feat：优化流式输出，增加临时多轮对话记录

app/processor/nodes/intent_node.py

@@ -50,6 +50,7 @@ class IntentNode(BaseNode):
         # 汇总用户需求、澄清历史、交互上下文和大屏摘要，作为意图判断的输入
         return {
             "prompt": context.prompt,
+            "history": context.history,
             "clarification_history": context.clarification_history,
             "context": context.context.model_dump(mode="json", exclude_unset=True),
             "screen_summary": {

app/processor/nodes/qa_node.py

@@ -2,6 +2,7 @@
 
 from langchain_core.messages import HumanMessage, SystemMessage
 from langchain_core.output_parsers import StrOutputParser
+from langgraph.config import get_stream_writer
 
 from app.clients.llm import get_llm
 from app.processor.base import BaseNode
@@ -18,8 +19,16 @@ class QANode(BaseNode):
 
         # 获取普通对话模型，问答只需文本回答，不绑定结构化输出协议
         llm_client = get_llm()
-        # 异步调用模型，结合用户问题、当前大屏和澄清记录生成回答
-        llm_res = await llm_client.ainvoke(
+        try:
+            # 图执行上下文中通过 custom 流逐段推送回答，独立调用节点时没有写入器
+            writer = get_stream_writer()
+        except RuntimeError:
+            writer = None
+
+        parser = StrOutputParser()
+        parts: list[str] = []
+        # 异步流式调用模型，结合用户问题、当前大屏和澄清记录生成回答
+        async for chunk in llm_client.astream(
             [
                 # 系统消息提供稳定的问答规则和回答边界
                 SystemMessage(content=QA_SYSTEM_PROMPT),
@@ -28,10 +37,23 @@ class QANode(BaseNode):
                     content=state["input_context"].model_dump_json(exclude_unset=True)
                 ),
             ]
-        )
+        ):
+            # 从每个片段提取文本，兼容文本内容块，工具调用等无文本片段会得到空串
+            delta = parser.invoke(chunk)
+            if not delta:
+                continue
+            parts.append(delta)
+            if writer is not None:
+                writer(
+                    {
+                        "type": "answer_delta",
+                        "message_id": state.get("message_id"),
+                        "delta": delta,
+                    }
+                )
 
-        # 从模型响应中提取文本，兼容文本内容块，并去除回答首尾的空白
-        answer = StrOutputParser().invoke(llm_res).strip()
+        # 拼接完整回答，并去除首尾的空白
+        answer = "".join(parts).strip()
         # 如果没有有效文本，抛出异常，避免将空回答标记为处理完成
         if not answer:
             raise ValueError("问答模型未返回文本回答")