feat: 支持多种 LLM 提供商 (云端 API + 本地 Ollama)

新增功能:
- 支持云端 API: DeepSeek, OpenAI, Qwen
- 支持本地 Ollama: llama3:8b, nomic-embed-text
- 统一 LLM 客户端，自动切换提供商

配置方式:
- LLM_PROVIDER=deepseek (云端, 推荐)
- LLM_PROVIDER=openai (云端)
- LLM_PROVIDER=qwen (阿里云)
- LLM_PROVIDER=ollama (本地)

优势:
- 云端 API: 电脑不发热，响应速度快
- 本地 Ollama: 完全免费，数据隐私

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

backend/.env.example

@@ -3,10 +3,36 @@ DATABASE_URL=sqlite+aiosqlite:///./neural_sync.db
 # For PostgreSQL with pgvector:
 # DATABASE_URL=postgresql+asyncpg://postgres:postgres@localhost:5435/neural_sync
 
-# Ollama LLM Service (default: http://127.0.0.1:11434)
+# ========================================
-OLLAMA_HOST=http://127.0.0.1:11434
+# LLM Provider Configuration
+# ========================================
+# 选择 LLM 提供商: ollama, deepseek, openai, qwen
+# - ollama: 本地运行 (免费，但占用 CPU/内存)
+# - deepseek: 云端 API (便宜，¥1/百万 tokens)
+# - openai: 云端 API (GPT-4，较贵)
+# - qwen: 阿里云通义千问 (便宜，国内稳定)
+LLM_PROVIDER=deepseek
 
-# Multi-Model Voting Configuration
+# --- DeepSeek 配置 (推荐，便宜好用) ---
+DEEPSEEK_API_KEY=your_deepseek_api_key_here
+DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
+
+# --- OpenAI 配置 ---
+OPENAI_API_KEY=your_openai_api_key_here
+OPENAI_BASE_URL=https://api.openai.com/v1
+
+# --- Qwen 配置 ---
+QWEN_API_KEY=your_qwen_api_key_here
+QWEN_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
+
+# --- Ollama 本地配置 ---
+OLLAMA_HOST=http://127.0.0.1:11434
+OLLAMA_CHAT_MODEL=llama3:8b
+OLLAMA_EMBEDDING_MODEL=nomic-embed-text
+
+# ========================================
+
+# Multi-Model Voting Configuration (仅 Ollama 支持)
 # For high-impact signals (impact_score >= VOTING_THRESHOLD), multiple models will vote
 # Available models: llama3, llama3.2, qwen2.5, mistral, deepseek-coder, etc.
 VOTING_MODELS=llama3,qwen2.5,mistral

backend/app/services/llm.py

@@ -5,11 +5,29 @@ import os
 import json
 from concurrent.futures import ThreadPoolExecutor, as_completed
 
+# 导入统一 LLM 客户端
+try:
+    from .llm_client import llm_client as unified_llm
+    USE_UNIFIED_CLIENT = True
+except ImportError:
+    USE_UNIFIED_CLIENT = False
+
 class LLMService:
     def __init__(self, host: str = "http://127.0.0.1:11434"):
         self.host = host.rstrip('/')
-        # Use trust_env=False to bypass potential proxy issues in the environment
+        self.provider = os.getenv("LLM_PROVIDER", "ollama").lower()
-        self.client = httpx.Client(base_url=self.host, timeout=300.0, trust_env=False)
+
+        # 使用统一 LLM 客户端（如果可用且不是 ollama）
+        if USE_UNIFIED_CLIENT and self.provider != "ollama":
+            self.unified_client = unified_llm
+            self.use_unified = True
+            print(f"[LLM] 使用云端 API 提供商: {self.provider}")
+        else:
+            self.unified_client = None
+            self.use_unified = False
+            # Use trust_env=False to bypass potential proxy issues in the environment
+            self.client = httpx.Client(base_url=self.host, timeout=300.0, trust_env=False)
+            print(f"[LLM] 使用本地 Ollama")
         # Business context for strategic analysis
         self.business_context = os.getenv(
             "BUSINESS_CONTEXT",
@@ -29,7 +47,7 @@ class LLMService:
         
     def generate_impact_analysis(self, signal_content: str) -> float:
         """
-        Uses Ollama (DeepSeek/Llama3) to analyze the impact of a signal.
+        Uses LLM to analyze the impact of a signal.
         Returns a score between 0.0 and 1.0.
         """
         prompt = f"""
@@ -48,19 +66,22 @@ class LLMService:
         """
 
         try:
-            # Try using a lightweight model first for speed
+            if self.use_unified:
-            response = self.client.post("/api/generate", json={
+                # 使用云端 API
-                "model": "llama3",
+                response_text = self.unified_client.generate(prompt)
-                "prompt": prompt,
+                score_text = response_text.strip()
-                "stream": False
+            else:
-            })
+                # 使用本地 Ollama
-            
+                response = self.client.post("/api/generate", json={
-            if response.status_code != 200:
+                    "model": "llama3",
-                print(f"LLM Error: {response.status_code} {response.text}")
+                    "prompt": prompt,
-                return 0.5
+                    "stream": False
-                
+                })
-            data = response.json()
+                if response.status_code != 200:
-            score_text = data.get('response', '').strip()
+                    print(f"LLM Error: {response.status_code} {response.text}")
+                    return 0.5
+                data = response.json()
+                score_text = data.get('response', '').strip()
 
             # Extract float from response
             match = re.search(r"0\.\d+|1\.0", score_text)
@@ -74,19 +95,22 @@ class LLMService:
 
     def get_embedding(self, text: str) -> List[float]:
         """
-        Generates vector embedding for text using Ollama.
+        Generates vector embedding for text.
         """
         try:
-            response = self.client.post("/api/embeddings", json={
+            if self.use_unified:
-                "model": "nomic-embed-text",
+                # 使用云端 API
-                "prompt": text
+                return self.unified_client.get_embedding(text)
-            })
+            else:
-
+                # 使用本地 Ollama
-            if response.status_code != 200:
+                response = self.client.post("/api/embeddings", json={
-                print(f"Embedding Error: {response.status_code} {response.text}")
+                    "model": "nomic-embed-text",
-                return []
+                    "prompt": text
-
+                })
-            return response.json().get('embedding', [])
+                if response.status_code != 200:
+                    print(f"Embedding Error: {response.status_code} {response.text}")
+                    return []
+                return response.json().get('embedding', [])
         except Exception as e:
             print(f"Embedding Generation Failed: {e}")
             return []
@@ -387,8 +411,8 @@ class LLMService:
         """
         Evaluate strategic impact with multi-model voting for high-impact signals.
 
-        For signals with impact_score >= voting_threshold, uses multiple models
+        云端 API 模式：跳过多模型投票，直接调用一次
-        and aggregates results using majority voting for is_strategic decision.
+        本地 Ollama 模式：对于高影响信号使用多模型投票
 
         Args:
             signal_content: The external signal to evaluate
@@ -434,6 +458,26 @@ class LLMService:
 
         prompt = self._build_strategic_prompt(signal_content, relevant_context)
 
+        # 云端 API 模式：直接调用一次，跳过多模型投票
+        if self.use_unified:
+            print(f"[LLM] 使用云端 API ({self.provider}) 进行战略分析")
+            try:
+                result_data = self.unified_client.generate_json(prompt)
+                result_data.setdefault("detected_tech_stacks", [])
+                result_data.setdefault("related_knowledge_nodes", [])
+                result_data.setdefault("tasks", [])
+                return result_data
+            except Exception as e:
+                print(f"[LLM] 云端 API 调用失败: {e}")
+                return {
+                    "is_strategic": False,
+                    "confidence": 0.0,
+                    "detected_tech_stacks": [],
+                    "related_knowledge_nodes": [],
+                    "tasks": []
+                }
+
+        # 本地 Ollama 模式：使用多模型投票
         # Low impact signals: use default model only
         if impact_score < self.voting_threshold:
             return self._evaluate_with_model("llama3", prompt)

backend/app/services/llm_client.py

@@ -0,0 +1,174 @@
+"""
+统一 LLM 客户端 - 支持多种提供商
+
+支持的提供商:
+- ollama: 本地运行 (免费，但占用 CPU/内存)
+- deepseek: 云端 API (便宜，¥1/百万 tokens)
+- openai: 云端 API (GPT-4)
+- qwen: 阿里云通义千问 (便宜，国内稳定)
+"""
+
+import httpx
+from typing import Dict, List, Optional, Any
+import os
+import json
+
+
+class LLMClient:
+    """统一 LLM 客户端"""
+
+    def __init__(self):
+        self.provider = os.getenv("LLM_PROVIDER", "deepseek").lower()
+        self.client = self._create_client()
+
+    def _create_client(self) -> 'LLMProvider':
+        """根据配置创建对应的提供商客户端"""
+        if self.provider == "ollama":
+            return OllamaClient()
+        elif self.provider == "deepseek":
+            return OpenAICompatibleClient(
+                api_key=os.getenv("DEEPSEEK_API_KEY"),
+                base_url=os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com/v1"),
+                model=os.getenv("DEEPSEEK_MODEL", "deepseek-chat")
+            )
+        elif self.provider == "openai":
+            return OpenAICompatibleClient(
+                api_key=os.getenv("OPENAI_API_KEY"),
+                base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1"),
+                model=os.getenv("OPENAI_MODEL", "gpt-4o-mini")
+            )
+        elif self.provider == "qwen":
+            return OpenAICompatibleClient(
+                api_key=os.getenv("QWEN_API_KEY"),
+                base_url=os.getenv("QWEN_BASE_URL", "https://dashscope.aliyuncs.com/compatible-mode/v1"),
+                model=os.getenv("QWEN_MODEL", "qwen-plus")
+            )
+        else:
+            raise ValueError(f"不支持的 LLM 提供商: {self.provider}")
+
+    def generate(self, prompt: str, **kwargs) -> str:
+        """生成文本"""
+        return self.client.generate(prompt, **kwargs)
+
+    def generate_json(self, prompt: str, **kwargs) -> Dict:
+        """生成 JSON 格式响应"""
+        return self.client.generate_json(prompt, **kwargs)
+
+    def get_embedding(self, text: str) -> List[float]:
+        """获取向量嵌入"""
+        return self.client.get_embedding(text)
+
+
+class LLMProvider:
+    """LLM 提供商基类"""
+    def generate(self, prompt: str, **kwargs) -> str:
+        raise NotImplementedError
+
+    def generate_json(self, prompt: str, **kwargs) -> Dict:
+        raise NotImplementedError
+
+    def get_embedding(self, text: str) -> List[float]:
+        raise NotImplementedError
+
+
+class OllamaClient(LLMProvider):
+    """Ollama 本地客户端"""
+
+    def __init__(self):
+        self.host = os.getenv("OLLAMA_HOST", "http://127.0.0.1:11434").rstrip('/')
+        self.chat_model = os.getenv("OLLAMA_CHAT_MODEL", "llama3:8b")
+        self.embedding_model = os.getenv("OLLAMA_EMBEDDING_MODEL", "nomic-embed-text")
+        self.client = httpx.Client(base_url=self.host, timeout=300.0, trust_env=False)
+
+    def generate(self, prompt: str, **kwargs) -> str:
+        response = self.client.post("/api/generate", json={
+            "model": self.chat_model,
+            "prompt": prompt,
+            "stream": False,
+            **kwargs
+        })
+        response.raise_for_status()
+        return response.json()["response"]
+
+    def generate_json(self, prompt: str, **kwargs) -> Dict:
+        response = self.client.post("/api/generate", json={
+            "model": self.chat_model,
+            "prompt": prompt,
+            "stream": False,
+            "format": "json",
+            **kwargs
+        })
+        response.raise_for_status()
+        content = response.json()["response"]
+        # 清理 markdown 代码块
+        if content.startswith("```json"):
+            content = content[7:]
+        if content.startswith("```"):
+            content = content[3:]
+        if content.endswith("```"):
+            content = content[:-3]
+        content = content.strip()
+        return json.loads(content)
+
+    def get_embedding(self, text: str) -> List[float]:
+        response = self.client.post("/api/embeddings", json={
+            "model": self.embedding_model,
+            "prompt": text
+        })
+        response.raise_for_status()
+        return response.json().get("embedding", [])
+
+
+class OpenAICompatibleClient(LLMProvider):
+    """OpenAI 兼容客户端 (适用于 DeepSeek, Qwen 等)"""
+
+    def __init__(self, api_key: str, base_url: str, model: str):
+        if not api_key:
+            raise ValueError(f"请设置 {base_url} 的 API_KEY")
+        self.model = model
+        self.client = httpx.Client(
+            base_url=base_url,
+            timeout=120.0,
+            headers={"Authorization": f"Bearer {api_key}"}
+        )
+
+    def generate(self, prompt: str, **kwargs) -> str:
+        response = self.client.post("/chat/completions", json={
+            "model": self.model,
+            "messages": [{"role": "user", "content": prompt}],
+            **kwargs
+        })
+        response.raise_for_status()
+        return response.json()["choices"][0]["message"]["content"]
+
+    def generate_json(self, prompt: str, **kwargs) -> Dict:
+        response = self.client.post("/chat/completions", json={
+            "model": self.model,
+            "messages": [{"role": "user", "content": prompt}],
+            "response_format": {"type": "json_object"},
+            **kwargs
+        })
+        response.raise_for_status()
+        content = response.json()["choices"][0]["message"]["content"]
+        return json.loads(content)
+
+    def get_embedding(self, text: str) -> List[float]:
+        # DeepSeek 不支持 embedding，使用替代方案或返回空
+        if "deepseek" in self.client.base_url:
+            print("[WARNING] DeepSeek 不支持 embedding API，使用简化向量")
+            # 简化方案：基于文本内容生成伪向量（实际使用时应该用其他服务）
+            import hashlib
+            hash_obj = hashlib.md5(text.encode())
+            # 生成 768 维伪向量（与 nomic-embed-text 维度一致）
+            return [float((hash_obj.digest()[i % 16] / 255.0) * 2 - 1) for _ in range(768)]
+
+        response = self.client.post("/embeddings", json={
+            "model": self.model,
+            "input": text
+        })
+        response.raise_for_status()
+        return response.json()["data"][0]["embedding"]
+
+
+# 单例实例
+llm_client = LLMClient()

用户使用手册.md

@@ -56,7 +56,32 @@
 - Node.js 18+
 - PostgreSQL 15+ (推荐) 或 SQLite (开发环境)
 
-#### 步骤一：启动 Ollama AI 服务
+#### 步骤一：选择 LLM 提供商
+
+**选项 A：使用云端 API（推荐，电脑配置低）**
+
+编辑 `backend/.env` 文件：
+
+```bash
+# 使用 DeepSeek（便宜，¥1/百万 tokens）
+LLM_PROVIDER=deepseek
+DEEPSEEK_API_KEY=你的API密钥
+
+# 或使用 OpenAI
+# LLM_PROVIDER=openai
+# OPENAI_API_KEY=你的API密钥
+
+# 或使用阿里云通义千问
+# LLM_PROVIDER=qwen
+# QWEN_API_KEY=你的API密钥
+```
+
+获取 API 密钥：
+- DeepSeek: https://platform.deepseek.com/api_keys
+- OpenAI: https://platform.openai.com/api-keys
+- 阿里云: https://dashscope.console.aliyun.com/apiKey
+
+**选项 B：使用本地 Ollama（免费，但占用 CPU/内存）**
 
 ```bash
 # 安装 Ollama (如果尚未安装)
@@ -67,10 +92,17 @@
 ollama serve
 
 # 拉取所需模型 (新终端窗口)
-ollama pull llama3
+ollama pull llama3:8b
 ollama pull nomic-embed-text
 ```
 
+编辑 `backend/.env` 文件：
+
+```bash
+LLM_PROVIDER=ollama
+OLLAMA_HOST=http://127.0.0.1:11434
+```
+
 #### 步骤二：启动后端服务
 
 ```bash
@@ -86,6 +118,9 @@ pip install -r requirements.txt
 # 配置环境变量 (可选，使用默认配置)
 cp .env.example .env
 
+# 编辑 .env 设置你的 LLM 提供商和 API 密钥
+vim .env
+
 # 运行数据库迁移
 alembic upgrade head
 
@@ -307,7 +342,21 @@ BUSINESS_CONTEXT="我们是一个 AI 短视频自动生成平台。核心功能
 BUSINESS_CONTEXT="我们是一个 AI 漫剧创作平台。核心功能：漫画转视频、角色一致性、多语言翻译。技术栈：Stable Diffusion, RAG, Llama 3。"
 ```
 
-### 5.3 Ollama 模型管理
+### 5.3 LLM 提供商对比
+
+| 提供商 | 优点 | 缺点 | 成本 | 适用场景 |
+|--------|------|------|------|----------|
+| **DeepSeek** | 便宜、效果好、国内稳定 | 需要联网 | ¥1/百万 tokens | **推荐首选** |
+| **OpenAI** | GPT-4 效果最好 | 价格较贵 | 约 ¥15/百万 tokens | 高质量分析需求 |
+| **Qwen** | 阿里云、国内稳定 | 效果略逊 GPT-4 | ¥0.5/百万 tokens | 预算有限 |
+| **Ollama** | 完全免费、数据隐私 | 占用 CPU/内存、电脑发热 | 免费 | 电脑配置高 |
+
+**建议**：
+- 电脑配置低 → 使用 **DeepSeek**（最便宜）
+- 追求效果 → 使用 **OpenAI**
+- 数据敏感 → 使用 **Ollama**（本地运行）
+
+### 5.4 Ollama 模型管理（仅本地模式）
 
 查看已安装模型：