代码修改

2026-05-29 11:19:58 +08:00
1 parent de597b602a
commit 1a122eb7fd
@@ -23,6 +23,19 @@ models:
    supports_vision: true
    supports_thinking: true

+  - name: deepseek-chat
+    display_name: DeepSeek Chat
+    use: langchain_openai:ChatOpenAI
+    model: deepseek-chat
+    api_key: sk-1520028668cb4cc388ed8315ff1e856e
+    base_url: https://api.deepseek.com
+    request_timeout: 600.0
+    max_retries: 2
+    max_tokens: 4096
+    temperature: 1.0
+    supports_vision: true
+    supports_thinking: true
+
  - name: deepseek-v4-flash
    display_name: DeepSeek V4 Flash
    use: langchain_openai:ChatOpenAI
@@ -86,6 +99,11 @@ tools:
    use: deerflow.community.ddg_search.tools:web_search_tool
    max_results: 5

+  - name: web_fetch
+    group: web
+    use: deerflow.community.jina_ai.tools:web_fetch_tool
+    timeout: 15
+
  - name: ls
    group: file:read
    use: deerflow.sandbox.tools:ls_tool
@@ -121,7 +139,7 @@ sandbox:
  allow_host_bash: true

 skills:
-  path: D:\cursor-work\offline-backend-20260512\backend\skills
+  path: skills
  security_scan:
    enabled: false

@@ -0,0 +1,11 @@
+{
+  "mcpServers": {},
+  "skills": {
+    "web-research": { "enabled": true },
+    "deep-search": { "enabled": true },
+    "code-retrieval": { "enabled": true },
+    "news-briefing": { "enabled": true },
+    "workspace-search": { "enabled": true },
+    "policy-knowledge": { "enabled": true }
+  }
+}
@@ -55,6 +55,9 @@ async def pause_material_confirm(state: AIWritingState) -> dict:

    action = user_input.get("action", "confirm")

+    # 单输入框文本：可能是技能名 / 来源 / 检索意图，re_search 和 enable_skill_search 都用得到
+    user_query = (user_input.get("userQuery") or user_input.get("user_query") or "").strip()
+
    if action == "confirm":
        approved_ids = set(user_input.get("approvedMaterialIds") or [m["id"] for m in pkg["materials"]])
        filtered = [m for m in pkg["materials"] if m["id"] in approved_ids]
@@ -66,12 +69,22 @@ async def pause_material_confirm(state: AIWritingState) -> dict:
            "progress_events": [{"type": "resumed", "agent_name": "系统", "message": "用户已确认素材，开始规划大纲"}],
        }

-    # re_search：重新搜索
+    # enable_skill_search：用户选择"启用技能检索"，回到 researcher 走 skill 模式
+    if action == "enable_skill_search":
+        msg = f"已启用技能检索（输入：{user_query[:30]}）" if user_query else "已启用技能检索，正在筛选可用技能…"
+        return {
+            "last_user_intervention": {**user_input, "action": "enable_skill_search", "user_query": user_query},
+            "status": "researching",
+            "progress_events": [{"type": "resumed", "agent_name": "系统", "message": msg}],
+        }
+
+    # re_search：重新搜索（支持新版 user_query 单输入框 + 旧版 extraKeywords 数组）
    extra_kws = user_input.get("extraKeywords") or []
+    msg = f"按输入「{user_query[:30]}」重新搜索…" if user_query else "重新搜索中..."
    return {
-        "last_user_intervention": {**user_input, "_extra_keywords": extra_kws},
+        "last_user_intervention": {**user_input, "_extra_keywords": extra_kws, "user_query": user_query},
        "status": "researching",
-        "progress_events": [{"type": "resumed", "agent_name": "系统", "message": "重新搜索中..."}],
+        "progress_events": [{"type": "resumed", "agent_name": "系统", "message": msg}],
    }


@@ -9,7 +9,7 @@ from typing import List

 from langchain_core.runnables import RunnableConfig

-from ..search import get_search_provider, SearchResult
+from ..search import get_search_provider, SearchResult, SkillSearchProvider
 from ..state import AIWritingState, Material, MaterialPackage
 from ..prompts.researcher_prompts import (
    EXTRACT_KEYWORDS_SYSTEM, EXTRACT_KEYWORDS_USER,
@@ -96,15 +96,24 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
    # 检查干预模式（PAUSE-1 素材确认 / 素材不足求助）
    intervention = state.get("last_user_intervention") or {}
    extra_keywords: list[str] = intervention.get("_extra_keywords") or intervention.get("extra_keywords") or []
+    # PAUSE-1 单输入框：用户写的自然语言（技能名 / 来源 / 检索意图），优先级最高
+    user_query: str = (intervention.get("user_query") or "").strip()
    action = intervention.get("action")

    # 素材不足求助点触发的「补充检索」：保留原大纲，检索完直接回写作、不走素材确认/大纲
    is_supplement = action == "supplement_search"
-    # PAUSE-1 素材确认卡用户点「追加检索」并填了新关键词：
+    # PAUSE-1 素材确认卡用户点「按输入重新搜索」并填了 user_query：
    #   - 跳过 LLM 重新生成检索词（节省一次调用 + 尊重用户意图）
-    #   - 只检索 extra_keywords 这几个新词，不重检索之前 LLM 出过的词
+    #   - 直接用 user_query 作为唯一检索词
    #   - 保留 existing material_package，按 URL 去重合并
-    is_append_only = action == "re_search" and bool(extra_keywords)
+    is_user_query_search = action == "re_search" and bool(user_query)
+    # 兼容旧版"追加关键词"调用方（如果还有 client 传 extra_keywords 数组而非 user_query）
+    is_append_only = action == "re_search" and not user_query and bool(extra_keywords)
+    # PAUSE-1 素材确认卡用户点「启用技能检索」：
+    #   - 不再走 web/intranet 检索，改用 SkillSearchProvider
+    #   - 顺序调用候选技能 + 早停（第一个技能够就停，不够再加下一个）
+    #   - 旧 material_package 完全丢弃（覆盖式替换，让用户对比 web vs skill 结果）
+    is_skill_search = action == "enable_skill_search"

    # 用户指定的检索关键词数量（1~10），决定生成多少个检索词、检索多少个方向
    keyword_count = _resolve_keyword_count(state.get("keyword_count"))
@@ -126,10 +135,14 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
        writer({"type": "research_progress", "message": message})

    # Step 1: 提取关键词
-    kw_result: dict = {}  # 走追加分支时跳过 LLM 调用，但下方 notice 拼接需要兜底值
-    if is_append_only:
-        # 追加模式：直接用用户填的关键词，不再调 LLM
-        keywords: list[str] = _clean_keywords(extra_keywords, intent)
+    kw_result: dict = {}  # 走"用户输入 / 追加关键词"分支时跳过 LLM 调用，notice 拼接需要兜底值
+    if is_user_query_search:
+        # 用户输入分支：把整段自然语言作为唯一检索词，尊重原意，不再做关键词拆分
+        keywords: list[str] = [user_query]
+        _emit(f"按你的输入「{user_query[:30]}」检索…")
+    elif is_append_only:
+        # 兼容旧版追加模式：直接用用户填的关键词，不再调 LLM
+        keywords = _clean_keywords(extra_keywords, intent)
        _emit(f"追加检索 {len(keywords)} 个关键词…")
    else:
        _emit("正在生成检索词…")
@@ -150,13 +163,31 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
        if extra_keywords:
            keywords = list(dict.fromkeys(keywords + extra_keywords))

-    # Step 2: 并发搜索
-    provider = get_search_provider(ai_writing_config)
+    # Step 2: 搜索
+    # 技能检索：用 SkillSearchProvider 替代 web/intranet；步骤事件单独走 skill_search_step 通道
+    skill_steps: list[dict] = []
+
+    if is_skill_search:
+        def _emit_skill_step(step: dict) -> None:
+            skill_steps.append(step)
+            writer({"type": "skill_search_step", "agent_name": "素材收集专家", **step})
+
+        async def _llm_select(system: str, user_prompt: str, fallback: dict) -> dict:
+            return await llm_json(system, user_prompt, fallback=fallback, config=config, model_name=keyword_model)
+
+        provider = SkillSearchProvider(
+            llm_select=_llm_select,
+            emit_step=_emit_skill_step,
+            max_select=max(1, min(int(max_materials), 10)),
+            user_query=user_query,
+        )
+    else:
+        provider = get_search_provider(ai_writing_config)

    # 按用户指定的关键词数量截断。
-    # 追加模式：keywords 本身就是用户填的，全部检索不截断（用户填 N 个就搜 N 个）。
+    # 用户输入 / 追加模式：keywords 本身就是用户填的，全部检索不截断。
    # 其他模式：受 keyword_count 限制，但 extra_keywords 在内时上限放宽到 keywords 总数。
-    if is_append_only:
+    if is_user_query_search or is_append_only:
        search_keywords = keywords
    else:
        search_limit = keyword_count
@@ -168,31 +199,48 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
    per_keyword = _per_keyword_limit(max_materials, total)
    _emit(f"检索词已生成，开始检索 {total} 个方向…")

-    # 并发搜索，但每完成一个就推送进度（计数在单线程 asyncio 下无需加锁）
-    completed = 0
+    # 技能模式：串行调用 provider（早停语义靠 provider 内部累积计数）
+    # 其它模式：并发调用，每完成一个就推送进度
+    if is_skill_search:
+        all_results_nested: list[list[SearchResult]] = []
+        for kw in search_keywords:
+            try:
+                res = await provider.search(kw, max_results=per_keyword, user_intent=intent)
+            except Exception as e:
+                logger.warning("skill search failed: %s", e)
+                all_results_nested.append(e)  # type: ignore[arg-type]
+                continue
+            all_results_nested.append(res)
+            # provider 内部 early_stop_at 已触发时不会再返回新 skill，提前 break 避免空轮询
+            if not res:
+                break
+    else:
+        completed = 0

-    async def _search_one(kw: str) -> list[SearchResult]:
-        nonlocal completed
-        try:
-            return await provider.search(kw, max_results=per_keyword)
-        finally:
-            completed += 1
-            if completed < total:
-                _emit(f"已完成 {completed}/{total} 次检索，正在继续检索相关内容…")
-            else:
-                _emit(f"已完成全部 {total} 次检索")
+        async def _search_one(kw: str) -> list[SearchResult]:
+            nonlocal completed
+            try:
+                return await provider.search(kw, max_results=per_keyword)
+            finally:
+                completed += 1
+                if completed < total:
+                    _emit(f"已完成 {completed}/{total} 次检索，正在继续检索相关内容…")
+                else:
+                    _emit(f"已完成全部 {total} 次检索")

-    search_tasks = [_search_one(kw) for kw in search_keywords]
-    all_results_nested: list[list[SearchResult]] = await asyncio.gather(*search_tasks, return_exceptions=True)
+        search_tasks = [_search_one(kw) for kw in search_keywords]
+        all_results_nested = await asyncio.gather(*search_tasks, return_exceptions=True)

    # 合并去重
    # - 首次检索 / 普通 re_search（不带 extra_keywords，用户只想 LLM 重出）：旧素材丢弃
    # - 素材不足求助 supplement_search：保留旧素材 + 追加新检索结果
    # - PAUSE-1 追加检索 is_append_only：保留旧素材 + 仅检索新关键词
+    # - 技能检索 is_skill_search：覆盖式替换，旧素材完全丢弃（用户期望对比 web vs skill 结果）
    seen_urls: set[str] = set()
+    seen_skill_ids: set[str] = set()  # skill 素材无 URL，按 skill_name 去重
    raw_materials: list[Material] = []
    existing_pkg = state.get("material_package")
-    preserve_existing = existing_pkg and (is_supplement or is_append_only)
+    preserve_existing = existing_pkg and (is_supplement or is_append_only) and not is_skill_search
    if preserve_existing:
        for m in existing_pkg.get("materials", []):
            seen_urls.add(m.get("url", ""))
@@ -205,10 +253,19 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
            search_errors.append(f"{type(results).__name__}: {results}")
            continue
        for r in results:
-            if r.url and r.url in seen_urls:
+            # skill 素材按 skill_name 去重（同一个 skill 被多个关键词命中只保留一次）
+            if r.source_type == "skill":
+                meta = getattr(r, "extra_metadata", {}) or {}
+                sk_name = meta.get("skill_name", "")
+                if sk_name and sk_name in seen_skill_ids:
+                    continue
+                if sk_name:
+                    seen_skill_ids.add(sk_name)
+            elif r.url and r.url in seen_urls:
                continue
-            seen_urls.add(r.url)
-            raw_materials.append(Material(
+            else:
+                seen_urls.add(r.url)
+            mat: Material = Material(
                id=f"m{len(raw_materials)+1:03d}",
                title=r.title,
                content=r.content[:500],
@@ -218,7 +275,11 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
                source_type=r.source_type,
                url=r.url,
                recUuid=r.recUuid,
-            ))
+            )
+            extra = getattr(r, "extra_metadata", None)
+            if extra:
+                mat["extra_metadata"] = extra
+            raw_materials.append(mat)

    # provider 内部吞掉的检索异常（如内网 ES 连接失败），一并取出用于提示用户
    search_errors.extend(getattr(provider, "errors", []))
@@ -264,6 +325,14 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
        old_kws = list(existing_pkg.get("keywords") or [])
        pkg_keywords = list(dict.fromkeys(old_kws + keywords))
    pkg = MaterialPackage(keywords=pkg_keywords, materials=materials, summary=summary)
+    # 技能检索时把过程步骤一并放进 pkg，前端在素材确认卡里能展示"使用了哪些技能"
+    if is_skill_search:
+        pkg["skill_search_used"] = True
+        pkg["skill_search_steps"] = skill_steps
+    elif existing_pkg and existing_pkg.get("skill_search_used") and (is_supplement or is_append_only):
+        # 保留之前一次技能检索的痕迹（不污染纯 web 检索）
+        pkg["skill_search_used"] = existing_pkg.get("skill_search_used", False)
+        pkg["skill_search_steps"] = existing_pkg.get("skill_search_steps", [])

    # 容错告警：检索接口 / 模型调用出错时以非致命 notice 提示用户，不打断写作流程
    notices: list[dict] = []
@@ -281,12 +350,15 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
            raw="\n\n----------\n\n".join(raw_dumps[:3]),
        ))

-    # 进度事件文案：追加模式下让用户看到只搜了哪几个新词
-    step_start_msg = (
-        f"追加检索关键词：{', '.join(keywords[:3])}"
-        if is_append_only
-        else f"搜索关键词：{', '.join(keywords[:3])}"
-    )
+    # 进度事件文案：用户输入 / 追加模式 / 技能模式下让用户看到差异化提示
+    if is_skill_search:
+        step_start_msg = f"启用技能检索（{len(skill_steps)} 步）"
+    elif is_user_query_search:
+        step_start_msg = f"按你的输入检索：{user_query[:40]}"
+    elif is_append_only:
+        step_start_msg = f"追加检索关键词：{', '.join(keywords[:3])}"
+    else:
+        step_start_msg = f"搜索关键词：{', '.join(keywords[:3])}"
    return {
        "material_package": pkg,
        # 补充检索：直接回写作（沿用原大纲）；常规检索：进入素材确认暂停点
@@ -3,6 +3,7 @@ from .internet_search import InternetSearchProvider
 from .intranet_stub import IntranetSearchProvider
 from .demo_search import DemoSearchProvider
 from .duckduckgo_search import DuckDuckGoSearchProvider
+from .skill_search import SkillSearchProvider


 def get_search_provider(ai_writing_config: dict) -> BaseSearchProvider:
@@ -60,5 +61,6 @@ __all__ = [
    "BaseSearchProvider", "SearchResult",
    "InternetSearchProvider", "IntranetSearchProvider",
    "DemoSearchProvider", "DuckDuckGoSearchProvider",
+    "SkillSearchProvider",
    "get_search_provider",
 ]
@@ -0,0 +1,248 @@
+"""技能检索 Provider：把已启用的 Skill 当作可检索的素材源。
+
+流程（保持简单，对应素材确认卡上的"技能检索"按钮）：
+1) list_skills 事件 —— 列出当前启用的全部 skill
+2) select_skills 事件 —— LLM 根据用户输入 + 写作意图按相关度选出若干个
+3) invoke_skill 事件 —— 按相关度从高到低顺序产出 SearchResult
+
+输出格式严格对齐 BaseSearchProvider 的 SearchResult，让 researcher 节点
+不需要分支处理，下游 Material 字段同构。
+"""
+from __future__ import annotations
+
+import logging
+import re
+from typing import Callable, List, Optional
+
+from .base import BaseSearchProvider, SearchResult
+
+logger = logging.getLogger(__name__)
+
+
+_SELECT_SKILLS_SYSTEM = """你是一名情报研究员，需要从可用「技能」中挑出对写作任务有帮助的若干个，并按相关度从高到低排序。
+技能是一段封装好的指令 / 知识 / 工作流，每个技能有 name 和 description。
+
+【严禁思考】
+- 这是一个简单的匹配任务，禁止任何思考、分析、推理过程，禁止输出 <think></think> 标签。
+- 收到输入后立即直接输出最终 JSON，不得有任何前置文字。
+
+【输出要求】
+- 只输出一个 JSON 对象，不要 markdown 代码块。
+- 必须使用英文双引号。
+- selected_skills 中的 name 必须严格来自下方"可用技能"列表，不要编造，按相关度从高到低排序。
+- 如果用户输入里明确点名了某个技能（按 name 完全匹配），把它排在第一位。
+
+【完整示例】
+{"selected_skills": ["web-search", "knowledge-lookup"], "reason": "用户想检索互联网信息，web-search 最相关，知识库查询作为补充"}"""
+
+_SELECT_SKILLS_USER = """写作意图：{user_intent}
+用户补充输入：{user_query}
+检索关键词：{keywords}
+
+可用技能（共 {skill_count} 个）：
+{skill_list}
+
+请从中按相关度从高到低选出最多 {max_select} 个技能。如果没有合适的技能，selected_skills 返回空数组。
+只输出 JSON：
+{{"selected_skills": ["name1", "name2"], "reason": "为什么选这些 + 排序依据"}}
+
+/no_think"""
+
+
+EmitStepFn = Callable[[dict], None]
+
+
+def _summarize_skill_content(content: str, limit: int = 500) -> str:
+    """从 SKILL.md 提取摘要：跳过 frontmatter，取正文开头 limit 字。"""
+    if not content:
+        return ""
+    body = content
+    m = re.match(r"^---\s*\n(.*?\n)---\s*\n(.*)$", content, flags=re.DOTALL)
+    if m:
+        body = m.group(2)
+    body = re.sub(r"^#\s+.*?\n", "", body.lstrip(), count=1)
+    body = body.strip()
+    if len(body) > limit:
+        return body[:limit].rstrip() + "…"
+    return body
+
+
+class SkillSearchProvider(BaseSearchProvider):
+    """从启用的 Skills 中筛选并返回作为素材。
+
+    构造参数：
+      llm_select: 异步 LLM 调用 (system, user, fallback) -> dict。
+      emit_step:  可选；推送时间线步骤事件（list_skills / select_skills / invoke_skill）。
+      max_select: LLM 单次最多挑几个技能。
+      user_query: 用户在素材确认卡输入框写的自然语言（可能包含技能名 / 来源 / 补充意图）。
+    """
+
+    def __init__(
+        self,
+        llm_select: Callable,
+        *,
+        emit_step: Optional[EmitStepFn] = None,
+        max_select: int = 5,
+        user_query: str = "",
+    ) -> None:
+        self._llm_select = llm_select
+        self._emit_step = emit_step or (lambda _step: None)
+        self._max_select = max_select
+        self._user_query = (user_query or "").strip()
+        self._errors: list[str] = []
+        # 单次 researcher 调用内复用结果，避免每个 keyword 都问一次 LLM
+        self._selected_cache: list[dict] | None = None
+        self._enabled_skills: list | None = None
+        # 跨 keyword 调用时同一个 skill 只暴露一次
+        self._yielded_skills: set[str] = set()
+
+    @property
+    def errors(self) -> list[str]:
+        return list(self._errors)
+
+    def _load_enabled_skills(self) -> list:
+        if self._enabled_skills is not None:
+            return self._enabled_skills
+        try:
+            from deerflow.skills import get_or_new_skill_storage
+            storage = get_or_new_skill_storage()
+            skills = storage.load_skills(enabled_only=True)
+        except Exception as e:
+            logger.exception("ai_writing.skill_search: 加载启用技能失败")
+            self._errors.append(f"skill list error: {e}")
+            skills = []
+        self._enabled_skills = skills
+        self._emit_step({
+            "type": "list_skills",
+            "message": f"发现 {len(skills)} 个可用技能",
+            "skill_names": [s.name for s in skills],
+        })
+        return skills
+
+    async def _select_skills(self, query: str, user_intent: str) -> list[dict]:
+        """让 LLM 从启用的技能中按相关度排序选出若干个。同一次检索复用结果。"""
+        if self._selected_cache is not None:
+            return self._selected_cache
+
+        skills = self._load_enabled_skills()
+        if not skills:
+            self._selected_cache = []
+            return []
+
+        skill_list_text = "\n".join(
+            f"- {s.name}: {s.description or '(无描述)'}" for s in skills
+        )
+        try:
+            result = await self._llm_select(
+                _SELECT_SKILLS_SYSTEM,
+                _SELECT_SKILLS_USER.format(
+                    user_intent=user_intent or query,
+                    user_query=self._user_query or "(无)",
+                    keywords=query,
+                    skill_count=len(skills),
+                    skill_list=skill_list_text,
+                    max_select=self._max_select,
+                ),
+                fallback={"selected_skills": [s.name for s in skills[: self._max_select]]},
+            )
+        except Exception as e:
+            logger.exception("ai_writing.skill_search: LLM 选择技能失败")
+            self._errors.append(f"skill select error: {e}")
+            result = {"selected_skills": [s.name for s in skills[: self._max_select]]}
+
+        wanted_names = result.get("selected_skills") or []
+        if not isinstance(wanted_names, list):
+            wanted_names = []
+        by_name = {s.name: s for s in skills}
+        chosen: list[dict] = []
+        for name in wanted_names:
+            if not isinstance(name, str):
+                continue
+            sk = by_name.get(name.strip())
+            if sk:
+                chosen.append({"skill": sk, "reason": result.get("reason", "")})
+            if len(chosen) >= self._max_select:
+                break
+
+        self._emit_step({
+            "type": "select_skills",
+            "message": f"按相关度排序，候选 {len(chosen)} 个技能（将按顺序调用）",
+            "skill_names": [c["skill"].name for c in chosen],
+            "reason": result.get("reason", ""),
+        })
+        self._selected_cache = chosen
+        return chosen
+
+    @staticmethod
+    def _read_skill_content(skill) -> str:
+        try:
+            return skill.skill_file.read_text(encoding="utf-8")
+        except Exception as e:
+            logger.warning("ai_writing.skill_search: 读 SKILL.md 失败 %s: %s", skill.name, e)
+            return skill.description or ""
+
+    def _to_search_result(self, skill, reason: str) -> SearchResult:
+        raw = self._read_skill_content(skill)
+        summary = _summarize_skill_content(raw, limit=500)
+        category_value = skill.category.value if hasattr(skill.category, "value") else str(skill.category)
+        return SearchResult(
+            title=skill.name,
+            content=summary or (skill.description or skill.name),
+            source=f"技能库 / {category_value}",
+            published_at="",
+            url="",
+            relevance_score=1.0,
+            source_type="skill",
+            recUuid="",
+            extra_metadata={
+                "skill_name": skill.name,
+                "skill_description": skill.description or "",
+                "skill_path": skill.skill_path,
+                "container_path": skill.get_container_file_path(),
+                "category": category_value,
+                "select_reason": reason,
+                # 完整 SKILL.md 内容，供 writer_draft 节点按需注入到 prompt
+                "skill_full_content": raw,
+            },
+        )
+
+    async def search(
+        self,
+        query: str,
+        max_results: int = 5,
+        date_from: str = "",
+        date_to: str = "",
+        user_intent: str = "",
+    ) -> List[SearchResult]:
+        """按相关度顺序产出候选 skills 对应的 SearchResult。
+
+        说明：每个 skill 直接产出一条 SearchResult。researcher 节点上游会按
+        skill_name 去重，所以同一个 SkillSearchProvider 多次调用本方法时不会
+        产出重复 skill 素材（_yielded_skills 兜底）。
+        """
+        chosen = await self._select_skills(query, user_intent=user_intent)
+        if not chosen:
+            return []
+
+        results: List[SearchResult] = []
+        for entry in chosen:
+            sk = entry["skill"]
+            if sk.name in self._yielded_skills:
+                continue
+            self._emit_step({
+                "type": "invoke_skill",
+                "message": f"调用技能：{sk.name}",
+                "skill_name": sk.name,
+                "matched_count": len(self._yielded_skills) + 1,
+            })
+            results.append(self._to_search_result(sk, entry.get("reason", "")))
+            self._yielded_skills.add(sk.name)
+            if len(results) >= max_results:
+                break
+        return results
+
+    async def health_check(self) -> bool:
+        try:
+            return bool(self._load_enabled_skills())
+        except Exception:
+            return False
@@ -3,21 +3,43 @@ import operator

 # ── 素材 ──────────────────────────────────────────────────────────────────────

-class Material(TypedDict):
+class Material(TypedDict, total=False):
    id: str
    title: str
    content: str           # 截断到 500 字
    source: str
    published_at: str
    relevance_score: float
-    source_type: str       # "internet" | "intranet"
+    source_type: str       # "internet" | "intranet" | "skill"
    url: str
    recUuid: str
+    # skill 类素材附带的元信息（skill_name / container_path / category），其他类型为空
+    extra_metadata: dict

-class MaterialPackage(TypedDict):
+class SkillStep(TypedDict, total=False):
+    """技能检索过程的单步记录，用于前端时间线展示。
+
+    type=match_skills：根据用户输入流式分析有没有匹配技能（无 skill_names）
+    type=list_skills：列出可用技能
+    type=select_skills：LLM 从中选出的相关技能
+    type=invoke_skill：实际调用某一个技能检索
+    type=stop_early：达到素材阈值，提前停止后续技能调用
+    """
+    type: str
+    message: str
+    skill_names: List[str]
+    skill_name: str
+    matched_count: int
+    reason: str
+
+class MaterialPackage(TypedDict, total=False):
    keywords: List[str]
    materials: List[Material]
    summary: str
+    # 是否本次素材来自技能检索（覆盖式替换 web 检索）
+    skill_search_used: bool
+    # 技能检索的步骤记录（前端展示"使用了 X 技能"卡片）
+    skill_search_steps: List[SkillStep]

 # ── 大纲 ──────────────────────────────────────────────────────────────────────
 # 三级结构:章节(##) → 小节(###) → 子要点(bullet -)。
@@ -72,10 +94,13 @@ class ReviewResult(TypedDict):

 # ── 用户干预 ──────────────────────────────────────────────────────────────────

-class UserInterventionPayload(TypedDict):
+class UserInterventionPayload(TypedDict, total=False):
    action: str
    approved_material_ids: List[str]
    extra_keywords: List[str]
+    # PAUSE-1 素材确认 / enable_skill_search 共用：用户在单输入框里填的自然语言
+    # （可能是要使用的技能名、想检索的来源、或者一段补充检索意图）。
+    user_query: str
    edited_outline: Optional[Outline]
    outline_feedback: str
    user_revision_notes: str