feat(chat): 支持 function calling，模型可主动查询原文数据

新增三个工具供 LLM 调用：
- lookup_transcript: 查询转录原文（按时间范围、关键词、位置筛选）
- get_video_info: 获取视频元信息（标题、作者、简介、标签等）
- get_note_content: 获取完整笔记 Markdown 内容

实现 tool calling 循环（最多 3 轮），LLM 可根据问题
主动调用工具获取所需信息，不再完全依赖 RAG 检索。

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

backend/app/services/chat_service.py

@@ -1,35 +1,38 @@
+import json
 from typing import Optional
 
 from app.gpt.gpt_factory import GPTFactory
 from app.models.model_config import ModelConfig
 from app.services.provider import ProviderService
 from app.services.vector_store import VectorStoreManager
+from app.services.chat_tools import TOOLS, execute_tool
 from app.utils.logger import get_logger
 
 logger = get_logger(__name__)
 
-SYSTEM_PROMPT = """你是一个视频笔记问答助手。你可以参考两种来源回答用户的问题：
-1. [视频信息] — 视频标题、作者、简介、标签等元信息
-2. [笔记] — AI 生成的视频摘要笔记
-3. [转录] — 视频原始语音转录文本（含时间戳）
+SYSTEM_PROMPT = """你是一个视频笔记问答助手。你拥有以下能力：
 
-以下是检索到的相关内容：
+1. 系统已自动检索了一些相关内容作为初始参考（见下方）
+2. 你可以调用工具主动查询更多信息：
+   - lookup_transcript: 查询视频原始转录文本（支持按时间、关键词、位置筛选）
+   - get_video_info: 获取视频元信息（标题、作者、简介、标签等）
+   - get_note_content: 获取完整笔记内容
 
---- 相关内容 ---
+--- 初始检索内容 ---
 {context}
 ---
 
 回答要求：
-- 优先使用转录原文回答关于视频具体内容、原话、细节的问题
-- 优先使用笔记回答关于总结、要点、结构的问题
-- 如果确实没有相关信息，请诚实告知
+- 如果初始检索内容不足以回答问题，请主动调用工具获取更多信息
+- 回答关于视频具体原话、细节时，用 lookup_transcript 查询原文
+- 回答关于作者、标题等基本信息时，用 get_video_info 查询
 - 请用中文回答，保持简洁准确"""
 
 
 def _build_context(chunks: list[dict]) -> str:
     """将检索到的片段拼接为上下文文本。"""
     parts = []
-    for i, chunk in enumerate(chunks, 1):
+    for chunk in chunks:
         meta = chunk.get("metadata", {})
         source_type = meta.get("source_type", "unknown")
         if source_type == "meta":
@@ -71,39 +74,29 @@ def chat(
     model_name: str,
 ) -> dict:
     """
-    RAG 问答：检索相关片段 → 构建 prompt → 调用 LLM → 返回答案 + 来源。
-
-    Returns:
-        {"answer": str, "sources": list[dict]}
+    RAG + Tool Calling 问答。
+    1. 向量检索初始上下文
+    2. 调用 LLM（带 tools）
+    3. 如果 LLM 调用了工具，执行工具并将结果返回给 LLM
+    4. 循环直到 LLM 给出最终回答
     """
     vector_store = VectorStoreManager()
 
-    # 1. 检索相关片段
-    chunks = vector_store.query(task_id, question, n_results=5)
-    print(
-        f"检索到 {len(chunks)} 个相关片段: {[c['metadata'].get('source_type') for c in chunks]}"
-    )
-    if not chunks:
-        return {
-            "answer": "暂未找到相关笔记内容，请确认笔记已生成并完成索引。",
-            "sources": [],
-        }
+    # 1. 检索初始上下文
+    chunks = vector_store.query(task_id, question, n_results=6)
+    context = _build_context(chunks) if chunks else "（未检索到相关内容，请使用工具查询）"
+    sources = _build_sources(chunks) if chunks else []
 
-    # 2. 构建上下文和来源
-    context = _build_context(chunks)
-    sources = _build_sources(chunks)
-
-    # 3. 构建消息
+    # 2. 构建消息
     system_msg = SYSTEM_PROMPT.format(context=context)
     messages = [{"role": "system", "content": system_msg}]
 
-    # 加入历史对话（最近 10 轮）
     for msg in history[-20:]:
         messages.append({"role": msg["role"], "content": msg["content"]})
 
     messages.append({"role": "user", "content": question})
 
-    # 4. 调用 LLM
+    # 3. 获取 LLM client
     provider = ProviderService.get_provider_by_id(provider_id)
     if not provider:
         raise ValueError(f"未找到模型供应商: {provider_id}")
@@ -117,14 +110,49 @@ def chat(
     )
     gpt = GPTFactory.from_config(config)
 
-    logger.info(f"Chat RAG: task_id={task_id}, provider={provider['name']}, model={model_name}")
+    logger.info(f"Chat: task_id={task_id}, model={model_name}")
 
+    # 4. Tool calling 循环（最多 3 轮）
+    max_rounds = 3
+    for round_i in range(max_rounds):
+        response = gpt.client.chat.completions.create(
+            model=gpt.model,
+            messages=messages,
+            tools=TOOLS,
+            temperature=0.7,
+        )
+
+        msg = response.choices[0].message
+
+        # 没有工具调用，直接返回
+        if not msg.tool_calls:
+            return {"answer": msg.content or "", "sources": sources}
+
+        # 处理工具调用
+        messages.append(msg)
+
+        for tool_call in msg.tool_calls:
+            fn_name = tool_call.function.name
+            try:
+                fn_args = json.loads(tool_call.function.arguments)
+            except json.JSONDecodeError:
+                fn_args = {}
+
+            logger.info(f"Tool call [{round_i+1}/{max_rounds}]: {fn_name}({fn_args})")
+
+            result = execute_tool(task_id, fn_name, fn_args)
+
+            messages.append({
+                "role": "tool",
+                "tool_call_id": tool_call.id,
+                "content": result,
+            })
+
+    # 超过最大轮次，做最后一次不带 tools 的调用
     response = gpt.client.chat.completions.create(
         model=gpt.model,
         messages=messages,
         temperature=0.7,
     )
 
-    answer = response.choices[0].message.content
-
-    return {"answer": answer, "sources": sources}
+    return {"answer": response.choices[0].message.content or "", "sources": sources}