feat(demohouse/video_analyser): new model

Author: liyuxuan-bd

demohouse/video_analyser/README.md

@@ -14,8 +14,7 @@
 
 ### 相关模型
 
-- Doubao-pro-32k：主要参与记忆信息的处理，在当前画面无法直接回答用户问题时，大语言模型将结合历史记忆提供精准答案。
-- Doubao-vision-pro-32k：负责对摄像头实时捕捉的视频画面进行视觉内容理解。
+- Doubao-Seed-1.6-flash：负责对摄像头实时捕捉的视频画面进行视觉内容理解以及问题回答，在当前画面无法直接回答用户问题时，大语言模型将结合历史记忆提供精准答案。
 - Doubao-语音合成：负责将模型生成的文本回答转化为自然流畅的语音输出。
 - Doubao-流式语音识别：将用户的语音提问转写为文本，以便于大模型对用户问题的理解与回复。
 
@@ -29,8 +28,7 @@
 - [Node.js](https://nodejs.org/) (版本 16.2.0 或更高，推荐 Node.js 18 的 LTS 版本)
 - 已获取火山方舟 API Key [参考文档](https://www.volcengine.com/docs/82379/1298459#api-key-%E7%AD%BE%E5%90%8D%E9%89%B4%E6%9D%83)
 - 获取语音技术产品的 APP ID 和 Access Token，获取方式参见【附录】
-- 已创建 Doubao-Vision-Pro 32K 的 endpoint  [参考文档](https://www.volcengine.com/docs/82379/1099522#594199f1)
-- 已创建 Doubao-Pro 32K 的endpoint [参考文档](https://www.volcengine.com/docs/82379/1099522#594199f1)
+- 已开通 Doubao-Seed-1.6-flash 模型
 
 ## 快速开始
 
@@ -44,12 +42,10 @@
    ```
 2. 修改配置
 
-   - 修改`backend/code/config.py` 中配置，填入刚刚获取的API keys， endpoint id 和 APP ID和 Access Token 
+   - 修改`backend/code/config.py` 中配置，填入刚刚获取的 APP ID和 Access Token 
 
      | 配置变量名   | 说明                              |
      | ------------ | --------------------------------- |
-     | VLM_ENDPOINT | doubao-vision-pro 32k endpoint id |
-     | LLM_ENDPOINT | doubao-pro 32k endpoint id        |
      | TTS_APP_ID   | 语音合成模型 APP ID          |
      | TTS_ACCESS_TOKEN      | 语音合成模型 Access Token           |
 
@@ -106,7 +102,7 @@
 - 实时抽帧的纯图片：前端每秒会发送一个只包含一帧图片的请求，后端会将其存入长期记忆，用于之后的回答；后端对这个请求不回复任何内容。
 - 包含用户提问的请求：当前端通过VAD识别到用户提问时，会将识别出来的问题文字和用户讲话时的当前图片一起发起给后端，后端会以语音形式进行回复。
 
-2. 由于每次`bot/chat` 的请求都是无状态的，前端会在header中传入一个X-Context-Id，帮助后端存储和召回用户的历史视频信息。
+2. 由于每次`bot/chat` 的请求都是无状态的，前端会在metadata中传入一个context_id，帮助后端存储和召回用户的历史视频信息。
 
 ### 模型回复策略
 

demohouse/video_analyser/backend/code/config.py

@@ -9,8 +9,8 @@
 # See the License for the specific language governing permissions and
 # limitations under the License.
 
-VLM_ENDPOINT = "<ENDPOINT_ID_FOR_DOUBAO_VISION_PRO>"
-LLM_ENDPOINT = "<ENDPOINT_ID_FOR_LLM>"  # 256K model for a short term memory
+VISUAL_SUMMARY_ENDPOINT = "doubao-seed-1-6-flash-250615"
+QUESTION_ANSWER_ENDPOINT = "doubao-seed-1-6-flash-250615"
 
 TTS_APP_ID = "<TTS_APP_ID>"
 TTS_ACCESS_TOKEN = "<TTS_ACCESS_TOKEN>"

demohouse/video_analyser/backend/code/main.py

@@ -20,16 +20,19 @@
 
 import prompt
 import utils
-from config import LLM_ENDPOINT, VLM_ENDPOINT, TTS_ACCESS_TOKEN, TTS_APP_ID
+from config import VISUAL_SUMMARY_ENDPOINT, QUESTION_ANSWER_ENDPOINT, TTS_ACCESS_TOKEN, TTS_APP_ID
+
+from volcenginesdkarkruntime.types.chat.completion_create_params import Thinking
+
+from volcenginesdkarkruntime.types.chat.chat_completion_content_part_text_param import ChatCompletionContentPartTextParam
 
 from arkitect.core.component.llm import BaseChatLanguageModel
-from arkitect.core.component.llm.model import (
+from arkitect.types.llm.model import (
     ArkChatCompletionChunk,
     ArkChatParameters,
     ArkChatRequest,
     ArkChatResponse,
     ArkMessage,
-    ChatCompletionMessageTextPart,
     Response,
 )
 from arkitect.core.component.tts import (
@@ -58,7 +61,7 @@ async def get_request_messages_for_llm(
     request_messages = await contexts.get_history(context_id)
     if isinstance(request.messages[-1].content, list):
         assert isinstance(
-            request.messages[-1].content[0], ChatCompletionMessageTextPart
+            request.messages[-1].content[0], ChatCompletionContentPartTextParam
         )
         text = request.messages[-1].content[0].text
     else:
@@ -74,7 +77,7 @@ async def chat_with_vlm(
     parameters: ArkChatParameters,
 ) -> Tuple[bool, Optional[AsyncIterable[ArkChatCompletionChunk]]]:
     vlm = BaseChatLanguageModel(
-        endpoint_id=VLM_ENDPOINT,
+        endpoint_id=VISUAL_SUMMARY_ENDPOINT,
         messages=[ArkMessage(role="system", content=prompt.VLM_CHAT_PROMPT)]
         + [request.messages[-1]],
         parameters=parameters,
@@ -108,7 +111,7 @@ async def llm_answer(
         contexts, context_id, request, prompt.LLM_PROMPT
     )
     llm = BaseChatLanguageModel(
-        endpoint_id=LLM_ENDPOINT,
+        endpoint_id=QUESTION_ANSWER_ENDPOINT,
         messages=request_messages,
         parameters=parameters,
     )
@@ -180,7 +183,7 @@ async def summarize_image(
         ArkMessage(role="system", content=prompt.VLM_PROMPT)
     ] + request.messages
     vlm = BaseChatLanguageModel(
-        endpoint_id=VLM_ENDPOINT,
+        endpoint_id=VISUAL_SUMMARY_ENDPOINT,
         messages=request_messages,
         parameters=parameters,
     )
@@ -195,7 +198,7 @@ async def default_model_calling(
     request: ArkChatRequest,
 ) -> AsyncIterable[Union[ArkChatCompletionChunk, ArkChatResponse]]:
     # local in-memory storage should be changed to other storage in production
-    context_id: Optional[str] = get_headers().get("X-Context-Id", None)
+    context_id: Optional[str] = request.metadata["context_id"]
     assert context_id is not None
     contexts: utils.Storage = utils.CoroutineSafeMap.get_instance_sync()
     if not await contexts.contains(context_id):
@@ -205,10 +208,11 @@ async def default_model_calling(
     # Use VLM to summarize the image asynchronously and return immediately
     is_image = (
         isinstance(request.messages[-1].content, list)
-        and isinstance(request.messages[-1].content[0], ChatCompletionMessageTextPart)
+        and isinstance(request.messages[-1].content[0], ChatCompletionContentPartTextParam)
         and request.messages[-1].content[0].text == ""
     )
     parameters = ArkChatParameters(**request.__dict__)
+    parameters.thinking = Thinking(type="disabled")
     if is_image:
         _ = asyncio.create_task(
             summarize_image(contexts, request, parameters, context_id)
@@ -248,7 +252,7 @@ async def default_model_calling(
     await tts_client.close()
     text = ""
     if isinstance(request.messages[-1].content, list) and isinstance(
-        request.messages[-1].content[0], ChatCompletionMessageTextPart
+        request.messages[-1].content[0], ChatCompletionContentPartTextParam
     ):
         text = request.messages[-1].content[0].text
     elif isinstance(request.messages[-1].content, str):