feat: LLM/Embedding 客户端模块化、侧边栏折叠交互、arXiv→ADS 下载回退与前端体验重构

**后端架构** - 抽取翻译服务中内嵌的 LLM HTTP 调用为独立的 LlmClient / EmbeddingClient（src/clients/llm.rs），翻译模块改为委托调用，消除对 reqwest/serde 的直接耦合 - Config 新增 EMBEDDING_API_KEY/EMBEDDING_API_BASE/EMBEDDING_MODEL 三项配置，默认 fallback 至 LLM 对应值，补齐向量嵌入基础设施 **下载策略优化** - arXiv 直连下载失败后自动回退至 ADS 网关 PUB_PDF→EPRINT_PDF→CrossRef 多级通道，替换此前单路径策略；批量同步同步应用此逻辑 - PDF/HTML 任一方成功时，失败方的 path 字段不再存储 "error:" 报错字符串，改为置 NULL，防止日志污染数据 **前端交互增强** - 侧边栏支持折叠/展开：收起为仅图标模式(w-16)，展开恢复完整模式(w-64)；收起后点击 Logo 展开，含流畅 cubic-bezier 过渡动画 - 阅读面板新增 PDF 内嵌预览：已下载 PDF 时可通过 iframe 切换查看 /api/files 下的本地文献 - reader/citation 面板未选文献时展示带图标的空状态引导页，替代空白页 - 文献详情面板改为固定高度弹性布局(h-[460px])，各区块按比例分配避免内容挤压；期刊名过长截断+悬停tooltip；关键词无数据显式占位 - 全局移除 emoji Unicode，统一替换为 lucide-react 图标组件，消除跨平台字体渲染差异 **反爬检测精细化** - 按响应长度分层：>150KB 跳过检测（完整文献），<5KB 才扫描通用 HTTP 错误关键字，杜绝长文献误触 Cloudflare/503 模式匹配 - 新增 Radware Bot Manager、ShieldSquare WAF 特征识别 **健壮性** - Obscura 下载校验失败后自动清理硬盘残留坏文件 - 健康检查工具：文献已有有效 HTML 但 PDF 字段为旧报错时自动判定可修复 - 上传接口 body limit 提升至 100MB，新增 /api/files 静态文件服务路由 - StandardPaper 新增 has_pdf/has_html 字段区分格式级下载状态
2026-06-13 11:11:33 +08:00
parent 2a5b1c0c91
commit 3f1935678b
27 changed files with 1275 additions and 473 deletions
@@ -0,0 +1,60 @@
+// tests/live_llm_test.rs
+use astroresearch::Config;
+use astroresearch::clients::llm::{LlmClient, EmbeddingClient};
+
+#[tokio::test]
+async fn test_live_llm_and_embedding() -> anyhow::Result<()> {
+    let config = Config::from_env();
+    
+    println!("================= 开始大模型与向量模型真实网络集成测试 =================");
+
+    // 1. 测试 LlmClient
+    if config.llm_api_key.is_empty() {
+        println!("警告: 未在环境配置中检测到 LLM_API_KEY，跳过 LlmClient 集成测试。");
+    } else {
+        println!("测试大模型: {} (API Base: {})", config.llm_model, config.llm_api_base);
+        let llm = LlmClient::new(
+            config.llm_api_key.clone(),
+            config.llm_api_base.clone(),
+            config.llm_model.clone(),
+        );
+
+        match llm.chat_completion("You are a helpful assistant.", "Say Hello!").await {
+            Ok(reply) => {
+                println!("LlmClient 响应成功: {}", reply.trim());
+                assert!(!reply.trim().is_empty(), "错误: 大模型返回了空响应");
+            }
+            Err(e) => {
+                panic!("LlmClient 接口调用失败: {}", e);
+            }
+        }
+    }
+
+    // 2. 测试 EmbeddingClient
+    if config.embedding_api_key.is_empty() {
+        println!("警告: 未在环境配置中检测到 EMBEDDING_API_KEY，跳过 EmbeddingClient 集成测试。");
+    } else {
+        println!("测试向量模型: {} (API Base: {})", config.embedding_model, config.embedding_api_base);
+        let embedding_client = EmbeddingClient::new(
+            config.embedding_api_key.clone(),
+            config.embedding_api_base.clone(),
+            config.embedding_model.clone(),
+        );
+
+        let test_text = "active galactic nucleus";
+        match embedding_client.create_embedding(test_text).await {
+            Ok(vector) => {
+                println!("EmbeddingClient 响应成功！向量维度: {}", vector.len());
+                assert!(!vector.is_empty(), "错误: 向量数据为空");
+                let preview_len = std::cmp::min(5, vector.len());
+                println!("前 {} 个向量数值样例: {:?}", preview_len, &vector[..preview_len]);
+            }
+            Err(e) => {
+                panic!("EmbeddingClient 接口调用失败: {}", e);
+            }
+        }
+    }
+
+    println!("================= 大模型与向量模型真实网络集成测试完成 =================");
+    Ok(())
+}