配置注入
YOLO-Toys 使用一套分层配置系统，它将声明式设置（运维人员想要的）与程序化配置（运行时需要的）分离开来。这种分离使系统可测试、可感知环境，并且能安全地演进。
设计理念
配置栈遵循三条原则：
- Pydantic 优先：所有设置都是经验证的 schema，而不是原始字典
- 环境感知：
.env文件、环境变量和程序化覆盖可以干净地共存 - 协议驱动：内部模块依赖的是协议（接口），而不是具体的设置类
设置层级
配置按照以下优先级顺序解析（从高到低）：
1. Programmatic arguments passed at initialization
2. Environment variables (e.g., YOLOTOYS_DEVICE=cuda:0)
3. .env file in the working directory
4. Default values defined in Pydantic model三层配置
第一层：AppSettings（声明式）
python
class AppSettings(BaseSettings):
model_config = SettingsConfigDict(
env_prefix="YOLOTOYS_",
env_file=".env",
env_file_encoding="utf-8",
)
device: str = "auto"
cache_maxsize: int = 3
cache_ttl: int = 3600
memory_threshold: float = 0.85
log_level: str = "INFO"
max_concurrency: int = 4
origins_list: list[str] = ["*"]这是面向运维人员的层。运维人员通过设置环境变量或编辑 .env 来改变行为。
第二层：Protocols（契约）
python
class ModelManagerConfig(Protocol):
device: str
cache_maxsize: int
cache_ttl: float
memory_threshold: float协议定义的是组件需要什么，而不是值来自哪里。这是可测试性的关键：单元测试可以传入假的配置对象，而无需触碰真实的设置基础设施。
第三层：Adapter classes（桥接器）
python
class SettingsModelManagerConfig:
"""Adapts AppSettings to the ModelManagerConfig protocol."""
def __init__(self, settings: AppSettings):
self._settings = settings
@property
def device(self) -> str:
return self._settings.device
@property
def cache_maxsize(self) -> int:
return self._settings.cache_maxsize适配器提供了间接性：如果设置 schema 发生变化，只有适配器需要修改。ModelManager 本身不受影响。
在 main.py 中连接
python
from app.config import get_settings
from app.config_adapters import SettingsModelManagerConfig
from app.model_manager import ModelManager
settings = get_settings()
config = SettingsModelManagerConfig(settings)
manager = ModelManager(config)这种连接方式是显式且可追踪的。没有隐藏的全局状态，也没有魔法般的依赖注入框架。
使用假配置进行测试
python
class FakeConfig:
device = "cpu"
cache_maxsize = 2
cache_ttl = 60.0
memory_threshold = 0.95
def test_model_manager_with_fake_config():
manager = ModelManager(FakeConfig())
assert manager.device == "cpu"
assert manager.cache.maxsize == 2协议驱动的设计意味着测试永远不需要 mock os.environ 或触碰 .env 文件。