fix(ci): 修復 docker socket 重複掛載 (1774793847)

apps/api/src/services/intent_classifier.py

@@ -21,18 +21,40 @@ K8s 操作意圖分類器，用於智能路由模型選擇
 
 from __future__ import annotations
 
+import json
 import re
+import time
 from dataclasses import dataclass, field
 from enum import Enum
 from typing import Protocol, runtime_checkable
 
+import httpx
 import structlog
 
+from src.core.config import settings
 from src.services.model_registry import get_model_registry
 
 logger = structlog.get_logger(__name__)
 
 
+# LLM 分類 Prompt 模板 (Phase 13.4)
+_LLM_CLASSIFY_PROMPT = """你是 K8s 操作意圖分類專家。根據以下輸入，判斷用戶的操作意圖。
+
+可選意圖類型:
+- restart: 重啟 Pod/Deployment/StatefulSet
+- scale: 擴縮容、HPA 調整
+- config: ConfigMap/Secret/ENV 變更
+- diagnose: 日誌查詢、健康檢查、RCA
+- delete: 刪除資源（高風險）
+- rollback: 回滾版本
+- unknown: 無法判斷
+
+輸入: {text}
+
+請以 JSON 格式回答，只輸出 JSON:
+{{"intent": "<類型>", "confidence": <0.0-1.0>, "reasoning": "<判斷依據>"}}"""
+
+
 # =============================================================================
 # 意圖類型定義 (Phase 13.3 #85)
 # =============================================================================
@@ -503,9 +525,9 @@ class IntentClassifier:
 
     async def _llm_classify(self, text: str) -> IntentResult:
         """
-        LLM 分類 (方案 B)
+        LLM 分類 (方案 B) - Phase 13.4
 
-        目標延遲: < 100ms (使用 qwen2.5:1b)
+        目標延遲: < 100ms (使用 qwen2.5:1b 或配置的 intent 模型)
 
         Args:
             text: 已轉小寫的輸入文字
@@ -513,20 +535,114 @@ class IntentClassifier:
         Returns:
             IntentResult: 分類結果
 
-        Note:
-            目前返回 UNKNOWN，待 Ollama qwen2.5:1b 部署後啟用
+        2026-03-30 Claude Code: 實作 Ollama 整合
         """
-        # TODO: 整合 Ollama qwen2.5:1b (Phase 13.4)
-        # 預計使用 text 呼叫 Ollama API 進行分類
-        # 目前先返回 UNKNOWN，規則引擎已能處理大部分情況
-        del text  # 預留給 LLM 分類使用，避免 unused-parameter 警告
+        start_time = time.time()
+
+        try:
+            # 建構 Prompt
+            prompt = _LLM_CLASSIFY_PROMPT.format(text=text)
+
+            # 取得模型配置
+            model_name = self.llm_model  # qwen2.5:1b 或配置值
+
+            # 呼叫 Ollama
+            async with httpx.AsyncClient() as client:
+                response = await client.post(
+                    f"{settings.OLLAMA_URL}/api/generate",
+                    json={
+                        "model": model_name,
+                        "prompt": prompt,
+                        "stream": False,
+                        "format": "json",
+                        "options": {
+                            "num_predict": 128,  # 意圖分類只需短回應
+                            "temperature": 0.0,  # 確定性輸出
+                            "top_p": 0.9,
+                        },
+                    },
+                    timeout=httpx.Timeout(5.0, connect=2.0),  # 嚴格超時
+                )
+
+                response.raise_for_status()
+                data = response.json()
+                result_text = data.get("response", "")
+
+            # 解析 JSON 回應
+            elapsed_ms = (time.time() - start_time) * 1000
+
+            try:
+                parsed = json.loads(result_text)
+                intent_str = parsed.get("intent", "unknown").lower()
+                confidence = float(parsed.get("confidence", 0.5))
+                reasoning = parsed.get("reasoning", "")
+
+                # 映射到 IntentType
+                intent = self._parse_intent_type(intent_str)
+
+                logger.info(
+                    "intent_llm_classified",
+                    intent=intent.value,
+                    confidence=confidence,
+                    elapsed_ms=round(elapsed_ms, 1),
+                    model=model_name,
+                )
+
+                return IntentResult(
+                    intent=intent,
+                    confidence=confidence,
+                    method="llm",
+                    matched_keywords=[],
+                    detected_resources=[],
+                    reasoning=reasoning,
+                )
+
+            except (json.JSONDecodeError, KeyError, ValueError) as e:
+                logger.warning(
+                    "intent_llm_parse_failed",
+                    error=str(e),
+                    response_preview=result_text[:100],
+                )
+                return self._llm_fallback_result("JSON 解析失敗")
+
+        except httpx.TimeoutException:
+            elapsed_ms = (time.time() - start_time) * 1000
+            logger.warning(
+                "intent_llm_timeout",
+                elapsed_ms=round(elapsed_ms, 1),
+            )
+            return self._llm_fallback_result("LLM 超時")
+
+        except Exception as e:
+            logger.warning(
+                "intent_llm_error",
+                error=str(e),
+                error_type=type(e).__name__,
+            )
+            return self._llm_fallback_result(f"LLM 錯誤: {type(e).__name__}")
+
+    def _parse_intent_type(self, intent_str: str) -> IntentType:
+        """解析意圖字串為 IntentType"""
+        intent_map = {
+            "restart": IntentType.RESTART,
+            "scale": IntentType.SCALE,
+            "config": IntentType.CONFIG,
+            "diagnose": IntentType.DIAGNOSE,
+            "delete": IntentType.DELETE,
+            "rollback": IntentType.ROLLBACK,
+            "unknown": IntentType.UNKNOWN,
+        }
+        return intent_map.get(intent_str.lower(), IntentType.UNKNOWN)
+
+    def _llm_fallback_result(self, reason: str) -> IntentResult:
+        """LLM 失敗時的 fallback 結果"""
         return IntentResult(
             intent=IntentType.UNKNOWN,
-            confidence=0.0,  # 🔴 LLM 未啟用，非 AI 分析
+            confidence=0.0,
             method="llm",
             matched_keywords=[],
             detected_resources=[],
-            reasoning="LLM 分類尚未啟用",
+            reasoning=reason,
         )
 
     def get_supported_intents(self) -> list[dict]: