qi-coding-agent 0.1.0__py3-none-any.whl

qi_agent/pep723.py

@@ -0,0 +1,74 @@
+"""PEP 723 的内联脚本元数据(`# /// script` 块)。
+
+目录通道的扩展**没有 dist 元数据** —— 它不是装上去的,是仓库/用户目录里的一个脚本。所以它的
+依赖声明走 PEP 723:在 `extension.py` 里写一个 `# /// script` 块。解析结果用于两件事:
+
+- **宿主依赖检查**(E11:把宿主写进依赖要报出来 —— 发行名 `qi-coding-agent`;旧名 `qi-agent` 另算一条)—— 与 pip 通道**对称**,不再只查装上的;
+- `qi doctor` 展示声明(§5.5:声明仍然要做)。
+
+**只解析,不安装**(安装是 `qi install` 的事,目标仍是**同一个解释器环境**,见 E13)。
+"""
+
+from __future__ import annotations
+
+import re
+import tomllib
+from pathlib import Path
+
+#: 块头/块尾的形状(`# /// <type>` 与 `# ///`)。
+_OPEN = re.compile(r"^# /// ([a-zA-Z0-9-]+)\s*$")
+_CLOSE = "# ///"
+
+#: 目录通道的固定入口名(§E9:一个目录一个扩展)。
+ENTRY_FILE = "extension.py"
+
+
+def parse_inline_metadata(text: str) -> dict[str, dict]:
+    r"""解析所有 `# /// <type>` 块 → `{type: TOML}`。
+
+    **逐行扫描,而不是用规范里给的那个正则**:那个正则是"一个块"的形状,而它的内容组
+    (`(^#(| .*)$\s)+`)在**相邻两个块**之间是贪婪的 —— 第二块的行也都以 `#` 开头,于是
+    它会把两块合成一段去解析 TOML,失败后**整块被跳过**(现象是"文档里明明写了两块,
+    解析结果却是空的")。逐行扫描没有这个问题,也更好读。
+
+    **一块写坏只跳过那一块**:这层是辅助信息(依赖声明),不该因为一个 TOML 语法错误让
+    整个扩展装载不了 —— 装载本身有它自己的报错路径。
+    """
+    out: dict[str, dict] = {}
+    lines = text.splitlines()
+    index = 0
+    while index < len(lines):
+        opened = _OPEN.match(lines[index])
+        if opened is None:
+            index += 1
+            continue
+        kind = str(opened.group(1))
+        body: list[str] = []
+        index += 1
+        while index < len(lines) and lines[index].strip() != _CLOSE:
+            if lines[index].startswith("#"):
+                body.append(lines[index][1:].lstrip(" "))   # 去掉一个 `#` 与紧随的空格
+            index += 1
+        index += 1                                          # 跳过结束标记
+        try:
+            out[kind] = tomllib.loads("\n".join(body))
+        except tomllib.TOMLDecodeError:
+            continue
+    return out
+
+
+def dependencies_of(script: Path | str) -> list[str]:
+    """一个脚本(或扩展目录)声明的依赖 —— `script` 块里的 `dependencies`。
+
+    收目录时自动找入口文件(`extension.py`)。没有块、文件读不到、字段不是列表 → `[]`。
+    """
+    path = Path(script)
+    if path.is_dir():
+        path = path / ENTRY_FILE
+    try:
+        text = path.read_text(encoding="utf-8")
+    except (OSError, UnicodeDecodeError):
+        return []
+    block = parse_inline_metadata(text).get("script") or {}
+    raw = block.get("dependencies")
+    return [str(item) for item in raw] if isinstance(raw, list) else []

qi_agent/presets.py

@@ -0,0 +1,293 @@
+"""预置 provider(国产为主)+ 它们的模型清单。
+
+**两种用法,一套数据**:
+
+* **兜底**(默认行为):`models.json` 里**没写**的预置 provider,由 `config.load_config`
+  自动补上(`with_preset_providers`)—— 所以 `export DEEPSEEK_API_KEY=…` 或
+  `qi auth login deepseek` 之后**立刻能用**,不必先物化配置文件;TUI 的 `/login` 也直接
+  看得到这批。
+* **物化**(显式):`qi init --preset deepseek` 把它们**写进** `models.json`,方便改
+  (改成自建代理域名 / 加模型 / 调 `contextWindow`)。
+
+**models.json 里写了同名 provider 就以它为准** —— 预置从不覆盖用户写的东西。
+
+## 数据口径(重要)
+
+表里每个模型都带 **`contextWindow`(上下文窗口=最大输入)与 `maxTokens`(最大输出)**
+—— 这正是 pi `docs/models.md` 里这两个字段的语义,且**两个数都从厂商自己的文档/模型页
+核过**(见每条注释里的出处)。核不到的模型**干脆不收**:预置宁缺毋滥 —— 猜一个
+`maxTokens` 会让请求要么被拒要么悄悄截断,比没有这一条更糟。想补别的模型就直接改
+`models.json`(`qi init --preset <名>` 先物化,再按厂商文档加一条)。
+
+`reasoning` 一律留 False:这些模型多数**默认就带思考**,而 `reasoning_effort` 是不是被
+各家 OpenAI 兼容端点接受并不一致 —— 默认不带参最不容易 400,想开就在 `models.json` 里
+给该模型加 `"reasoning": true`(provider 拒收时 qi 会自动去掉并提示一次)。
+
+## 种子会过时 —— 以接口为准
+
+模型 id 会漂(上新 / 下线 / 改名)。本表只是**离线可用的种子**;要跟厂商对齐就用:
+
+    qi init --refresh <provider>        # GET {baseUrl}/models,把实际可用的 id 并进 models.json
+    qi init --refresh-all               # 所有已配置(有凭证)的 provider
+
+交互流里同一条入口:`qi init` → `--- Add Models ---` 菜单选
+`↻ Refresh model list (GET /models)`(与 `＋ Add a model` 同级,失败只报错不中断)。
+
+`refresh` **只加不删**:接口回来的新 id 追加进去(带 qi 的默认 ctx/max,厂商文档里有就自己补),
+本地有、接口没返回的**保留并报出来**(厂商可能只是没列全,不该替用户删配置)。
+
+实例:DeepSeek 从 `deepseek-v4-flash` 迁到 `deepseek-flash`(旧名还在但路由到新模型)——
+这种变更只能靠接口/公告,写死的表迟早落后一拍。
+"""
+
+from __future__ import annotations
+
+from dataclasses import dataclass, field
+from typing import Any
+
+DEFAULT_API = "openai-completions"
+
+#: 几条常见的“取整”写法换算成 token 数(厂商文档常写 128K / 1M 这种)。
+K = 1024
+M = 1024 * 1024
+
+
+@dataclass(frozen=True)
+class PresetModel:
+    """一个预置模型条目。
+
+    `context_window` = 上下文窗口(最大输入),`max_output` = 模型的最大输出 tokens
+    (pi 的 `maxTokens` 字段同义)。两个数都必须有出处 —— 见模块 docstring 的口径。
+    """
+
+    id: str
+    context_window: int
+    max_output: int
+
+
+@dataclass(frozen=True)
+class Preset:
+    """一个预置 provider。"""
+
+    provider: str                    # provider 名(`provider/模型` 里那个)
+    label: str                       # 人看的名字
+    base_url: str
+    api_key_env: str                 # 约定环境变量名(与 auth.DEFAULT_API_KEY_ENV 一致)
+    models: tuple[PresetModel, ...] = field(default_factory=tuple)
+    api: str = DEFAULT_API
+    note: str = ""                   # 需要提醒用户的话(写进 `qi init --preset` 的输出)
+
+    @property
+    def default_model(self) -> str | None:
+        """物化后默认用哪个模型(取第一个)。"""
+        return self.models[0].id if self.models else None
+
+
+PRESETS: dict[str, Preset] = {
+    "deepseek": Preset(
+        provider="deepseek",
+        label="DeepSeek(深度求索)",
+        base_url="https://api.deepseek.com",
+        api_key_env="DEEPSEEK_API_KEY",
+        # 官方「模型 & 价格」(2026-09 核对):当前模型名是 `deepseek-flash`
+        # (= DeepSeek-V4.1-Flash,1M 上下文 / 输出最大 384K = 393216);
+        # `deepseek-v4-flash` 是**旧名**(底层已下线,请求被路由到 V4.1-Flash),
+        # `deepseek-v4-pro` 仍在但官方计划下线 —— 所以以 `deepseek-flash` 为首选。
+        # 觉得跟不上了就 `qi init --refresh deepseek`(以接口为准)。
+        models=(PresetModel("deepseek-flash", 1_000_000, 393_216),
+                PresetModel("deepseek-v4-pro", 1_000_000, 393_216)),
+    ),
+    "dashscope": Preset(
+        provider="dashscope",
+        label="阿里云百炼(通义千问)",
+        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
+        api_key_env="DASHSCOPE_API_KEY",
+        # 百炼模型页(逐个核过):三者都是 上下文 1000000 / 最大输出 131072。
+        # 官方选型建议:`qwen3.7-plus` 能力与成本均衡、工具调用完整,是编码/Agent 场景的
+        # “多面手”(排第一 = 默认);要最强推理用 `qwen3.8-max`,要更省用 `qwen3.8-flash`。
+        models=(PresetModel("qwen3.7-plus", 1_000_000, 131_072),
+                PresetModel("qwen3.8-max", 1_000_000, 131_072),
+                PresetModel("qwen3.8-flash", 1_000_000, 131_072)),
+        note="北京地域新账号可能要用工作空间专属域名:"
+             "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
+    ),
+    "mimo": Preset(
+        provider="mimo",
+        label="小米 MiMo",
+        base_url="https://api.xiaomimimo.com/v1",
+        api_key_env="MIMO_API_KEY",
+        # MiMo 模型页 + list-models(2026-09 核):现役文本模型是 v2.6 系列,
+        # 上下文 1M(=1048576)/ 最大输出 128K(=131072);`flash` 官方定位“高智能、
+        # 低成本”(默认),`pro` 是旗舰。**旧的 `mimo-v2.5` / `mimo-v2.5-pro` 官方公告
+        # 2026-10-21 10:00 下线**(建议切新版),所以种子只放 v2.6 —— 下线公告:
+        # https://mimo.mi.com/docs/zh-CN/quick-start/summary/model
+        # `mimo-v2.6-pro-ultraspeed` = pro 的**速度档**(官方定位强实时场景,限流是
+        # “定制服务,联系平台”),同样 1M / 128K —— id、规格都核到了,一并收进种子。
+        models=(PresetModel("mimo-v2.6-flash", 1_048_576, 131_072),
+                PresetModel("mimo-v2.6-pro", 1_048_576, 131_072),
+                PresetModel("mimo-v2.6-pro-ultraspeed", 1_048_576, 131_072)),
+        note="订阅套餐(Token Plan)是另一个域名:`https://token-plan-cn.xiaomimimo.com/v1`,"
+             "Key 形如 `tp-…`(按量付费的 Key 形如 `sk-…`,两者不可混用);"
+             "`mimo-v2.5` / `mimo-v2.5-pro` 官方公告 2026-10-21 10:00 下线,"
+             "新模型是 `mimo-v2.6-*`(`qi init --refresh mimo` 拉全量);"
+             "其中 `mimo-v2.6-pro-ultraspeed` 是速度档,限流为定制服务(调前先问平台)",
+    ),
+    "moonshot": Preset(
+        provider="moonshot",
+        label="月之暗面 Kimi",
+        base_url="https://api.moonshot.cn/v1",
+        api_key_env="MOONSHOT_API_KEY",
+        # Kimi 文档:k3 上下文 1M、max_completion_tokens 上限 131072;
+        # k2.7-code 上下文 256K、max_tokens 默认 32768
+        models=(PresetModel("kimi-k3", 1_048_576, 131_072),
+                PresetModel("kimi-k2.7-code", 262_144, 32_768)),
+    ),
+    "zhipu": Preset(
+        provider="zhipu",
+        label="智谱 GLM",
+        base_url="https://open.bigmodel.cn/api/paas/v4",
+        api_key_env="ZHIPUAI_API_KEY",
+        # 智谱「模型概览」(2026-09 核):线上旗舰是 **GLM-5.2**(1M 上下文 / 最大输出 128K);
+        # GLM-5.3 官方页面写的是“API 即将上线”,所以不放进种子(上线后
+        # `qi init --refresh zhipu` 就能拉回来)。GLM-4.7:200K / 128K。
+        models=(PresetModel("glm-5.2", 1_048_576, 131_072),
+                PresetModel("glm-4.7", 202_752, 131_072)),
+        note="GLM-5.3 官方标注“API 即将上线”(Bailian 已可调);上线后 `qi init --refresh zhipu` 拉一下",
+    ),
+    "minimax": Preset(
+        provider="minimax",
+        label="MiniMax",
+        base_url="https://api.minimax.cn/v1",
+        api_key_env="MINIMAX_API_KEY",
+        # MiniMax 文档:上下文 1,000,000;最大输出 128K
+        models=(PresetModel("MiniMax-M3", 1_000_000, 131_072),),
+    ),
+    "siliconflow": Preset(
+        provider="siliconflow",
+        label="硅基流动(SiliconFlow)",
+        base_url="https://api.siliconflow.cn/v1",
+        api_key_env="SILICONFLOW_API_KEY",
+        # 硅基流动模型页:1M 上下文 + 最高 384K 输出
+        models=(PresetModel("deepseek-ai/DeepSeek-V4-Flash", 1_000_000, 393_216),),
+        note="聚合平台:模型 id 带组织前缀(`zai-org/GLM-5.2`、`Qwen/…`、`Pro/…`),"
+             "各家新模型在这儿的 id 与官方不同 —— 以模型广场/`qi init --refresh siliconflow` 为准",
+    ),
+    "stepfun": Preset(
+        provider="stepfun",
+        label="阶跃星辰 StepFun",
+        base_url="https://api.stepfun.com/v1",
+        api_key_env="STEP_API_KEY",
+        # 阶跃/百炼模型页:上下文 262144 / 最大输出 262144
+        models=(PresetModel("step-3.7-flash", 262_144, 262_144),),
+    ),
+    "hunyuan": Preset(
+        provider="hunyuan",
+        label="腾讯混元(TokenHub)",
+        base_url="https://tokenhub.tencentmaas.com/v1",
+        api_key_env="HUNYUAN_API_KEY",
+        # 腾讯已把混元迁到 **TokenHub**(旧平台 `api.hunyuan.cloud.tencent.com` 不再新增模型)。
+        # TokenHub 模型列表(2026-09 核):`hy4-preview` 上下文 1M / 最大输出 64K;
+        # `hy3` 上下文 256K / 最大输出 128K。
+        models=(PresetModel("hy4-preview", 1_048_576, 65_536),
+                PresetModel("hy3", 262_144, 131_072)),
+        note="这里是 TokenHub(新平台,Key 也从 TokenHub 控制台拿);"
+             "旧平台仍是 `https://api.hunyuan.cloud.tencent.com/v1` + `hunyuan-turbos-latest`,"
+             "两边的 Key 不通用",
+    ),
+    "volcengine": Preset(
+        provider="volcengine",
+        label="火山方舟(豆包)",
+        base_url="https://ark.cn-beijing.volces.com/api/v3",
+        api_key_env="ARK_API_KEY",
+        # 厂商产品页(2026-09 核):上下文 256K(=262144)。最大输出两处口径不一(产品页写 256K、
+        # 文档写“单次最大输出 128K(含思考)”)—— **取小的那侧**(要 128K 之上的输出极少见,
+        # 而报一个超出上限的值会被接口打回)。
+        # `doubao-seed-evolving` 是**版本无关**的统一 id(周更自动迭代,不用改配置),所以排第一。
+        models=(PresetModel("doubao-seed-evolving", 262_144, 131_072),
+                PresetModel("doubao-seed-2-1-pro-260628", 262_144, 131_072)),
+        note="方舟的普通模型 id 带日期后缀(会变);`doubao-seed-evolving` 是统一 id 不需要换。"
+             "自定义部署还要用 Endpoint ID —— 以控制台“模型列表”里的调用名为准",
+    ),
+    "qianfan": Preset(
+        provider="qianfan",
+        label="百度千帆(文心)",
+        base_url="https://qianfan.baidubce.com/v2",
+        api_key_env="QIANFAN_API_KEY",
+        # 千帆模型列表:上下文 128k(=131072) / 最大输出 65536
+        # 千帆模型列表:`ernie-5.1` 是文心系列**最新**模型,与 `ernie-5.0` 同为
+        # 上下文 128k(=131072) / 最大输出 65536
+        models=(PresetModel("ernie-5.1", 131_072, 65_536),
+                PresetModel("ernie-5.0", 131_072, 65_536)),
+    ),
+}
+"""预置表(键 = `--preset` 收的名字,也是默认 provider 名)。"""
+
+
+def preset_names() -> list[str]:
+    """全部预置名(排序,给 `--list-presets` 与补全用)。"""
+    return sorted(PRESETS)
+
+
+def get_preset(name: str) -> Preset | None:
+    """按名字取预置(大小写不敏感;认 provider 名本身)。"""
+    key = (name or "").strip().lower()
+    if key in PRESETS:
+        return PRESETS[key]
+    for preset in PRESETS.values():          # 也认 label 里的 provider 名
+        if preset.provider.lower() == key:
+            return preset
+    return None
+
+
+def provider_entry(preset: Preset) -> dict[str, Any]:
+    """预置 → `models.json` 里的 provider 段(不含 models,便于合并时分开处理)。"""
+    return {
+        "api": preset.api,
+        "baseUrl": preset.base_url,
+        "apiKey": f"${preset.api_key_env}",
+    }
+
+
+def model_entry(model: PresetModel) -> dict[str, Any]:
+    """预置模型 → `models.json` 的模型条目(`contextWindow` + `maxTokens` 都是核过的值)。"""
+    return {
+        "id": model.id,
+        "contextWindow": model.context_window,
+        "maxTokens": model.max_output,
+    }
+
+
+def apply_presets(data: dict[str, Any], names: list[str]) -> tuple[dict[str, Any], list[str]]:
+    """把预置合并进 `models.json` 的内容(返回 `(新内容, 变更说明)`)。
+
+    合并规矩(与 `qi init` 的其它路径一致:**不静默覆盖用户写过的东西**):
+
+    * provider 段:缺什么补什么(`api` / `baseUrl` / `apiKey`),已有值**不动** ——
+      用户改成自建代理或别的 key 来源之后,再跑一次 preset 不该把它洗掉;
+    * 模型列表:按 id 追加缺的;同一个 id 已存在就**原样保留**(不覆盖 reasoning /
+      contextWindow —— 用户手调过的以用户为准)。
+
+    `data` 会被原地修改(调用方拿到的就是它),同时返回便于链式使用。
+    """
+    providers: dict[str, Any] = data.setdefault("providers", {})
+    changed: list[str] = []
+    for name in names:
+        preset = get_preset(name)
+        if preset is None:
+            raise KeyError(name)
+        raw_entry = providers.get(preset.provider)
+        entry: dict[str, Any] = raw_entry if isinstance(raw_entry, dict) else {}
+        if not isinstance(raw_entry, dict):
+            providers[preset.provider] = entry
+        for key, value in provider_entry(preset).items():
+            if not entry.get(key):
+                entry[key] = value
+                changed.append(f"{preset.provider}.{key}")
+        models: list[Any] = entry.setdefault("models", [])
+        known = {m.get("id") for m in models if isinstance(m, dict)}
+        for model in preset.models:
+            if model.id in known:
+                continue
+            models.append(model_entry(model))
+            changed.append(f"{preset.provider}/{model.id}")
+    return data, changed

qi_agent/prompt.py

@@ -0,0 +1,150 @@
+"""交互式提示:上下键选择 + 文本输入(样式对齐 QwenPaw 的 questionary 体验)。
+
+TTY 下用原始终端模式实现方向键菜单,渲染形如:
+
+    ? 选择 provider
+      ❯ my-llm [✓]
+        ＋ 新建 provider
+
+选择后收敛为一行 ``? 选择 provider my-llm [✓]``。
+非 TTY(管道 / 测试)退回编号输入。文本输入用 typer.prompt(行模式)。
+"""
+
+from __future__ import annotations
+
+import os
+import sys
+
+import typer
+from rich.console import Console
+
+console = Console()
+
+_ESC = "\x1b"
+_UP = ("\x1b[A", "\x1bOA")
+_DOWN = ("\x1b[B", "\x1bOB")
+_ENTER = ("\r", "\n")
+_QUESTION = "\x1b[36m?\x1b[0m"   # 青色 ?
+_POINTER = "\x1b[36m❯\x1b[0m"    # 青色指针
+
+
+def _is_tty() -> bool:
+    try:
+        return sys.stdin.isatty() and sys.stdout.isatty()
+    except Exception:  # pragma: no cover - 极端环境
+        return False
+
+
+def _read_key() -> str:
+    """读一个按键(TTY)。方向键返回带 ESC 的转义序列。"""
+    fd = sys.stdin.fileno()
+    try:
+        import termios
+        import tty
+    except ImportError:  # Windows
+        import msvcrt
+
+        ch = msvcrt.getwch()
+        if ch in ("\x00", "\xe0"):
+            nxt = msvcrt.getwch()
+            return _ESC + {"H": "A", "P": "B"}.get(nxt, nxt)
+        return ch
+
+    old = termios.tcgetattr(fd)
+    try:
+        tty.setraw(fd)
+        ch = os.read(fd, 1).decode("utf-8", "ignore")
+        if ch == _ESC:
+            nxt = os.read(fd, 1).decode("utf-8", "ignore")
+            if nxt in ("[", "O"):
+                nxt += os.read(fd, 1).decode("utf-8", "ignore")
+            return ch + nxt
+        return ch
+    finally:
+        termios.tcsetattr(fd, termios.TCSADRAIN, old)
+
+
+def _clear_lines(count: int) -> None:
+    sys.stdout.write(f"\x1b[{count}A")
+    for _ in range(count):
+        sys.stdout.write("\r\x1b[2K\n")
+    sys.stdout.write(f"\x1b[{count}A")
+    sys.stdout.flush()
+
+
+def select(message: str, options: list[str], default: int = 0) -> int:
+    """上下键选择;返回选中索引。样式对齐 questionary。"""
+    if not options:
+        raise ValueError("options 不能为空")
+    default = max(0, min(default, len(options) - 1))
+    if not _is_tty():
+        return _numbered(message, options, default)
+
+    idx = default
+    n = len(options)
+    sys.stdout.write(f"{_QUESTION} {message}\n")
+
+    def render() -> None:
+        for i, opt in enumerate(options):
+            if i == idx:
+                sys.stdout.write(f"\r\x1b[2K  {_POINTER} {opt}\n")
+            else:
+                sys.stdout.write(f"\r\x1b[2K    {opt}\n")
+        sys.stdout.flush()
+
+    render()
+    while True:
+        key = _read_key()
+        if key in _UP or key == "k":
+            idx = (idx - 1) % n
+        elif key in _DOWN or key == "j":
+            idx = (idx + 1) % n
+        elif key in _ENTER:
+            _clear_lines(n + 1)
+            sys.stdout.write(f"{_QUESTION} {message} \x1b[36m{options[idx]}\x1b[0m\n")
+            sys.stdout.flush()
+            return idx
+        elif key in ("\x03", "\x04"):  # Ctrl-C / Ctrl-D
+            raise KeyboardInterrupt
+        else:
+            continue
+        sys.stdout.write(f"\x1b[{n}A")
+        render()
+
+
+def _numbered(message: str, options: list[str], default: int) -> int:
+    for i, opt in enumerate(options, 1):
+        pointer = "[cyan]❯[/cyan]" if i - 1 == default else " "
+        console.print(f"  {pointer} [cyan]{i}[/cyan]) {opt}")
+    raw = typer.prompt(message, default=str(default + 1), show_default=True).strip()
+    if raw.isdigit() and 1 <= int(raw) <= len(options):
+        return int(raw) - 1
+    if raw in options:
+        return options.index(raw)
+    return default
+
+
+def confirm(message: str, default: bool = True) -> bool:
+    """是/否选择(上下键)。"""
+    return select(message, ["是", "否"], default=0 if default else 1) == 0
+
+
+def text(message: str, default: str | None = None, required: bool = False,
+         suffix: str = "") -> str:
+    """文本输入;required=True 时不允许空值。"""
+    label = message + suffix
+    while True:
+        raw = typer.prompt(label, default=default or "", show_default=bool(default)).strip()
+        if raw or not required:
+            return raw
+        console.print("[yellow]该项必填。[/yellow]")
+
+
+def integer(message: str, default: int) -> int:
+    """整数输入,默认值可直接回车。"""
+    raw = typer.prompt(message, default=default)
+    try:
+        return int(raw)
+    except (TypeError, ValueError):
+        console.print("[yellow]请输入整数。[/yellow]")
+        return integer(message, default)