fix: 优化LLMRequest类，初始化请求处理器并简化任务映射逻辑

src/llm_models/utils_model.py

@@ -1,11 +1,10 @@
 import re
 from datetime import datetime
-from typing import Tuple, Union, Dict, Any
+from typing import Tuple, Union
 from src.common.logger import get_logger
 import base64
 from PIL import Image
 import io
-import copy  # 添加copy模块用于深拷贝
 from src.common.database.database import db  # 确保 db 被导入用于 create_tables
 from src.common.database.database_model import LLMUsage  # 导入 LLMUsage 模型
 from src.config.config import global_config
@@ -135,6 +134,9 @@ class LLMRequest:
         # 确定使用哪个任务配置
         task_name = self._determine_task_name(model)
         
+        # 初始化 request_handler
+        self.request_handler = None
+        
         # 尝试初始化新架构
         if NEW_ARCHITECTURE_AVAILABLE and ModelManager_class is not None:
             try:
@@ -231,12 +233,7 @@ class LLMRequest:
             return "speech"
         else:
             # 根据request_type确定，映射到配置文件中定义的任务
-            if self.request_type in ["memory", "emotion"]:
-                return "llm_normal"  # 映射到配置中的llm_normal任务
-            elif self.request_type in ["reasoning"]:
-                return "llm_reasoning"  # 映射到配置中的llm_reasoning任务
-            else:
-                return "llm_normal"  # 默认使用llm_normal任务
+            return "llm_reasoning" if self.request_type == "reasoning" else "llm_normal"
 
     @staticmethod
     def _init_database():
@@ -254,7 +251,7 @@ class LLMRequest:
         completion_tokens: int,
         total_tokens: int,
         user_id: str = "system",
-        request_type: str = None,
+        request_type: str | None = None,
         endpoint: str = "/chat/completions",
     ):
         """记录模型使用情况到数据库
@@ -314,10 +311,7 @@ class LLMRequest:
         """CoT思维链提取"""
         match = re.search(r"(?:<think>)?(.*?)</think>", content, re.DOTALL)
         content = re.sub(r"(?:<think>)?.*?</think>", "", content, flags=re.DOTALL, count=1).strip()
-        if match:
-            reasoning = match.group(1).strip()
-        else:
-            reasoning = ""
+        reasoning = match.group(1).strip() if match else ""
         return content, reasoning
 
     # === 主要API方法 ===
@@ -333,6 +327,11 @@ class LLMRequest:
                 f"模型 {self.model_name} 无法使用新架构，请检查 config/model_config.toml 中的 API 配置。"
             )
         
+        if self.request_handler is None:
+            raise RuntimeError(
+                f"模型 {self.model_name} 请求处理器未初始化，无法处理图片请求"
+            )
+        
         if MessageBuilder is None:
             raise RuntimeError("MessageBuilder不可用，请检查新架构配置")
             
@@ -346,7 +345,7 @@ class LLMRequest:
             messages = [message_builder.build()]
             
             # 使用新架构发送请求（只传递支持的参数）
-            response = await self.request_handler.get_response(
+            response = await self.request_handler.get_response(  # type: ignore
                 messages=messages,
                 tool_options=None,
                 response_format=None
@@ -401,20 +400,22 @@ class LLMRequest:
                 f"模型 {self.model_name} 无法使用新架构，请检查 config/model_config.toml 中的 API 配置。"
             )
             
+        if self.request_handler is None:
+            raise RuntimeError(
+                f"模型 {self.model_name} 请求处理器未初始化，无法处理语音请求"
+            )
+            
         try:
             # 构建语音识别请求参数
             # 注意：新架构中的语音识别可能使用不同的方法
             # 这里先使用get_response方法，可能需要根据实际API调整
-            response = await self.request_handler.get_response(
+            response = await self.request_handler.get_response(  # type: ignore
                 messages=[],  # 语音识别可能不需要消息
                 tool_options=None
             )
             
             # 新架构返回的是 APIResponse 对象，直接提取文本内容
-            if response.content:
-                return response.content
-            else:
-                return ""
+            return (response.content,) if response.content else ("",)
             
         except Exception as e:
             logger.error(f"模型 {self.model_name} 语音识别失败: {str(e)}")
@@ -438,6 +439,11 @@ class LLMRequest:
                 f"模型 {self.model_name} 无法使用新架构，请检查 config/model_config.toml 中的 API 配置。"
             )
         
+        if self.request_handler is None:
+            raise RuntimeError(
+                f"模型 {self.model_name} 请求处理器未初始化，无法生成响应"
+            )
+        
         if MessageBuilder is None:
             raise RuntimeError("MessageBuilder不可用，请检查新架构配置")
         
@@ -448,7 +454,7 @@ class LLMRequest:
             messages = [message_builder.build()]
             
             # 使用新架构发送请求（只传递支持的参数）
-            response = await self.request_handler.get_response(
+            response = await self.request_handler.get_response(  # type: ignore
                 messages=messages,
                 tool_options=None,
                 response_format=None
@@ -504,7 +510,7 @@ class LLMRequest:
         Returns:
             list: embedding向量，如果失败则返回None
         """
-        if len(text) < 1:
+        if not text:
             logger.debug("该消息没有长度，不再发送获取embedding向量的请求")
             return None
 
@@ -512,10 +518,14 @@ class LLMRequest:
             logger.warning(f"模型 {self.model_name} 无法使用新架构，embedding请求将被跳过")
             return None
 
+        if self.request_handler is None:
+            logger.warning(f"模型 {self.model_name} 请求处理器未初始化，embedding请求将被跳过")
+            return None
+
         try:
             # 构建embedding请求参数
             # 使用新架构的get_embedding方法
-            response = await self.request_handler.get_embedding(text)
+            response = await self.request_handler.get_embedding(text)  # type: ignore
             
             # 新架构返回的是 APIResponse 对象，直接提取embedding
             if response.embedding:
@@ -551,7 +561,7 @@ class LLMRequest:
                 return None
 
 
-def compress_base64_image_by_scale(base64_data: str, target_size: int = 0.8 * 1024 * 1024) -> str:
+def compress_base64_image_by_scale(base64_data: str, target_size: int = int(0.8 * 1024 * 1024)) -> str:
     """压缩base64格式的图片到指定大小
     Args:
         base64_data: base64编码的图片数据
@@ -589,7 +599,8 @@ def compress_base64_image_by_scale(base64_data: str, target_size: int = 0.8 * 10
         # 如果是GIF，处理所有帧
         if getattr(img, "is_animated", False):
             frames = []
-            for frame_idx in range(img.n_frames):
+            n_frames = getattr(img, 'n_frames', 1)
+            for frame_idx in range(n_frames):
                 img.seek(frame_idx)
                 new_frame = img.copy()
                 new_frame = new_frame.resize((new_width // 2, new_height // 2), Image.Resampling.LANCZOS)  # 动图折上折