion["category"]),
                "tags": parsed.get("tags", default_suggestion["tags"]),
                "confidence": float(parsed.get("confidence", 0.0)),
                "issue": parsed.get("issue", default_suggestion["issue"]),
                "action": parsed.get("action", default_suggestion["action"]),
                "relation_type": parsed.get(
                    "relation_type", default_suggestion["relation_type"]
                ),
                "parent_issue": parsed.get(
                    "parent_issue", default_suggestion["parent_issue"]
                ),
            }

            # 如果 Dify 未返回 confidence，使用启发式估算
            if suggestion["confidence"] == 0.0:
                suggestion["confidence"] = self._estimate_confidence(
                    suggestion["content"]
                )

            logger.info(
                f"知识建议生成完成: type={suggestion['suggestion_type']}, "
                f"title={suggestion['title'][:50]}, "
                f"confidence={suggestion['confidence']}"
            )
            return suggestion

        except Exception as e:
            logger.error(f"Wingman 知识建议生成异常: {e}")
            return default_suggestion

    # --------------------------------------------------------------------------
    # 内部方法
    # --------------------------------------------------------------------------

    def _build_context_messages(
        self,
        messages: List[Dict[str, Any]],
        system_prompt: str,
    ) -> List[Dict[str, str]]:
        """构建发送给 Wingman Agent 的消息列表。

        将数据库中的消息历史转换为 OpenAI Chat Completions 格式的
        messages 列表，包含 system prompt 和对话上下文。

        Args:
            messages: 数据库消息列表
            system_prompt: 当前场景的 system prompt

        Returns:
            List[Dict]: OpenAI 格式的消息列表
        """
        # 构建上下文消息列表
        context: List[Dict[str, str]] = [
            {"role": "system", "content": system_prompt}
        ]

        # 角色映射：数据库 sender_type → OpenAI role
        role_map = {
            "employee": "user",    # 员工消息 → user
            "agent": "assistant",  # 坐席消息 → assistant
            "ai": "assistant",     # AI消息 → assistant
            "system": "system",    # 系统消息 → system
        }

        for msg in messages:
            role = role_map.get(msg.get("sender_type", ""), "user")
            content = msg.get("content", "")
            if content:
                # 跳过系统消息（已有 system prompt）
                if msg.get("sender_type") == "system":
                    continue
                context.append({"role": role, "content": content})

        return context

    async def _call_wingman_api(
        self,
        context_messages: List[Dict[str, str]],
        temperature: float = 0.3,
    ) -> Optional[str]:
        """调用 Wingman Agent API（非流式）。

        Args:
            context_messages: OpenAI 格式的消息列表
            temperature: 温度参数（0-1），默认 0.3。不同功能使用不同值：
                        补齐 0.2 / 语气调整 0.3 / 润色 0.3 / 改写 0.6

        Returns:
            Optional[str]: AI 回复内容，失败时返回 None
        """
        payload = {
            "model": "Chat",
            "messages": context_messages,
            "stream": False,
            "temperature": temperature,  # 参数化温度，保持向后兼容（默认 0.3）
        }

        try:
            client = await self._get_client()
            logger.info(f"调用 Wingman API: messages_count={len(context_messages)}")
            response = await client.post(self.api_url, json=payload)
            response.raise_for_status()
            data = response.json()

            # 解析 OpenAI 兼容格式的返回
            choices = data.get("choices", [])
            if not choices:
                logger.warning("Wingman API 返回空 choices")
                return None

            reply_content = choices[0]["message"]["content"]
            logger.info(f"Wingman API 返回: content_length={len(reply_content)}")

            return reply_content

        except httpx.TimeoutException:
            logger.error("Wingman API 超时")
            return None
        except httpx.HTTPStatusError as e:
            logger.error(f"Wingman API HTTP 错误: status={e.response.status_code}")
            return None
        except Exception as e:
            logger.error(f"Wingman API 调用失败: {e}")
            return None

    def _parse_json_response(
        self,
        content: str,
        default: Dict[str, Any],
    ) -> Dict[str, Any]:
        """解析 AI 返回的 JSON 内容。

        Wingman Agent 可能返回带 markdown 代码块的 JSON，
        也可能返回纯 JSON。此方法尝试多种解析方式。

        Args:
            content: AI 返回的原始文本
            default: 解析失败时的默认值

        Returns:
            Dict: 解析后的字典，失败时返回默认值
        """
        if not content:
            return default

        # 尝试 1：直接解析
        try:
            return json.loads(content)
        except json.JSONDecodeError:
            pass

        # 尝试 2：提取 markdown 代码块中的 JSON
        # AI 可能返回 ```json ... ``` 格式
        import re
        json_match = re.search(r'```(?:json)?\s*\n?(.*?)\n?```', content, re.DOTALL)
        if json_match:
            try:
                return json.loads(json_match.group(1).strip())
            except json.JSONDecodeError:
                pass

        # 尝试 3：查找第一个 { 到最后一个 } 之间的内容
        start = content.find('{')
        end = content.rfind('}')
        if start != -1 and end != -1 and end > start:
            try:
                return json.loads(content[start:end + 1])
            except json.JSONDecodeError:
                pass

        logger.warning(f"Wingman JSON 解析失败，使用默认值: {content[:200]}")
        return default

    def _estimate_confidence(self, content: str) -> float:
        """估算 AI 草稿回复的置信度。

        基于回复长度和内容特征估算一个粗略的置信度值。
        - 回复过短（< 10 字符）：低置信度
        - 回复包含不确定措辞：降低置信度
        - 回复长度适中、内容具体：高置信度

        Args:
            content: AI 回复内容

        Returns:
            float: 置信度（0.0 - 1.0）
        """
        if not content or len(content.strip()) < 5:
            return 0.2

        confidence = 0.8  # 基础置信度

        # 回复过短降低置信度
        if len(content) < 10:
            confidence -= 0.3
        elif len(content) < 30:
            confidence -= 0.1

        # 包含不确定措辞降低置信度
        uncertain_phrases = ["可能", "大概", "也许", "不确定", "建议您"]
        for phrase in uncertain_phrases:
            if phrase in content:
                confidence -= 0.05

        # 包含具体步骤或链接提高置信度
        confident_phrases = ["步骤", "请按以下", "点击", "打开", "http"]
        for phrase in confident_phrases:
            if phrase in content:
                confidence += 0.05

        # 限制在 0.0 - 1.0 范围内
        return max(0.0, min(1.0, confidence))

    # --------------------------------------------------------------------------
    # AI 辅助消息框：私有辅助方法
    # --------------------------------------------------------------------------

    def _make_cache_key(self, text: str, conversation_id: str) -> str:
        """生成 Redis 缓存 key。

        格式: wingman:autocomplete:{md5(text + conversation_id)}
        对输入文本 + 会话ID 做 MD5 哈希，避免 key 过长。

        Args:
            text: 输入文本
            conversation_id: 会话ID

        Returns:
            str: Redis 缓存 key
        """
        import hashlib
        raw = f"{text}:{conversation_id}"
        digest = hashlib.md5(raw.encode()).hexdigest()
        return f"wingman:autocomplete:{digest}"

    async def _get_cache(self, key: str) -> Optional[Dict[str, Any]]:
        """读取 Redis 缓存。

        Redis 不可用时返回 None（降级），不阻塞主流程。

        Args:
            key: 缓存 key

        Returns:
            Optional[Dict]: 缓存的补齐结果，不存在或失败时返回 None
        """
        if self._redis is None:
            return None
        try:
            data = await self._redis.get(key)
            if data:
                return json.loads(data)
        except Exception as e:
            logger.warning(f"Redis 缓存读取失败: {e}")
        return None

    async def _set_cache(
        self, key: str, value: Dict[str, Any], ttl: int = 30
    ) -> None:
        """写入 Redis 缓存。

        Redis 不可用时静默跳过（降级），不阻塞主流程。

        Args:
            key: 缓存 key
            value: 缓存值（会序列化为 JSON）
            ttl: 过期时间（秒），默认 30 秒
        """
        if self._redis is None:
            return
        try:
            await self._redis.setex(
                key, ttl, json.dumps(value, ensure_ascii=False)
            )
        except Exception as e:
            logger.warning(f"Redis 缓存写入失败: {e}")

    async def _search_knowledge(self, query: str) -> Optional[str]:
        """调用 RAGFlow 检索知识库。

        用于改写版本3，从知识库获取参考资料。
        检索失败时返回 None（降级），不影响其他版本生成。

        Args:
            query: 检索查询（基于对话上下文）

        Returns:
            Optional[str]: 合并后的知识片段文本，失败或无结果时返回 None
        """
        try:
            from app.integrations.factory import build_ragflow_client

            client = await build_ragflow_client()
            if client is None:
                logger.warning("RAGFlow 客户端不可用")
                return None

            # 使用默认知识库检索（不指定 dataset_ids 则使用全局）
            result = await client.retrieval(
                question=query,
                similarity_threshold=0.2,
                top_k=3,
            )

            if result and result.chunks:
                snippets = "\n\n".join([
                    f"[{c.document_keyword or '未知文档'}] {c.content[:500]}"
                    for c in result.chunks[:3]
                ])
                return snippets

        except Exception as e:
            logger.error(f"RAGFlow 检索失败: {e}")

        return None