feat: 添加文字输入对话功能

- 后端 WsQuery 添加 text 字段，支持文本输入模式
- Pipeline 支持文本查询时跳过 STT 直接使用输入文本
- 前端 ChatPanel 添加文字输入框，连接状态下可用
- useVisionSession 添加 sendTextMessage 方法
- 更新接口文档，添加文本输入模式说明

backend/internal/models/models.go

@@ -55,6 +55,7 @@ type WsQuery struct {
 	RequestID string `json:"request_id"`
 	Image     string `json:"image"`     // base64
 	Audio     string `json:"audio"`     // base64
+	Text      string `json:"text"`      // 用户手动输入的文本（有值时跳过 STT）
 	MimeType  string `json:"mime_type"` // 默认 "audio/pcm"
 }
 

backend/internal/orchestrator/pipeline.go

@@ -62,22 +62,27 @@ func (p *Pipeline) ProcessQuery(
 	log := logger.Log
 	startTime := time.Now()
 
-	// 解码音频数据
-	audio, err := base64.StdEncoding.DecodeString(req.Audio)
-	if err != nil {
-		log.Errorw("音频解码失败", "error", err)
-		sender.SendError(models.WsError{
-			Type:      "error",
-			RequestID: req.RequestID,
-			Code:      "INVALID_MESSAGE",
-			Message:   "音频数据解码失败",
-		})
-		return err
+	// 解码音频数据（文本输入模式可跳过）
+	var audio []byte
+	if req.Text == "" && req.Audio != "" {
+		var err error
+		audio, err = base64.StdEncoding.DecodeString(req.Audio)
+		if err != nil {
+			log.Errorw("音频解码失败", "error", err)
+			sender.SendError(models.WsError{
+				Type:      "error",
+				RequestID: req.RequestID,
+				Code:      "INVALID_MESSAGE",
+				Message:   "音频数据解码失败",
+			})
+			return err
+		}
 	}
 
 	// 解码图片数据（可选）
 	var image []byte
 	if req.Image != "" {
+		var err error
 		image, err = base64.StdEncoding.DecodeString(req.Image)
 		if err != nil {
 			log.Errorw("图片解码失败", "error", err)
@@ -110,45 +115,64 @@ func (p *Pipeline) ProcessQuery(
 		return err
 	}
 
-	// Step 1: STT 语音识别
-	log.Infow("开始语音识别", "request_id", req.RequestID)
-	sttResult, err := p.sttService.Recognize(ctx, audio, stt.Options{
-		Encoding:   "pcm_s16le",
-		SampleRate: 16000,
-		Language:   sess.Config.Language,
-	})
-	if err != nil {
-		log.Errorw("语音识别失败", "error", err)
-		sender.SendError(models.WsError{
-			Type:      "error",
-			RequestID: req.RequestID,
-			Code:      "STT_ERROR",
-			Message:   "语音识别失败",
-		})
-		return err
-	}
+	// Step 1: 获取用户文本（语音识别或直接使用输入文本）
+	var userText string
+	if req.Text != "" {
+		// 文本输入模式：跳过 STT，直接使用用户输入的文本
+		log.Infow("使用文本输入", "request_id", req.RequestID, "text", req.Text)
+		userText = req.Text
 
-	// 发送 STT 结果
-	if err := sender.SendSTTResult(models.WsSTTResult{
-		Type:      "stt_result",
-		RequestID: req.RequestID,
-		Text:      sttResult,
-		IsFinal:   true,
-	}); err != nil {
-		log.Errorw("发送 STT 结果失败", "error", err)
+		// 发送 stt_result 以保持前端消息流一致性
+		if err := sender.SendSTTResult(models.WsSTTResult{
+			Type:      "stt_result",
+			RequestID: req.RequestID,
+			Text:      userText,
+			IsFinal:   true,
+		}); err != nil {
+			log.Errorw("发送 STT 结果失败", "error", err)
+		}
+	} else {
+		// 语音模式：执行 STT 语音识别
+		log.Infow("开始语音识别", "request_id", req.RequestID)
+		sttResult, err := p.sttService.Recognize(ctx, audio, stt.Options{
+			Encoding:   "pcm_s16le",
+			SampleRate: 16000,
+			Language:   sess.Config.Language,
+		})
+		if err != nil {
+			log.Errorw("语音识别失败", "error", err)
+			sender.SendError(models.WsError{
+				Type:      "error",
+				RequestID: req.RequestID,
+				Code:      "STT_ERROR",
+				Message:   "语音识别失败",
+			})
+			return err
+		}
+		userText = sttResult
+
+		// 发送 STT 结果
+		if err := sender.SendSTTResult(models.WsSTTResult{
+			Type:      "stt_result",
+			RequestID: req.RequestID,
+			Text:      userText,
+			IsFinal:   true,
+		}); err != nil {
+			log.Errorw("发送 STT 结果失败", "error", err)
+		}
 	}
 
 	// 追加用户消息到历史
 	p.sessionMgr.AppendMessage(ctx, sessionID, models.Message{
 		Role:    "user",
-		Content: sttResult,
+		Content: userText,
 	})
 
 	// Step 2+3: LLM 流式推理 + TTS 并行合成
 	log.Infow("开始 LLM 推理", "request_id", req.RequestID)
 	llmReq := llm.Request{
 		Image:    image,
-		Text:     sttResult,
+		Text:     userText,
 		History:  history,
 		Language: sess.Config.Language,
 	}