fix: 全方位审查问题修复（P0~P3）

P0: ORM-迁移同步
- 新增 RawEvent/IngestFailure/DataQualityCheck/DataLineage 4 个模型类
- MatchStats 补充 xg_source/xg_updated_at/xg_source_record_id 字段
- 修复 server_default=_utcnow → func.now()（4 处）
- BigInteger 导入

P1:
- log_buffer.py 移除 threading.Lock（asyncio 单线程下无需锁）
- 确认 context_builder/understat/injuries 等已有修复

P2:
- Dockerfile 新增非 root 用户 + .dockerignore
- 前端 fetchDashboard 修复 total 字段（改用 items.length）
- 前端 fetchSystemConfig 改用真实 /admin/settings 端点
- 修复 validation.py return self"" → return self

P3:
- predict.py 缓存加 _CACHE_MAX_SIZE=200 淘汰
- eval.py get_eval_summary 加 limit 参数（默认 1000）+ 返回 total_settled
- orchestrator.py agent provider 配置缓存 60s

src/llm/agents/orchestrator.py

@@ -30,6 +30,11 @@ from src.llm.provider import LLMProvider, get_default_provider
 
 logger = logging.getLogger(__name__)
 
+# P3-2: agent provider 配置缓存(TTL 60s),避免每次 _agent_provider 都多次查 DB
+_AGENT_PROVIDER_CACHE: dict[str, tuple[float, LLMProvider]] = {}
+_AGENT_PROVIDER_CACHE_TTL = 60.0
+
+
 # ── 5 个专家 agent 定义 ──
 # A=近期状态 B=攻防数据 C=主客因素 D=阵容完整性 E=历史交锋
 SPECIALIST_SPECS: list[AgentSpec] = [
@@ -103,7 +108,16 @@ async def _agent_provider(agent_id: str, *, tier: str) -> LLMProvider:
     覆盖优先级:
       模型: AGENT_MODEL_{ID}(运行时) → 层级默认(LLM_SPECIALIST/AGGREGATOR_MODEL) → 全局 LLM_MODEL
       地址/密钥: AGENT_BASE_URL_{ID} / AGENT_API_KEY_{ID}(运行时) → 全局 LLM_BASE_URL / LLM_API_KEY
+
+    P3-2: 结果缓存 60 秒,避免每次预测都多次查询运行时配置 DB。
     """
+    cache_key = f"{agent_id}:{tier}"
+    cached = _AGENT_PROVIDER_CACHE.get(cache_key)
+    if cached is not None:
+        ts, provider = cached
+        if time.time() - ts < _AGENT_PROVIDER_CACHE_TTL:
+            return provider
+
     pfx = f"AGENT_{agent_id.upper()}_"
     p = await get_default_provider()
     tier_model = settings.LLM_SPECIALIST_MODEL if tier == "specialist" else settings.LLM_AGGREGATOR_MODEL
@@ -118,6 +132,11 @@ async def _agent_provider(agent_id: str, *, tier: str) -> LLMProvider:
     key = await get_runtime_value(f"{pfx}API_KEY")
     if key:
         p.api_key = key
+
+    _AGENT_PROVIDER_CACHE[cache_key] = (time.time(), p)
+    # 简单淘汰:超过 20 条时清空(60s TTL 下不会累积太多)
+    if len(_AGENT_PROVIDER_CACHE) > 20:
+        _AGENT_PROVIDER_CACHE.clear()
     return p
 
 

src/llm/eval.py

@@ -3,7 +3,7 @@ from __future__ import annotations
 
 import logging
 
-from sqlalchemy import select
+from sqlalchemy import func, select
 
 from src.db.models import Prediction
 from src.db.unit_of_work import get_uow
@@ -32,12 +32,22 @@ def _actual_1x2(home: int, away: int) -> str:
     return "2"
 
 
-async def get_eval_summary() -> dict:
-    """按 provider × 模型聚合评估。"""
+async def get_eval_summary(limit: int = 1000) -> dict:
+    """按 provider × 模型聚合评估。
+
+    P3-4: 默认限制评估最近 1000 条已结算预测,避免全表加载导致内存压力。
+    可通过 eval 路由的 query 参数调整。
+    """
     async with get_uow() as session:
+        # 先统计全量已结算数,用于前端展示"共 X 条,评估 Y 条"
+        total_settled = (await session.execute(
+            select(func.count()).where(Prediction.settled == True)
+        )).scalar_one()
         stmt = (
             select(Prediction)
             .where(Prediction.settled == True)
+            .order_by(Prediction.id.desc())
+            .limit(limit)
         )
         result = await session.execute(stmt)
         rows = list(result.scalars().all())
@@ -76,4 +86,4 @@ async def get_eval_summary() -> dict:
                 "avg_score_rmse": round(avg_err, 2) if avg_err is not None else None,
                 "avg_subjective_confidence": round(avg_conf, 2) if avg_conf is not None else None,
             })
-        return {"summary": summary}
+        return {"summary": summary, "total_settled": total_settled, "evaluated": len(rows)}

src/llm/predict.py

@@ -8,7 +8,6 @@ import time
 from dataclasses import dataclass
 from datetime import datetime, timezone
 from pathlib import Path
-from threading import Lock
 
 from src.core.config import settings
 from sqlalchemy import select
@@ -25,6 +24,7 @@ _PROMPT_DIR = Path(__file__).resolve().parent / "prompts"
 
 # ── LLM 响应缓存(match+provider+model+version → 结果) ──
 _CACHE_TTL_SEC = 300  # 5 分钟
+_CACHE_MAX_SIZE = 200  # P3-1: 有上限,避免长期运行内存无限增长
 # P1-5: 缓存仅在 asyncio 协程内同步访问(dict 操作 GIL 原子),无需 threading.Lock。
 # 删除 _cache_lock,避免同步锁阻塞事件循环;dict 的 get/set 在 CPython 下原子。
 _cache: dict[str, tuple[float, PredictResult]] = {}
@@ -56,6 +56,10 @@ def _set_cached(match_id: int, provider: str, model: str, version: str, tpl_hash
     # P1-5: 无锁写入。同上,dict set 原子。
     key = _cache_key(match_id, provider, model, version, tpl_hash)
     _cache[key] = (time.time(), result)
+    # P3-1: 超过上限时淘汰最旧条目(按时间戳排序)
+    if len(_cache) > _CACHE_MAX_SIZE:
+        oldest_key = min(_cache, key=lambda k: _cache[k][0])
+        _cache.pop(oldest_key, None)
 
 
 def clear_prompt_cache() -> None:

src/llm/validation.py

@@ -75,7 +75,7 @@ class PredictionOutputSchema(BaseModel):
         ):
             self.alt_pred_home_goals = None
             self.alt_pred_away_goals = None
-        return self""
+        return self
 
     @field_validator("pred_1x2")
     @classmethod