Jan项目模型中心架构升级：从本地存储到Cortex API集成

背景与挑战

Jan项目作为开源AI平台，其模型中心(Hub)功能一直采用本地文件存储架构。这种传统实现方式存在三个显著痛点：首先，所有模型提供者扩展都需要在本地注册模型列表并持久化到文件系统，导致启动时需要全量扫描；其次，模型展示采用扁平化列表，无法体现量化版本、引擎类型等层级关系；最后，模型元数据(如描述、作者信息)严重缺失，影响用户体验。

架构演进方案

本次升级的核心是将模型数据源迁移至Cortex的Model Hub API体系，同时保持对现有本地模型的兼容。技术方案包含三个关键层面：

1. 前端重构
   全新设计的Hub界面采用分组展示模式，支持按模型家族、量化版本等多维度浏览。通过虚拟滚动技术优化海量模型列表的渲染性能，并引入模型卡片设计展示完整的元数据信息。

2. 混合数据源处理
   创新性地实现双数据源并行加载：

   • 动态加载Cortex API返回的标准化模型数据
   • 异步扫描本地/models目录保留已有模型 采用优先级合并策略，确保新旧模型的无缝整合。

3. 智能缓存机制
   开发二级缓存系统：内存缓存加速高频访问，持久化缓存减少API调用。通过差异对比算法实现模型数据的增量更新，大幅降低网络开销。

关键技术实现

模型分组功能采用前缀树(Trie)算法实现高效的多级分类。对于常见的GGUF模型文件，通过文件头解析技术自动提取量化参数和架构信息。元数据系统采用Fallback策略，优先展示API提供的完整信息，缺失时自动生成基础描述。

认证模块采用可插拔设计，支持HuggingFace、NGC等主流平台的OAuth集成。敏感信息通过系统密钥环加密存储，避免明文配置风险。

兼容性保障

为确保平稳过渡，系统保留本地模型注册通道，但标记为"传统模式"。在数据合并时，自动为本地模型生成标准化唯一ID，避免与云端模型冲突。用户界面通过视觉标识区分不同来源的模型，并提供一键迁移功能。

未来演进方向

当前架构已预留模型订阅机制的接口，后续可支持：

• 组织级模型仓库订阅
• 自动化模型更新通知
• 分布式模型缓存共享
• 模型运行健康度追踪

这次架构升级使Jan项目的模型管理能力达到企业级水准，为后续的模型市场、协作训练等高级功能奠定基础。