refactor(schedule): 重构月度计划生成器以增强稳定性和可维护性

将计划生成逻辑重构为使用统一的 `LLMRequest` 类，以简化模型调用流程。此更改消除了原有的手动选择模型、构建客户端和处理响应的复杂逻辑。

引入了 Pydantic 模型 `PlanResponse` 对 LLM 的 JSON 输出进行严格的验证和解析，并集成了 `json_repair` 库来自动修复格式错误的 JSON。这些措施显著提高了计划生成功能的健壮性和对 LLM 异常输出的容错能力。

src/schedule/plan_generator.py

@@ -1,16 +1,22 @@
 # mmc/src/schedule/plan_generator.py
 
 import json
-import random
 from typing import List
+from pydantic import BaseModel, ValidationError
+from json_repair import repair_json
+
 from src.config.config import global_config, model_config
-from src.llm_models.model_client.base_client import client_registry
-from src.llm_models.payload_content.message import Message, RoleType
-from src.llm_models.payload_content.resp_format import RespFormat, RespFormatType
+from src.llm_models.utils_model import LLMRequest
 from src.common.logger import get_logger
 
 logger = get_logger("plan_generator")
 
+class PlanResponse(BaseModel):
+    """
+    用于验证月度计划LLM响应的Pydantic模型。
+    """
+    plans: List[str]
+
 class PlanGenerator:
     """
     负责生成月度计划。
@@ -18,6 +24,8 @@ class PlanGenerator:
 
     def __init__(self):
         self.bot_personality = self._get_bot_personality()
+        task_config = model_config.model_task_config.get_task("monthly_plan_generator")
+        self.llm_request = LLMRequest(model_set=task_config, request_type="monthly_plan_generator")
 
     def _get_bot_personality(self) -> str:
         """
@@ -61,56 +69,46 @@ class PlanGenerator:
         :return: 生成的计划文本列表
         """
         try:
-            # 1. 获取模型任务配置
-            task_config = model_config.model_task_config.get_task("monthly_plan_generator")
-            
-            # 2. 随机选择一个模型
-            model_name = random.choice(task_config.model_list)
-            model_info = model_config.get_model_info(model_name)
-            api_provider = model_config.get_provider(model_info.api_provider)
-            
-            # 3. 获取客户端实例
-            llm_client = client_registry.get_client_class_instance(api_provider)
-            
-            # 4. 构建Prompt和消息体
+            # 1. 构建Prompt
             prompt = self._build_prompt(year, month, count)
-            message_list = [Message(role=RoleType.User, content=prompt)]
+            logger.info(f"正在为 {year}-{month} 生成 {count} 个月度计划...")
+
+            # 2. 调用LLM
+            llm_content, (reasoning, model_name, _) = await self.llm_request.generate_response_async(prompt=prompt)
             
-            logger.info(f"正在使用模型 '{model_name}' 为 {year}-{month} 生成 {count} 个月度计划...")
-            
-            # 5. 调用LLM
-            response = await llm_client.get_response(
-                model_info=model_info,
-                message_list=message_list,
-                temperature=task_config.temperature,
-                max_tokens=task_config.max_tokens,
-                response_format=RespFormat(format_type=RespFormatType.JSON_OBJ) # 请求JSON输出
-            )
-            
-            if not response or not response.content:
+            logger.info(f"使用模型 '{model_name}' 生成完成。")
+            if reasoning:
+                logger.debug(f"模型推理过程: {reasoning}")
+
+            if not llm_content:
                 logger.error("LLM未能返回有效的计划内容。")
                 return []
 
-            # 6. 解析LLM返回的JSON
+            # 3. 解析并验证LLM返回的JSON
             try:
                 # 移除可能的Markdown代码块标记
-                clean_content = response.content.strip()
+                clean_content = llm_content.strip()
                 if clean_content.startswith("```json"):
                     clean_content = clean_content[7:]
                 if clean_content.endswith("```"):
                     clean_content = clean_content[:-3]
-
-                data = json.loads(clean_content.strip())
-                plans = data.get("plans", [])
                 
-                if isinstance(plans, list) and all(isinstance(p, str) for p in plans):
-                    logger.info(f"成功生成并解析了 {len(plans)} 个月度计划。")
-                    return plans
-                else:
-                    logger.error(f"LLM返回的JSON格式不正确或'plans'键不是字符串列表: {response.content}")
-                    return []
+                # 修复并解析JSON
+                repaired_json_str = repair_json(clean_content)
+                data = json.loads(repaired_json_str)
+
+                # 使用Pydantic进行验证
+                validated_response = PlanResponse.model_validate(data)
+                plans = validated_response.plans
+                
+                logger.info(f"成功生成并验证了 {len(plans)} 个月度计划。")
+                return plans
+
             except json.JSONDecodeError:
-                logger.error(f"无法解析LLM返回的JSON: {response.content}")
+                logger.error(f"修复后仍然无法解析LLM返回的JSON: {llm_content}")
+                return []
+            except ValidationError as e:
+                logger.error(f"LLM返回的JSON格式不符合预期: {e}\n原始响应: {llm_content}")
                 return []
 
         except Exception as e: