feat(workflow): support context injection in LLM node

api/app/core/workflow/nodes/llm/node.py

@@ -5,15 +5,17 @@ LLM 节点实现
 """
 
 import logging
+import re
 from typing import Any
 from langchain_core.messages import AIMessage, SystemMessage, HumanMessage
 
 from app.core.workflow.nodes.base_node import BaseNode, WorkflowState
 from app.core.models import RedBearLLM, RedBearModelConfig
+from app.core.workflow.nodes.llm.config import LLMNodeConfig
 from app.db import get_db_context
 from app.models import ModelType
 from app.services.model_service import ModelConfigService
-        
+
 from app.core.exceptions import BusinessException
 from app.core.error_codes import BizCode
 
@@ -63,8 +65,15 @@ class LLMNode(BaseNode):
     - user/human: 用户消息（HumanMessage）
     - ai/assistant: AI 消息（AIMessage）
     """
-    
-    def _prepare_llm(self, state: WorkflowState,stream:bool = False) -> tuple[RedBearLLM, list | str]:
+    def __init__(self, node_config: dict[str, Any], workflow_config: dict[str, Any]):
+        super().__init__(node_config, workflow_config)
+        self.typed_config = LLMNodeConfig(**self.config)
+
+    def _render_context(self, message,state):
+        context = f"<context>{self._render_template(self.typed_config.context, state)}</context>"
+        return re.sub(r"{{context}}", context, message)
+
+    def _prepare_llm(self, state: WorkflowState, stream: bool = False) -> tuple[RedBearLLM, list | str]:
         """准备 LLM 实例（公共逻辑）
         
         Args:
@@ -76,15 +85,16 @@ class LLMNode(BaseNode):
 
         # 1. 处理消息格式（优先使用 messages）
         messages_config = self.config.get("messages")
-        
+
         if messages_config:
             # 使用 LangChain 消息格式
             messages = []
             for msg_config in messages_config:
                 role = msg_config.get("role", "user").lower()
                 content_template = msg_config.get("content", "")
+                content_template = self._render_context(content_template, state)
                 content = self._render_template(content_template, state)
-                
+
                 # 根据角色创建对应的消息对象
                 if role == "system":
                     messages.append(SystemMessage(content=content))
@@ -95,7 +105,7 @@ class LLMNode(BaseNode):
                 else:
                     logger.warning(f"未知的消息角色: {role}，默认使用 user")
                     messages.append(HumanMessage(content=content))
-            
+
             prompt_or_messages = messages
         else:
             # 使用简单的 prompt 格式（向后兼容）
@@ -106,17 +116,17 @@ class LLMNode(BaseNode):
         model_id = self.config.get("model_id")
         if not model_id:
             raise ValueError(f"节点 {self.node_id} 缺少 model_id 配置")
-        
+
         # 3. 在 with 块内完成所有数据库操作和数据提取
         with get_db_context() as db:
             config = ModelConfigService.get_model_by_id(db=db, model_id=model_id)
-            
-            if not config:            
+
+            if not config:
                 raise BusinessException("配置的模型不存在", BizCode.NOT_FOUND)
-            
+
             if not config.api_keys or len(config.api_keys) == 0:
                 raise BusinessException("模型配置缺少 API Key", BizCode.INVALID_PARAMETER)
-            
+
             # 在 Session 关闭前提取所有需要的数据
             api_config = config.api_keys[0]
             model_name = api_config.model_name
@@ -124,26 +134,26 @@ class LLMNode(BaseNode):
             api_key = api_config.api_key
             api_base = api_config.api_base
             model_type = config.type
-        
+
         # 4. 创建 LLM 实例（使用已提取的数据）
         # 注意：对于流式输出，需要在模型初始化时设置 streaming=True
         extra_params = {"streaming": stream} if stream else {}
-        
+
         llm = RedBearLLM(
             RedBearModelConfig(
                 model_name=model_name,
-                provider=provider,            
+                provider=provider,
                 api_key=api_key,
                 base_url=api_base,
                 extra_params=extra_params
-            ), 
+            ),
             type=ModelType(model_type)
         )
-        
+
         logger.debug(f"创建 LLM 实例: provider={provider}, model={model_name}, streaming={stream}")
-        
+
         return llm, prompt_or_messages
-    
+
     async def execute(self, state: WorkflowState) -> AIMessage:
         """非流式执行 LLM 调用
         
@@ -153,10 +163,10 @@ class LLMNode(BaseNode):
         Returns:
             LLM 响应消息
         """
-        llm, prompt_or_messages = self._prepare_llm(state,True)
-        
+        llm, prompt_or_messages = self._prepare_llm(state, True)
+
         logger.info(f"节点 {self.node_id} 开始执行 LLM 调用（非流式）")
-        
+
         # 调用 LLM（支持字符串或消息列表）
         response = await llm.ainvoke(prompt_or_messages)
         # 提取内容
@@ -164,16 +174,16 @@ class LLMNode(BaseNode):
             content = response.content
         else:
             content = str(response)
-        
+
         logger.info(f"节点 {self.node_id} LLM 调用完成，输出长度: {len(content)}")
-        
+
         # 返回 AIMessage（包含响应元数据）
         return response if isinstance(response, AIMessage) else AIMessage(content=content)
-    
+
     def _extract_input(self, state: WorkflowState) -> dict[str, Any]:
         """提取输入数据（用于记录）"""
         _, prompt_or_messages = self._prepare_llm(state)
-        
+
         return {
             "prompt": prompt_or_messages if isinstance(prompt_or_messages, str) else None,
             "messages": [
@@ -186,13 +196,13 @@ class LLMNode(BaseNode):
                 "max_tokens": self.config.get("max_tokens")
             }
         }
-    
+
     def _extract_output(self, business_result: Any) -> str:
         """从 AIMessage 中提取文本内容"""
         if isinstance(business_result, AIMessage):
             return business_result.content
         return str(business_result)
-    
+
     def _extract_token_usage(self, business_result: Any) -> dict[str, int] | None:
         """从 AIMessage 中提取 token 使用情况"""
         if isinstance(business_result, AIMessage) and hasattr(business_result, 'response_metadata'):
@@ -204,7 +214,7 @@ class LLMNode(BaseNode):
                     "total_tokens": usage.get('total_tokens', 0)
                 }
         return None
-    
+
     async def execute_stream(self, state: WorkflowState):
         """流式执行 LLM 调用
         
@@ -215,26 +225,26 @@ class LLMNode(BaseNode):
             文本片段（chunk）或完成标记
         """
         from langgraph.config import get_stream_writer
-        
+
         llm, prompt_or_messages = self._prepare_llm(state, True)
-        
+
         logger.info(f"节点 {self.node_id} 开始执行 LLM 调用（流式）")
         logger.debug(f"LLM 配置: streaming={getattr(llm._model, 'streaming', 'unknown')}")
-        
+
         # 检查是否有注入的 End 节点前缀配置
         writer = get_stream_writer()
         end_prefix = getattr(self, '_end_node_prefix', None)
-        
+
         logger.info(f"[LLM前缀] 节点 {self.node_id} 检查前缀配置: {end_prefix is not None}")
         if end_prefix:
             logger.info(f"[LLM前缀] 前缀内容: '{end_prefix}'")
-        
+
         if end_prefix:
             # 渲染前缀（可能包含其他变量）
             try:
                 rendered_prefix = self._render_template(end_prefix, state)
                 logger.info(f"节点 {self.node_id} 提前发送 End 节点前缀: '{rendered_prefix[:50]}...'")
-                
+
                 # 提前发送 End 节点的前缀（使用 "message" 类型）
                 writer({
                     "type": "message",  # End 相关的内容都是 message 类型
@@ -246,12 +256,12 @@ class LLMNode(BaseNode):
                 })
             except Exception as e:
                 logger.warning(f"渲染/发送 End 节点前缀失败: {e}")
-        
+
         # 累积完整响应
         full_response = ""
         last_chunk = None
         chunk_count = 0
-        
+
         # 调用 LLM（流式，支持字符串或消息列表）
         async for chunk in llm.astream(prompt_or_messages):
             # 提取内容
@@ -259,18 +269,18 @@ class LLMNode(BaseNode):
                 content = chunk.content
             else:
                 content = str(chunk)
-            
+
             # 只有当内容不为空时才处理
             if content:
                 full_response += content
                 last_chunk = chunk
                 chunk_count += 1
-                
+
                 # 流式返回每个文本片段
                 yield content
-        
+
         logger.info(f"节点 {self.node_id} LLM 调用完成，输出长度: {len(full_response)}, 总 chunks: {chunk_count}")
-        
+
         # 构建完整的 AIMessage（包含元数据）
         if isinstance(last_chunk, AIMessage):
             final_message = AIMessage(
@@ -279,6 +289,6 @@ class LLMNode(BaseNode):
             )
         else:
             final_message = AIMessage(content=full_response)
-        
+
         # yield 完成标记
         yield {"__final__": True, "result": final_message}