jarvis-ai-assistant 0.7.8__py3-none-any.whl → 1.0.2__py3-none-any.whl

jarvis/jarvis_code_agent/code_analyzer/llm_context_recommender.py

@@ -4,183 +4,128 @@
 完全基于LLM实现，不依赖硬编码规则。
 """
 
-
-from jarvis.jarvis_utils.jsonnet_compat import loads as json_loads
 import json
 import os
 import re
-from typing import List, Optional, Any
+from typing import Any
+from typing import List
+from typing import Optional
 
 from rich.console import Console
-from jarvis.jarvis_platform.registry import PlatformRegistry
-from jarvis.jarvis_utils.config import get_normal_platform_name, get_normal_model_name
+
 from jarvis.jarvis_code_agent.utils import get_project_overview
+from jarvis.jarvis_platform.registry import PlatformRegistry
+from jarvis.jarvis_utils.config import get_cheap_model_name
+from jarvis.jarvis_utils.config import get_cheap_platform_name
+from jarvis.jarvis_utils.globals import get_global_model_group
+from jarvis.jarvis_utils.jsonnet_compat import loads as json_loads
 
-from .context_recommender import ContextRecommendation
 from .context_manager import ContextManager
+from .context_recommender import ContextRecommendation
 from .symbol_extractor import Symbol
 
 
 class ContextRecommender:
     """智能上下文推荐器。
-    
+
     使用LLM进行语义理解，根据编辑意图推荐相关的上下文信息。
     完全基于LLM实现，提供语义级别的推荐，而非简单的关键词匹配。
     """
 
-    def __init__(self, context_manager: ContextManager, parent_model: Optional[Any] = None):
+    def __init__(
+        self, context_manager: ContextManager, parent_model: Optional[Any] = None
+    ):
         """初始化上下文推荐器
-        
+
         Args:
             context_manager: 上下文管理器
-            parent_model: 父Agent的模型实例，用于获取模型配置（平台名称、模型名称、模型组等）
-            
-        Raises:
-            ValueError: 如果无法创建LLM模型
+            parent_model: 父Agent的模型实例（已废弃，保留参数兼容性）
+
+        Note:
+            LLM 模型实例不会在初始化时创建，而是在每次调用时重新创建，
+            以避免上下文窗口累积导致的问题。
+            模型配置从全局模型组获取，不再从parent_model继承。
         """
         self.context_manager = context_manager
-        
-        # 自己创建LLM模型实例，使用父Agent的配置
-        try:
-            registry = PlatformRegistry.get_global_platform_registry()
-            
-            # 从父Agent的model获取配置
-            platform_name = None
-            model_name = None
-            model_group = None
-            
-            if parent_model:
-                try:
-                    # 优先获取 model_group，因为它包含了完整的配置信息
-                    model_group = getattr(parent_model, 'model_group', None)
-                    platform_name = parent_model.platform_name()
-                    model_name = parent_model.name()
-                except Exception:
-                    # 如果获取失败，使用默认配置
-                    pass
-            
-            # 优先根据 model_group 获取配置（确保配置一致性）
-            # 如果 model_group 存在，强制使用它来解析，避免使用 parent_model 中可能不一致的值
-            # 使用cheap平台，上下文推荐可以降低成本
-            if model_group:
-                try:
-                    platform_name = get_normal_platform_name(model_group)
-                    model_name = get_normal_model_name(model_group)
-                except Exception:
-                    # 如果从 model_group 解析失败，回退到从 parent_model 获取的值
-                    pass
-            
-            # 创建平台实例
-            if platform_name:
-                self.llm_model = registry.create_platform(platform_name)
-                if self.llm_model is None:
-                    # 如果创建失败，使用cheap平台
-                    self.llm_model = registry.get_cheap_platform()
-            else:
-                self.llm_model = registry.get_cheap_platform()
-            
-            # 先设置模型组（如果从父Agent获取到），因为 model_group 可能会影响模型名称的解析
-            if model_group and self.llm_model:
-                try:
-                    self.llm_model.set_model_group(model_group)
-                except Exception:
-                    pass
-            
-            # 然后设置模型名称（如果从父Agent或model_group获取到）
-            if model_name and self.llm_model:
-                try:
-                    self.llm_model.set_model_name(model_name)
-                except Exception:
-                    pass
-            
-            # 设置抑制输出，因为这是后台任务
-            if self.llm_model:
-                self.llm_model.set_suppress_output(True)
-            else:
-                raise ValueError("无法创建LLM模型实例")
-        except Exception as e:
-            raise ValueError(f"无法创建LLM模型: {e}")
+
+        # 保存配置信息，用于后续创建 LLM 实例
+        self._platform_name = None
+        self._model_name = None
+        # 使用全局模型组（不再从 parent_model 继承）
+        self._model_group = get_global_model_group()
+
+        # 根据 model_group 获取配置
+        # 使用cheap平台，筛选操作可以降低成本
+        if self._model_group:
+            try:
+                self._platform_name = get_cheap_platform_name(self._model_group)
+                self._model_name = get_cheap_model_name(self._model_group)
+            except Exception:
+                # 如果从 model_group 解析失败，使用默认配置
+                pass
 
     def recommend_context(
         self,
         user_input: str,
     ) -> ContextRecommendation:
         """根据编辑意图推荐上下文
-        
+
         Args:
             user_input: 用户输入/任务描述
-            
+
         Returns:
             ContextRecommendation: 推荐的上下文信息
         """
-        print("🔍 开始智能上下文推荐分析...")
-        
+
         # 0. 检查并填充符号表（如果为空）
         self._ensure_symbol_table_loaded()
-        
-        # 1. 使用LLM生成相关符号名
-        model_name = self.llm_model.name() if self.llm_model else "LLM"
-        print(f"📝 正在使用{model_name}生成相关符号名...")
-        symbol_names = self._extract_symbol_names_with_llm(user_input)
-        if symbol_names:
-            print(f"✅ 生成 {len(symbol_names)} 个符号名: {', '.join(symbol_names[:5])}{'...' if len(symbol_names) > 5 else ''}")
-        else:
-            print("⚠️ 未能生成符号名，将使用基础搜索策略")
-        
+
+        # 检查符号表是否为空（构建完成后仍然为空）
+        symbol_count = sum(
+            len(symbols)
+            for symbols in self.context_manager.symbol_table.symbols_by_name.values()
+        )
+        if symbol_count == 0:
+            return ContextRecommendation(recommended_symbols=[])
+
+        # 1. 使用LLM生成相关关键词
+        keywords = self._extract_keywords_with_llm(user_input)
+
         # 2. 初始化推荐结果
         recommended_symbols: List[Symbol] = []
 
-        # 3. 基于符号名进行符号查找，然后使用LLM挑选关联度高的条目（主要推荐方式）
-        if symbol_names:
-            # 3.1 使用符号名进行精确查找，找到所有候选符号及其位置
-            print("🔎 正在基于符号名搜索相关符号...")
-            candidate_symbols = self._search_symbols_by_names(symbol_names)
-            
-            print(f"📊 符号名匹配: {len(candidate_symbols)} 个候选")
-            
+        # 3. 基于关键词进行符号查找，然后使用LLM挑选关联度高的条目（主要推荐方式）
+        if keywords:
+            # 3.1 使用关键词进行模糊查找，找到所有候选符号及其位置
+            candidate_symbols = self._search_symbols_by_keywords(keywords)
+
             candidate_symbols_list = candidate_symbols
-            print(f"📦 共 {len(candidate_symbols_list)} 个候选符号")
-            
+
             # 3.2 使用LLM从候选符号中挑选关联度高的条目
             if candidate_symbols_list:
-                model_name = self.llm_model.name() if self.llm_model else "LLM"
-                print(f"🤖 正在使用{model_name}从 {len(candidate_symbols_list)} 个候选符号中筛选最相关的条目...")
                 selected_symbols = self._select_relevant_symbols_with_llm(
-                    user_input, symbol_names, candidate_symbols_list
+                    user_input, keywords, candidate_symbols_list
                 )
                 recommended_symbols.extend(selected_symbols)
-                print(f"✅ {model_name}筛选完成，选中 {len(selected_symbols)} 个相关符号")
-            else:
-                print("⚠️ 没有找到候选符号")
-        else:
-            print("⚠️ 无符号名可用，跳过符号推荐")
 
-        # 4. 对推荐符号去重（基于 name + file_path + line_start）
+        # 4. 对推荐符号去重（基于符号名称）
         seen = set()
         unique_symbols = []
         for symbol in recommended_symbols:
-            key = (symbol.name, symbol.file_path, symbol.line_start)
+            key = (symbol.name,)
             if key not in seen:
                 seen.add(key)
                 unique_symbols.append(symbol)
-       
-        if len(unique_symbols) < len(recommended_symbols):
-            print(f"🔄 去重: {len(recommended_symbols)} -> {len(unique_symbols)} 个符号")
-       
+
         # 5. 限制符号数量
         final_symbols = unique_symbols[:10]
-        if len(unique_symbols) > 10:
-            print(f"📌 推荐结果已限制为前 10 个符号（共 {len(unique_symbols)} 个）")
-
-        print(f"✨ 上下文推荐完成，共推荐 {len(final_symbols)} 个符号")
-
         return ContextRecommendation(
             recommended_symbols=final_symbols,
         )
 
     def _get_project_overview(self) -> str:
         """获取项目概况信息
-        
+
         Returns:
             项目概况字符串
         """
@@ -188,37 +133,35 @@ class ContextRecommender:
 
     def _ensure_symbol_table_loaded(self) -> None:
         """确保符号表已加载（如果为空则扫描项目文件）
-        
+
         在推荐上下文之前，需要确保符号表已经被填充。
         如果符号表为空，则扫描项目文件并填充符号表。
         """
         # 检查符号表是否为空
         if not self.context_manager.symbol_table.symbols_by_name:
-            print("📚 符号表为空，开始扫描项目文件构建符号表...")
             self._build_symbol_table()
-        else:
-            symbol_count = sum(len(symbols) for symbols in self.context_manager.symbol_table.symbols_by_name.values())
-            print(f"📚 符号表已就绪，包含 {symbol_count} 个符号")
 
     def _build_symbol_table(self) -> None:
         """扫描项目文件并构建符号表
-        
+
         遍历项目目录，提取所有支持语言的符号。
         """
         import os
-        from .language_support import detect_language, get_symbol_extractor
+
         from .file_ignore import filter_walk_dirs
-        
+        from .language_support import detect_language
+        from .language_support import get_symbol_extractor
+
         console = Console()
         project_root = self.context_manager.project_root
         files_scanned = 0
         symbols_added = 0
         files_with_symbols = 0
         files_skipped = 0
-        
+
         # 用于清除行的最大宽度（终端通常80-120字符，使用100作为安全值）
         max_line_width = 100
-        
+
         # 快速统计总文件数（用于进度显示）
         console.print("📊 正在统计项目文件...", end="")
         total_files = 0
@@ -230,18 +173,20 @@ class ContextRecommender:
                 if language and get_symbol_extractor(language):
                     total_files += 1
         console.print(" 完成")  # 统计完成，换行
-        
+
         # 进度反馈间隔（每处理这么多文件输出一次，最多每10个文件输出一次）
         # progress_interval = max(1, min(total_files // 20, 10)) if total_files > 0 else 10
-        
+
         if total_files > 0:
             console.print(f"📁 发现 {total_files} 个代码文件，开始扫描...")
         else:
             console.print("⚠️  未发现可扫描的代码文件", style="yellow")
             return
-        
+
         # 辅助函数：生成固定宽度的进度字符串（避免残留字符）
-        def format_progress_msg(current_file: str, scanned: int, total: int, symbols: int, skipped: int) -> str:
+        def format_progress_msg(
+            current_file: str, scanned: int, total: int, symbols: int, skipped: int
+        ) -> str:
             progress_pct = (scanned * 100) // total if total > 0 else 0
             base_msg = f"⏳ 扫描进度: {scanned}/{total} ({progress_pct}%)"
             if symbols > 0:
@@ -253,25 +198,25 @@ class ContextRecommender:
             if len(base_msg) < max_line_width:
                 base_msg += " " * (max_line_width - len(base_msg))
             return base_msg
-        
+
         # 遍历项目目录
         for root, dirs, files in os.walk(project_root):
             # 过滤需要忽略的目录
             dirs[:] = filter_walk_dirs(dirs)
-            
+
             for file in files:
                 file_path = os.path.join(root, file)
-                
+
                 # 检测语言
                 language = detect_language(file_path)
                 if not language:
                     continue
-                
+
                 # 获取符号提取器
                 extractor = get_symbol_extractor(language)
                 if not extractor:
                     continue
-                
+
                 # 获取相对路径用于显示（限制长度）
                 try:
                     rel_path = os.path.relpath(file_path, project_root)
@@ -280,7 +225,7 @@ class ContextRecommender:
                         rel_path = "..." + rel_path[-37:]
                 except Exception:
                     rel_path = file
-                
+
                 # 读取文件内容（跳过超大文件，避免内存问题）
                 try:
                     # 检查文件大小（超过 1MB 的文件跳过）
@@ -288,53 +233,81 @@ class ContextRecommender:
                     if file_size > 1024 * 1024:  # 1MB
                         files_skipped += 1
                         # 实时更新进度（不换行，文件名在最后）
-                        msg = format_progress_msg(rel_path, files_scanned, total_files, symbols_added, files_skipped)
+                        msg = format_progress_msg(
+                            rel_path,
+                            files_scanned,
+                            total_files,
+                            symbols_added,
+                            files_skipped,
+                        )
                         console.print(msg, end="\r")
                         continue
-                    
+
                     # 显示当前正在扫描的文件
-                    msg = format_progress_msg(rel_path, files_scanned, total_files, symbols_added, files_skipped)
+                    msg = format_progress_msg(
+                        rel_path,
+                        files_scanned,
+                        total_files,
+                        symbols_added,
+                        files_skipped,
+                    )
                     console.print(msg, end="\r")
-                    
-                    with open(file_path, 'r', encoding='utf-8', errors='replace') as f:
+
+                    with open(file_path, "r", encoding="utf-8", errors="replace") as f:
                         content = f.read()
                     if not content:
                         continue
-                    
+
                     # 提取符号
                     symbols = extractor.extract_symbols(file_path, content)
                     if symbols:
                         files_with_symbols += 1
                     for symbol in symbols:
                         # 不立即保存缓存，批量添加以提高性能
-                        self.context_manager.symbol_table.add_symbol(symbol, save_to_cache=False)
+                        self.context_manager.symbol_table.add_symbol(
+                            symbol, save_to_cache=False
+                        )
                         symbols_added += 1
-                    
+
                     # 更新文件修改时间
                     try:
-                        self.context_manager.symbol_table._file_mtimes[file_path] = os.path.getmtime(file_path)
+                        self.context_manager.symbol_table._file_mtimes[file_path] = (
+                            os.path.getmtime(file_path)
+                        )
                     except Exception:
                         pass
-                    
+
                     files_scanned += 1
-                    
+
                     # 实时更新进度（不换行，文件名在最后）
-                    msg = format_progress_msg(rel_path, files_scanned, total_files, symbols_added, files_skipped)
+                    msg = format_progress_msg(
+                        rel_path,
+                        files_scanned,
+                        total_files,
+                        symbols_added,
+                        files_skipped,
+                    )
                     console.print(msg, end="\r")
                 except Exception:
                     # 跳过无法读取的文件
                     files_skipped += 1
                     # 实时更新进度（不换行，文件名在最后）
-                    msg = format_progress_msg(rel_path, files_scanned, total_files, symbols_added, files_skipped)
+                    msg = format_progress_msg(
+                        rel_path,
+                        files_scanned,
+                        total_files,
+                        symbols_added,
+                        files_skipped,
+                    )
                     console.print(msg, end="\r")
                     continue
-        
+
         # 完成时显示100%进度，然后换行并显示最终结果
         if total_files > 0:
             # 清除进度行
             console.print(" " * max_line_width, end="\r")
         console.print()  # 换行
-        
+
         # 批量保存缓存（扫描完成后一次性保存，提高性能）
         try:
             console.print("💾 正在保存符号表缓存...", end="\r")
@@ -342,50 +315,58 @@ class ContextRecommender:
             console.print("💾 符号表缓存已保存")
         except Exception as e:
             console.print(f"⚠️  保存符号表缓存失败: {e}", style="yellow")
-        
+
         skip_msg = f"，跳过 {files_skipped} 个文件" if files_skipped > 0 else ""
         console.print(
             f"✅ 符号表构建完成: 扫描 {files_scanned} 个文件{skip_msg}，提取 {symbols_added} 个符号（来自 {files_with_symbols} 个文件）",
-            style="green"
+            style="green",
         )
 
-    def _extract_symbol_names_with_llm(self, user_input: str) -> List[str]:
-        """使用LLM生成相关符号名
-        
+    def _extract_keywords_with_llm(self, user_input: str) -> List[str]:
+        """使用LLM生成相关关键词
+
         Args:
             user_input: 用户输入
-            
+
         Returns:
-            符号名列表
+            关键词列表（用于模糊匹配符号名）
         """
         # 获取项目概况和符号表信息
         project_overview = self._get_project_overview()
-        
+
         # 获取所有可用的符号名（用于参考）
-        all_symbol_names = list(self.context_manager.symbol_table.symbols_by_name.keys())
+        all_symbol_names = list(
+            self.context_manager.symbol_table.symbols_by_name.keys()
+        )
         symbol_names_sample = sorted(all_symbol_names)[:50]  # 取前50个作为示例
-        
-        prompt = f"""分析代码编辑任务，生成5-15个可能相关的符号名（函数名、类名、变量名等）。
+
+        prompt = f"""分析代码编辑任务，生成5-15个搜索关键词，用于在代码库中查找相关符号。
 
 {project_overview}
 
 任务描述：{user_input}
 
-符号名示例：{', '.join(symbol_names_sample[:30])}{'...' if len(symbol_names_sample) > 30 else ''}
+现有符号名示例：{", ".join(symbol_names_sample[:30])}{"..." if len(symbol_names_sample) > 30 else ""}
 
-要求：与任务直接相关，符合命名规范，尽量具体。
+要求：
+1. 关键词应该是符号名中可能包含的单词或词根（如 "user", "login", "validate", "config"）
+2. 不需要完整的符号名，只需要关键词片段
+3. 关键词应与任务直接相关
+4. 可以是单词、缩写或常见的命名片段
 
-以Jsonnet数组格式返回，用<SYMBOL_NAMES>标签包裹。示例：
-<SYMBOL_NAMES>
-["processData", "validateInput", "handleError"]
-</SYMBOL_NAMES>
+以Jsonnet数组格式返回，用<KEYWORDS>标签包裹。示例：
+<KEYWORDS>
+["user", "login", "auth", "validate", "session"]
+</KEYWORDS>
 """
 
         try:
             response = self._call_llm(prompt)
-            # 从<SYMBOL_NAMES>标签中提取内容
+            # 从<KEYWORDS>标签中提取内容
             response = response.strip()
-            json_match = re.search(r'<SYMBOL_NAMES>\s*(.*?)\s*</SYMBOL_NAMES>', response, re.DOTALL)
+            json_match = re.search(
+                r"<KEYWORDS>\s*(.*?)\s*</KEYWORDS>", response, re.DOTALL
+            )
             if json_match:
                 json_content = json_match.group(1).strip()
             else:
@@ -397,76 +378,77 @@ class ContextRecommender:
                 if response.endswith("```"):
                     response = response[:-3]
                 json_content = response.strip()
-            
-            symbol_names = json_loads(json_content)
-            if not isinstance(symbol_names, list):
-                print("⚠️ LLM返回的符号名格式不正确，期望 Jsonnet 数组格式")
+
+            keywords = json_loads(json_content)
+            if not isinstance(keywords, list):
                 return []
-            
-            # 过滤空字符串和过短的符号名
-            original_count = len(symbol_names)
-            symbol_names = [name.strip() for name in symbol_names if name and isinstance(name, str) and len(name.strip()) > 0]
-            if original_count != len(symbol_names):
-                print(f"📋 过滤后保留 {len(symbol_names)} 个有效符号名（原始 {original_count} 个）")
-            return symbol_names
-        except Exception as e:
+
+            # 过滤空字符串和过短的关键词（至少2个字符）
+            keywords = [
+                kw.strip().lower()
+                for kw in keywords
+                if kw and isinstance(kw, str) and len(kw.strip()) >= 2
+            ]
+            return keywords
+        except Exception:
             # 解析失败，返回空列表
-            print(f"❌ LLM符号名生成失败: {e}")
             return []
-    def _search_symbols_by_names(self, symbol_names: List[str]) -> List[Symbol]:
-        """基于符号名在符号表中精确查找相关符号
-        
+
+    def _search_symbols_by_keywords(self, keywords: List[str]) -> List[Symbol]:
+        """基于关键词在符号表中模糊查找相关符号
+
         Args:
-            symbol_names: 符号名列表
-            
+            keywords: 关键词列表（用于模糊匹配符号名）
+
         Returns:
             候选符号列表
         """
-        if not symbol_names:
+        if not keywords:
             return []
-        
+
         found_symbols: List[Symbol] = []
-        found_symbol_keys = set()  # 用于去重，使用 (file_path, name, line_start) 作为键
-        
-        # 创建符号名映射（支持大小写不敏感匹配）
-        symbol_names_lower = {name.lower(): name for name in symbol_names}
-        
-        # 遍历所有符号，精确匹配符号名
-        for symbol_name, symbols in self.context_manager.symbol_table.symbols_by_name.items():
+        found_symbol_keys: set[tuple[str, str, int]] = set()  # 用于去重
+
+        # 将关键词转为小写用于匹配
+        keywords_lower = [kw.lower() for kw in keywords]
+
+        # 遍历所有符号，模糊匹配符号名
+        for (
+            symbol_name,
+            symbols,
+        ) in self.context_manager.symbol_table.symbols_by_name.items():
             symbol_name_lower = symbol_name.lower()
-            
-            # 精确匹配：检查符号名是否在目标列表中（大小写不敏感）
-            if symbol_name_lower in symbol_names_lower:
+
+            # 模糊匹配：检查任一关键词是否是符号名的子串（大小写不敏感）
+            if any(kw in symbol_name_lower for kw in keywords_lower):
                 # 找到匹配的符号，添加所有同名符号（可能有重载）
                 for symbol in symbols:
                     key = (symbol.file_path, symbol.name, symbol.line_start)
                     if key not in found_symbol_keys:
                         found_symbols.append(symbol)
                         found_symbol_keys.add(key)
-        
+
         return found_symbols
 
     def _select_relevant_symbols_with_llm(
-        self, user_input: str, symbol_names: List[str], candidate_symbols: List[Symbol]
+        self, user_input: str, keywords: List[str], candidate_symbols: List[Symbol]
     ) -> List[Symbol]:
         """使用LLM从候选符号中挑选关联度高的条目
-        
+
         Args:
             user_input: 用户输入/任务描述
-            symbol_names: 符号名列表
+            keywords: 搜索关键词列表
             candidate_symbols: 候选符号列表（包含位置信息）
-            
+
         Returns:
             选中的符号列表
         """
         if not candidate_symbols:
             return []
-        
+
         # 限制候选符号数量，避免prompt过长
         candidates_to_consider = candidate_symbols[:100]  # 最多100个候选
-        if len(candidate_symbols) > 100:
-            print(f"📌 候选符号数量较多（{len(candidate_symbols)} 个），限制为前 100 个进行LLM筛选")
-        
+
         # 构建带编号的符号信息列表（包含位置信息）
         symbol_info_list = []
         for idx, symbol in enumerate(candidates_to_consider, start=1):
@@ -474,21 +456,23 @@ class ContextRecommender:
                 "序号": idx,
                 "name": symbol.name,
                 "kind": symbol.kind,
-                "file": os.path.relpath(symbol.file_path, self.context_manager.project_root),
+                "file": os.path.relpath(
+                    symbol.file_path, self.context_manager.project_root
+                ),
                 "line": symbol.line_start,
                 "signature": symbol.signature or "",
             }
             symbol_info_list.append(symbol_info)
-        
+
         # 获取项目概况
         project_overview = self._get_project_overview()
-        
-        prompt = f"""根据任务描述和生成的符号名，从候选符号列表中选择最相关的10-20个符号。
+
+        prompt = f"""根据任务描述和搜索关键词，从候选符号列表中选择最相关的10-20个符号。
 
 {project_overview}
 
 任务描述：{user_input}
-生成的符号名：{', '.join(symbol_names)}
+搜索关键词：{", ".join(keywords)}
 候选符号列表（已编号）：{json.dumps(symbol_info_list, ensure_ascii=False, indent=2)}
 
 返回最相关符号的序号（Jsonnet数组），按相关性排序，用<SELECTED_INDICES>标签包裹。示例：
@@ -501,7 +485,9 @@ class ContextRecommender:
             response = self._call_llm(prompt)
             # 从<SELECTED_INDICES>标签中提取内容
             response = response.strip()
-            json_match = re.search(r'<SELECTED_INDICES>\s*(.*?)\s*</SELECTED_INDICES>', response, re.DOTALL)
+            json_match = re.search(
+                r"<SELECTED_INDICES>\s*(.*?)\s*</SELECTED_INDICES>", response, re.DOTALL
+            )
             if json_match:
                 json_content = json_match.group(1).strip()
             else:
@@ -513,14 +499,11 @@ class ContextRecommender:
                 if response.endswith("```"):
                     response = response[:-3]
                 json_content = response.strip()
-            
+
             selected_indices = json_loads(json_content)
             if not isinstance(selected_indices, list):
-                print("⚠️ LLM返回的符号序号格式不正确，期望 Jsonnet 数组格式")
                 return []
-            
-            print(f"📋 LLM返回了 {len(selected_indices)} 个符号序号")
-            
+
             # 根据序号查找对应的符号对象
             selected_symbols = []
             invalid_indices = []
@@ -531,75 +514,95 @@ class ContextRecommender:
                     selected_symbols.append(symbol)
                 else:
                     invalid_indices.append(idx)
-            
-            if invalid_indices:
-                print(f"⚠️ 发现 {len(invalid_indices)} 个无效序号: {invalid_indices[:5]}{'...' if len(invalid_indices) > 5 else ''}")
-            
-            if selected_symbols:
-                # 统计选中的符号类型分布
-                kind_count = {}
-                for symbol in selected_symbols:
-                    kind_count[symbol.kind] = kind_count.get(symbol.kind, 0) + 1
-                kind_summary = ", ".join([f"{kind}: {count}" for kind, count in sorted(kind_count.items())])
-                print(f"📊 选中符号类型分布: {kind_summary}")
-            
+
             return selected_symbols
-        except Exception as e:
+        except Exception:
             # 解析失败，返回空列表
-            print(f"❌ LLM符号筛选失败: {e}")
             return []
 
+    def _create_llm_model(self):
+        """创建新的 LLM 模型实例
+
+        每次调用都创建新的实例，避免上下文窗口累积。
+
+        Returns:
+            LLM 模型实例
+
+        Raises:
+            ValueError: 如果无法创建LLM模型
+        """
+        try:
+            registry = PlatformRegistry.get_global_platform_registry()
+
+            # 创建平台实例（筛选操作始终使用cheap平台以降低成本）
+            if self._platform_name:
+                llm_model = registry.create_platform(self._platform_name)
+                if llm_model is None:
+                    # 如果创建失败，使用cheap平台
+                    llm_model = registry.get_cheap_platform()
+            else:
+                # 如果没有指定平台，使用cheap平台
+                llm_model = registry.get_cheap_platform()
+
+            if not llm_model:
+                raise ValueError("无法创建LLM模型实例")
+
+            # 先设置模型组（如果从父Agent获取到），因为 model_group 可能会影响模型名称的解析
+            if self._model_group:
+                try:
+                    llm_model.set_model_group(self._model_group)
+                except Exception:
+                    pass
+
+            # 然后设置模型名称（如果从父Agent或model_group获取到）
+            if self._model_name:
+                try:
+                    llm_model.set_model_name(self._model_name)
+                except Exception:
+                    pass
+
+            # 设置抑制输出，因为这是后台任务
+            llm_model.set_suppress_output(True)
+
+            return llm_model
+        except Exception as e:
+            raise ValueError(f"无法创建LLM模型: {e}")
+
     def _call_llm(self, prompt: str) -> str:
         """调用LLM生成响应
-        
+
+        每次调用都创建新的 LLM 实例，避免上下文窗口累积。
+
         Args:
             prompt: 提示词
-            
+
         Returns:
             LLM生成的响应文本
         """
-        if not self.llm_model:
-            raise ValueError("LLM model not available")
-        
+        # 每次调用都创建新的 LLM 实例，避免上下文窗口累积
+        llm_model = self._create_llm_model()
+
         try:
             # 使用chat_until_success方法（BasePlatform的标准接口）
-            if hasattr(self.llm_model, 'chat_until_success'):
-                response = self.llm_model.chat_until_success(prompt)
+            if hasattr(llm_model, "chat_until_success"):
+                response = llm_model.chat_until_success(prompt)
                 response_str = str(response)
-                if response_str:
-                    response_length = len(response_str)
-                    print(f"💬 LLM响应长度: {response_length} 字符")
                 return response_str
             else:
                 # 如果不支持chat_until_success，抛出异常
-                raise ValueError("LLM model does not support chat_until_success interface")
-        except Exception as e:
-            print(f"❌ LLM调用失败: {e}")
+                raise ValueError(
+                    "LLM model does not support chat_until_success interface"
+                )
+        except Exception:
             raise
 
     def format_recommendation(self, recommendation: ContextRecommendation) -> str:
         """格式化推荐结果为可读文本
-        
+
         Args:
             recommendation: 推荐结果
-            
+
         Returns:
             格式化的文本
         """
-        if not recommendation.recommended_symbols:
-            return ""
-        
-        lines = ["\n💡 智能上下文推荐:"]
-        lines.append("─" * 60)
-
-        # 输出：符号在文件中的位置
-        symbols_str = "\n   ".join(
-            f"• 符号 `{s.name}` ({s.kind}) 位于文件 {os.path.relpath(s.file_path, self.context_manager.project_root)} 第 {s.line_start} 行"
-            for s in recommendation.recommended_symbols
-        )
-        lines.append(f"🔗 推荐符号位置 ({len(recommendation.recommended_symbols)}个):\n   {symbols_str}")
-
-        lines.append("─" * 60)
-        lines.append("")  # 空行
-
-        return "\n".join(lines)
+        return ""