fix(chat): 流式问答中文乱码 + 问答模型链换成专用文字大模型

## 乱码修复
Gemini 流式接口 resp.iter_lines(decode_unicode=True) 没有显式设置
resp.encoding，requests 自己猜编码猜错了（Gemini 的 SSE 响应 Content-Type
不带 charset 参数），导致中文变成典型的 UTF-8 被当 Latin-1 解码的乱码。
fam-core 转发这一跳的 requests.iter_lines 调用有同样的坑，一并修了。
两处响应的 Content-Type 都补上 charset=utf-8，减少下游再犯同样错误的机会。
顺手用 latin-1/utf-8 往返把 NAS chat_history 里已经存了乱码的 3 条历史记录
恢复成正常文字。

## 问答模型链重新设计（跟视频分析完全独立）
用户要求问答不再用 flash/omni，优先用 NVIDIA 免费文字模型里上下文最大的几个，
不行再退 Gemini 非 flash 文字模型，最后本地 Ollama 兜底。

- base_adapter 新增 usage 字段（纯标记，不影响行为）
- qa.py 的 QAOrchestrator 只挑 role='text' 的适配器参与问答（按 config 出现
  顺序决定降级顺序），role='vision' 的视频分析适配器（gemini-flash-latest /
  nvidia omni）不再参与问答，两条链路彻底解耦
- 新增问答专用 NVIDIA 文字模型链（同一适配器内部 model_chain 降级）：
  nemotron-3-ultra-550b-a55b(1M上下文/561B) -> nemotron-3-super-120b-a12b
  (1M上下文/124B) -> openai/gpt-oss-120b(131K上下文/117B)。三个都用真实
  API 调用验证过当前账号可访问；同时验证过 llama-3.1-70b-instruct 和
  nemotron-super-49b-v1.5 都收到"08/25/2026 起弃用"通知，排除；
  nemotron-ultra-253b/mistral-large-2/nemotron-4-340b/kimi-k2.6 在目录里
  能看到但实测调用返回 404"账号无权限"，排除
- 新增问答专用 Gemini 非 flash 文字模型：gemini-pro-latest -> gemini-2.5-pro
  （1M 上下文，复用视频分析同一批多 key 轮换）
- /api/edge/chat/ask(/stream) 默认 max_tokens 从 1024 提到 3072：新链路
  优先用的都是"推理"模型，回答前会先吐一段思考过程，1024 经常在思考阶段
  就被截断，用户永远看不到真正答案

新增 test_qa.py::test_init_only_keeps_text_role_adapters_in_config_order
验证角色过滤+顺序正确。

本地检查过 Ollama 服务本身：systemd enabled+running（8h 正常运行，
qwen2.5:7b 已加载），并非没启动——用户观察到的现象另有原因。

fam-core/src/fam_core/chat_handler/chat_handler.py

@@ -174,6 +174,9 @@ def chat_ask_stream():
                                 timeout=(10, timeout), stream=True)
             if resp.status_code != 200:
                 raise Exception(f"HTTP {resp.status_code}")
+            # 甲骨文那边的响应体固定是 UTF-8，但 Content-Type 不一定带 charset
+            # 参数，requests 会自己猜编码——猜错就是中文乱码，强制指定跳过嗅探。
+            resp.encoding = 'utf-8'
             for line in resp.iter_lines(decode_unicode=True):
                 if not line or not line.startswith('data: '):
                     continue
@@ -200,7 +203,7 @@ def chat_ask_stream():
             context_summary=context_summary,
             queried_date=queried_date, queried_person=queried_person)
 
-    return Response(stream_with_context(generate()), mimetype='text/event-stream',
+    return Response(stream_with_context(generate()), mimetype='text/event-stream; charset=utf-8',
                     headers={'Cache-Control': 'no-cache', 'X-Accel-Buffering': 'no'})
 
 

fam-edge/config/config.yaml

@@ -169,6 +169,67 @@ models:
       threshold: 5
       cooldown: 300
 
+  # 问答专用 NVIDIA 文字模型链（2026-08-23 新增，跟上面视频分析用的 omni 模型
+  # 完全独立）：用户要求问答不用 flash/omni，优先找 NVIDIA 免费文字模型里上下文
+  # 最大的几个。实测(2026-08-23)在当前账号可用、非 deprecated 的候选里：
+  #   nemotron-3-ultra-550b-a55b: 1M 上下文，561B，最强，free endpoint 已验证可调
+  #   nemotron-3-super-120b-a12b: 1M 上下文，124B，同为 Nemotron-3 系列备份
+  #   openai/gpt-oss-120b: 131K 上下文，117B，不同厂商备份（Nemotron 系列整体
+  #     出问题时的多样性兜底）
+  # 淘汰原因记录：meta/llama-3.1-70b-instruct、nvidia/llama-3.3-nemotron-
+  # super-49b-v1.5 均已收到 "will be deprecated on 08/25/2026" 通知，不用；
+  # nvidia/llama-3.1-nemotron-ultra-253b-v1、mistralai/mistral-large-2-instruct、
+  # nvidia/nemotron-4-340b-instruct、moonshotai/kimi-k2.6 在 /v1/models 目录
+  # 里能看到，但实测调用 chat.completions 返回 404 "Not found for account"
+  # （免费层没有这些模型的调用权限，文档列出不代表能调）。
+  - provider: "nvidia"
+    role: "text"
+    usage: "qa_primary"
+    enabled: true
+    model_name: "nvidia/nemotron-3-ultra-550b-a55b"
+    fallback_models:
+      - "nvidia/nemotron-3-super-120b-a12b"
+      - "openai/gpt-oss-120b"
+    base_url: "https://integrate.api.nvidia.com/v1"
+    api_key: "${NVIDIA_API_KEY}"
+    timeout: 600
+    # 这几个都是"推理"模型，回答前会先输出一段思考过程再给最终答案，比普通模型
+    # 更费 token/更慢，问答超时给宽松一点（不是简单文字模型那种 20s 就该出结果）
+    chat_timeout: 45
+    switch_interval_sec: 3
+    circuit_breaker:
+      enabled: true
+      threshold: 5
+      cooldown: 300
+
+  # 问答专用 Gemini 非 flash 文字模型（2026-08-23 新增）：用户明确要求问答不用
+  # flash，这里走 gemini-pro-latest（1M 上下文，跟 gemini-flash-latest 同样的
+  # "-latest" 别名习惯，自动跟最新 pro 版本），失败再退 gemini-2.5-pro。
+  # key 复用视频分析同一批（各自独立 Google Cloud 项目，配额互不影响）。
+  - provider: "gemini"
+    role: "text"
+    usage: "qa_primary"
+    enabled: true
+    model_name: "gemini-pro-latest"
+    fallback_models:
+      - "gemini-2.5-pro"
+    api_key: "${GEMINI_API_KEY}"
+    extra_api_keys:
+      - "${GEMINI_API_KEY_2}"
+      - "${GEMINI_API_KEY_3}"
+      - "${GEMINI_API_KEY_4}"
+    key_labels:
+      - "智能摄像头-1"
+      - "智能摄像头-2"
+      - "智能摄像头-3"
+      - "智能摄像头-4"
+    timeout: 60
+    chat_timeout: 30
+    circuit_breaker:
+      enabled: true
+      threshold: 5
+      cooldown: 300
+
   # 本地模型：纯文本 qwen2.5:7b，仅参与智能问答兜底
   - provider: "ollama"
     role: "text"

fam-edge/src/fam_edge/api_gateway/api_gateway.py

@@ -148,7 +148,10 @@ def chat_ask():
         return jsonify({"error": "缺少必填字段: prompt"}), 400
 
     prompt = data['prompt']
-    max_tokens = int(data.get('max_tokens', 1024))
+    # 默认值从 1024 提到 3072（2026-08-23）：问答链路现在优先用推理类模型
+    # （NVIDIA Nemotron-3 系列），回答前会先输出一段思考过程再给最终答案，
+    # 1024 经常在思考阶段就被截断，永远看不到真正的回答。
+    max_tokens = int(data.get('max_tokens', 3072))
 
     answer, provider = get_qa().run_qa(prompt, max_tokens=max_tokens)
     if answer is None:
@@ -171,13 +174,19 @@ def chat_ask_stream():
         return jsonify({"error": "缺少必填字段: prompt"}), 400
 
     prompt = data['prompt']
-    max_tokens = int(data.get('max_tokens', 1024))
+    # 默认值从 1024 提到 3072（2026-08-23）：问答链路现在优先用推理类模型
+    # （NVIDIA Nemotron-3 系列），回答前会先输出一段思考过程再给最终答案，
+    # 1024 经常在思考阶段就被截断，永远看不到真正的回答。
+    max_tokens = int(data.get('max_tokens', 3072))
 
     def generate():
         for event in get_qa().run_qa_stream(prompt, max_tokens=max_tokens):
             yield f"data: {json.dumps(event, ensure_ascii=False)}\n\n"
 
-    return Response(generate(), mimetype='text/event-stream',
+    # mimetype 显式带 charset=utf-8：响应体本身一直是 UTF-8，但不声明的话下游
+    # （fam-core 转发这一跳、或任何用 requests 消费这个流的客户端）会自己猜
+    # 编码，猜错就是中文乱码——跟 gemini_adapter.py chat_stream() 那个坑同源。
+    return Response(generate(), mimetype='text/event-stream; charset=utf-8',
                     headers={'Cache-Control': 'no-cache', 'X-Accel-Buffering': 'no'})
 
 

fam-edge/src/fam_edge/model_adapters/base_adapter.py

@@ -37,8 +37,11 @@ class BaseModelAdapter(ABC):
     def __init__(self, provider_name: str, config: dict):
         self.provider_name = provider_name  # 如 "ollama", "gemini"
         self.config = config
-        # 角色: vision=视觉分析, text=智能问答兜底(本地模型); 默认 vision
+        # 角色: vision=视觉分析, text=智能问答; 默认 vision
         self.role = config.get('role', 'vision')
+        # usage: 纯文档/编排层筛选用的标记（如 "qa_primary"/"qa_fallback"），
+        # 不影响本适配器自身行为；QAOrchestrator 据此挑选参与问答链路的适配器。
+        self.usage = config.get('usage', '')
         # 模型调用统计回调（由编排层注入）:
         # hook(provider, model, started_at, duration_sec, success, error)
         self.model_call_hook = None

fam-edge/src/fam_edge/model_adapters/gemini_adapter.py

@@ -494,6 +494,10 @@ class GeminiAdapter(BaseModelAdapter):
                     logger.warning(f"Gemini {key_label} [{model}] 流式问答 HTTP {resp.status_code}")
                     resp.close()
                     continue
+                # Gemini 响应体固定是 UTF-8，但 Content-Type 没带 charset 参数，
+                # requests 会自己猜编码（猜错会把中文变成乱码）——强制指定，
+                # 不依赖 requests 的自动嗅探。
+                resp.encoding = 'utf-8'
                 try:
                     for line in resp.iter_lines(decode_unicode=True):
                         if not line or not line.startswith('data: '):

fam-edge/src/fam_edge/qa.py

@@ -1,9 +1,19 @@
 """
 QA - 智能问答编排
 
-run_qa(prompt): 按 models 顺序尝试 chat()，首个成功返回 (answer, provider)。
+问答链路（2026-08-23 重构）跟视频分析链路完全独立，不再复用视频分析用的
-顺序 = vision 模型(Gemini -> NVIDIA) + text 模型(Ollama 兜底)。
+Gemini flash / NVIDIA omni 模型：
-即 Gemini -> NVIDIA -> Ollama 三级降级。
+  role='text' 的适配器才参与问答，按 config.yaml 里 models 数组的出现顺序
+  依次尝试 chat()/chat_stream()，首个成功即用。role='vision' 的适配器
+  （视频分析用的 Gemini flash-latest、NVIDIA omni）完全不参与问答。
+
+当前链路（config.yaml 里对应 usage 标记，仅供人读，编排逻辑只看 role+顺序）:
+  1. NVIDIA 文字模型链（usage=qa_primary）：nemotron-3-ultra-550b-a55b ->
+     nemotron-3-super-120b-a12b -> gpt-oss-120b（同一个 NvidiaVisionAdapter
+     实例内部 model_chain 依次降级，见该适配器 chat()）
+  2. Gemini 非 flash 文字模型（usage=qa_primary）：gemini-pro-latest ->
+     gemini-2.5-pro
+  3. 本地 Ollama qwen2.5:7b（usage=qa_fallback，兜底）
 """
 from typing import Optional, Tuple
 
@@ -17,7 +27,10 @@ logger = setup_logger('fam-edge.qa')
 class QAOrchestrator:
     def __init__(self):
         self.config = load_config()
-        self.adapters = build_adapters(self.config.get('models', []))
+        all_adapters = build_adapters(self.config.get('models', []))
+        # 只有 role='text' 的适配器参与问答；按 config.yaml 里的出现顺序决定
+        # 降级顺序，不需要额外的 qa_order 配置——顺序即优先级。
+        self.adapters = [a for a in all_adapters if a.get_role() == 'text']
 
     def run_qa(self, prompt: str,
                max_tokens: int = 1024) -> Tuple[Optional[str], Optional[str]]:

fam-edge/tests/test_qa.py

@@ -1,6 +1,34 @@
 from fam_edge.qa import QAOrchestrator
 
 
+class _FakeRoleAdapter:
+    """用于 __init__ 过滤逻辑测试，只需要 get_role()，不需要真的能 chat。"""
+    def __init__(self, provider_name, role):
+        self.provider_name = provider_name
+        self.role = role
+
+    def get_role(self):
+        return self.role
+
+
+def test_init_only_keeps_text_role_adapters_in_config_order(monkeypatch):
+    """核心诉求: 问答链路只用 role='text' 的适配器（跟视频分析用的
+    role='vision' 完全隔离），且顺序沿用 config.yaml 里 models 数组的出现
+    顺序，不需要额外的 qa_order 配置。"""
+    fake_adapters = [
+        _FakeRoleAdapter("gemini", "vision"),   # 视频分析用的 gemini-flash，不该出现
+        _FakeRoleAdapter("nvidia", "vision"),    # 视频分析用的 nvidia omni，不该出现
+        _FakeRoleAdapter("nvidia", "text"),      # 新的问答专用 nvidia 文字模型链
+        _FakeRoleAdapter("gemini", "text"),      # 新的问答专用 gemini 非 flash 文字模型
+        _FakeRoleAdapter("ollama", "text"),      # 本地兜底
+    ]
+    monkeypatch.setattr("fam_edge.qa.load_config", lambda: {"models": []})
+    monkeypatch.setattr("fam_edge.qa.build_adapters", lambda models: fake_adapters)
+    qa = QAOrchestrator()
+    assert [a.role for a in qa.adapters] == ["text", "text", "text"]
+    assert len(qa.adapters) == 3
+
+
 class _FakeAdapter:
     def __init__(self, provider_name, chunks=None, raises=False):
         self.provider_name = provider_name