feat(ai写作): 意图解析顺便生成检索词 + 修复快捷模式

- 意图解析（intent_parser）与意图理解共用同一次 LLM 调用顺便生成检索词（结合意图 + 大纲覆盖各章节主题），存入 state.precomputed_keywords； researcher 首轮直接复用，省掉素材收集阶段单独的「生成检索词」LLM 往返。解析失败/为空时回退到 researcher 自己生成（优雅降级）；re_search 仍重新生成。 keyword_outline_section 提到 _utils 供两处共用。 - 修复快捷模式：之前被「大纲先行确认」改动拖累，先误成「问一堆问题」，再被我过度修正成「不生成大纲」。现修正为——快捷模式 = 用默认选项、不逐项澄清提问（make_lead_agent 在快捷模式下直接不挂 ask_clarification 工具，物理上问不了），但**仍生成并确认大纲**再提交；普通模式不变。 Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
2026-06-24 18:32:10 +08:00
1 parent 49173d9c28
commit 304e1b637a
@@ -40,6 +40,26 @@ def get_ai_writing_config() -> dict:
        return {}


+# 用户自带大纲时，检索词生成的大纲提示片段做长度截断，防止 token 溢出。
+OUTLINE_KEYWORD_SNIPPET_CHARS = 1000
+
+
+def keyword_outline_section(state: dict) -> str:
+    """用户自带大纲时，给检索词生成附上大纲原文，让关键词覆盖各章节主题。
+
+    意图解析（intent_parser）与素材收集（researcher）的检索词生成共用，无大纲返回
+    空串（提示词里该行变空行，行为与原来一致）。
+    """
+    raw = (state.get("user_outline_raw") or "").strip()
+    if not raw:
+        return ""
+    snippet = raw[:OUTLINE_KEYWORD_SNIPPET_CHARS]
+    return (
+        "用户已提供文章大纲，请结合写作意图，让检索词覆盖大纲涉及的各章节主题：\n"
+        f"{snippet}"
+    )
+
+
 def safe_get_stream_writer():
    """返回一个 stream writer callable；在没有 LangGraph runtime 上下文时退化成 no-op。

@@ -18,6 +18,7 @@ from ._model_fallback import (
 from ._utils import (
    ThinkTagParser,
    _content_to_text,
+    keyword_outline_section,
    parse_json,
    reasoning_delta,
    safe_get_stream_writer,
@@ -75,17 +76,18 @@ _DEFAULT_ARTICLE_TYPES: list[dict] = [
 ]

 _SYSTEM_TEMPLATE = """你是一名写作助手。
-你的任务：分析用户的写作意图，提取结构化的写作配置。
+你的任务：分析用户的写作意图，提取结构化的写作配置，并顺便提炼用于搜集素材的搜索关键词。

 【输出要求】
 - 只输出一个 JSON 对象，不要任何解释文字，不要 markdown 代码块。
 - 必须使用英文双引号 "。
 - article_type 只能是以下之一：{type_options}。
+- keywords 为字符串数组：依据写作意图（及用户提供的大纲，若有）提炼的搜索关键词，要具体、可搜索，避免过于宽泛。

 【完整示例】
 输入意图：帮我写一篇面向行业专家的深度文章，分析今年新能源汽车出口为什么大涨，大概两千字
 正确输出：
-{{"article_type": "feature", "target_audience": "行业专家", "word_count_target": 2000, "refined_intent": "分析今年新能源汽车出口高速增长的原因"}}"""
+{{"article_type": "feature", "target_audience": "行业专家", "word_count_target": 2000, "refined_intent": "分析今年新能源汽车出口高速增长的原因", "keywords": ["新能源汽车出口", "汽车出口数据", "新能源汽车海外市场", "电动车出口增长"]}}"""

 _USER_TEMPLATE = """用户写作意图：{user_intent}

@@ -93,13 +95,14 @@ _USER_TEMPLATE = """用户写作意图：{user_intent}
 - 文章类型（article_type）：{preconfigured_article_type}
 - 目标读者（target_audience）：{preconfigured_audience}
 - 目标字数（word_count_target）：{preconfigured_word_count}
-
-请输出以下 JSON，article_type / target_audience / word_count_target 必须与上述一致，只需根据用户意图精炼 refined_intent：
+{outline_section}
+请输出以下 JSON：article_type / target_audience / word_count_target 必须与上述一致；根据用户意图精炼 refined_intent；并提炼 {keyword_count} 个用于搜集素材的搜索关键词放入 keywords（数量不多不少、具体可搜索）：
 {{{{
  "article_type": "{preconfigured_article_type}",
  "target_audience": "{preconfigured_audience}",
  "word_count_target": {preconfigured_word_count},
-  "refined_intent": "精炼后的写作意图（一句话）"
+  "refined_intent": "精炼后的写作意图（一句话）",
+  "keywords": ["检索词1", "检索词2"]
 }}}}"""


@@ -204,11 +207,19 @@ async def intent_parser_node(state: AIWritingState, config: RunnableConfig) -> d
    if not isinstance(preconfigured_wc, int) or preconfigured_wc <= 0:
        preconfigured_wc = 800

+    # 检索词数量（用户表单指定，1~10，默认 6）；意图解析顺便按此数量生成检索词，
+    # 供 researcher 首轮直接复用，省掉素材收集阶段单独的关键词 LLM 调用。
+    raw_kc = state.get("keyword_count")
+    keyword_count = raw_kc if isinstance(raw_kc, int) and 1 <= raw_kc <= 10 else 6
+
    user = _USER_TEMPLATE.format(
        user_intent=state["user_intent"],
        preconfigured_article_type=fallback_type,
        preconfigured_audience=fallback_result["target_audience"],
        preconfigured_word_count=preconfigured_wc,
+        keyword_count=keyword_count,
+        # 用户自带大纲时附上大纲原文，让检索词覆盖各章节主题（与 researcher 共用同一逻辑）
+        outline_section=keyword_outline_section(state),
    )

    # 流式调用：与 writer_outline / writer_draft 同套机制 —— LLM 逐字吐出 JSON，
@@ -312,4 +323,13 @@ async def intent_parser_node(state: AIWritingState, config: RunnableConfig) -> d
    if final_refined_intent != state["user_intent"]:
        updates["user_intent"] = final_refined_intent

+    # 意图解析顺便生成的检索词：清洗后存入 state，researcher 首轮直接复用。
+    # 解析失败/为空时不写该字段（保持 None），researcher 回退到自己生成（优雅降级）。
+    raw_keywords = result.get("keywords")
+    if isinstance(raw_keywords, list):
+        precomputed = [s for kw in raw_keywords if (s := str(kw).strip())]
+        precomputed = list(dict.fromkeys(precomputed))
+        if precomputed:
+            updates["precomputed_keywords"] = precomputed
+
    return updates
@@ -41,7 +41,7 @@ from ._agent_runner import (
    use_builtin_agent,
 )
 from ._skill_agent import run_skill_search_agent, use_skill_search_agent
-from ._utils import get_ai_writing_config, llm_json, safe_get_stream_writer
+from ._utils import get_ai_writing_config, keyword_outline_section, llm_json, safe_get_stream_writer

 logger = logging.getLogger(__name__)

@@ -59,24 +59,6 @@ _AGENT_KEYWORDS_USER = """任务：提取检索词

 /no_think"""

-# 用户自带大纲时，检索词生成的大纲提示片段做长度截断，防止 token 溢出。
-_OUTLINE_KEYWORD_SNIPPET_CHARS = 1000
-
-
-def _keyword_outline_section(state: AIWritingState) -> str:
-    """用户自带大纲时，给检索词生成附上大纲原文，让关键词覆盖各章节主题。
-
-    无大纲返回空串（提示词里该行变空行，行为与原来一致）。
-    """
-    raw = (state.get("user_outline_raw") or "").strip()
-    if not raw:
-        return ""
-    snippet = raw[:_OUTLINE_KEYWORD_SNIPPET_CHARS]
-    return (
-        "用户已提供文章大纲，请结合写作意图，让检索词覆盖大纲涉及的各章节主题：\n"
-        f"{snippet}"
-    )
-
 _AGENT_RANK_USER = """任务：素材排序

 写作意图：{user_intent}
@@ -507,44 +489,52 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
        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…")
-        # 用户自带大纲时，把大纲原文带进检索词生成，让关键词结合意图覆盖各章节主题
-        outline_section = _keyword_outline_section(state)
-        if use_agent:
-            kw_result = await run_writing_agent(
-                agent_id=RESEARCHER_AGENT_ID,
-                user_payload=_AGENT_KEYWORDS_USER.format(
-                    user_intent=intent,
-                    article_type=article_type,
-                    target_audience=target_audience,
-                    keyword_count=keyword_count,
-                    outline_section=outline_section,
-                ),
-                marker=KEYWORDS_READY_MARKER,
-                fallback={"keywords": [intent]},
-                state=state,
-                config=config,
-                explicit_model_fallback=keyword_model,
-                strict_model=False,
-                disable_thinking=True,
-            )
+        # 首轮检索（无任何 pause 干预）且意图解析阶段已顺便生成检索词 → 直接复用，
+        # 省掉素材收集阶段单独的「生成检索词」LLM 往返。re_search（用户要求重新生成
+        # 检索词、覆盖式重检）等再入路径 intervention 非空，仍走下方正常生成。
+        precomputed = state.get("precomputed_keywords") or []
+        if precomputed and not intervention:
+            keywords = _clean_keywords(precomputed, intent)
+            _emit(f"复用意图解析阶段生成的 {len(keywords)} 个检索词…")
        else:
-            kw_result = await llm_json(
-                EXTRACT_KEYWORDS_SYSTEM,
-                EXTRACT_KEYWORDS_USER.format(
-                    user_intent=intent,
-                    article_type=article_type,
-                    target_audience=target_audience,
-                    keyword_count=keyword_count,
-                    outline_section=outline_section,
-                ),
-                fallback={"keywords": [intent]},
-                config=config,
-                model_name=keyword_model,
-                disable_thinking=True,
-            )
-        # 清洗关键词：剔除占位符 / 空值，全空时回退写作意图
-        keywords = _clean_keywords(kw_result.get("keywords"), intent)
+            _emit("正在生成检索词…")
+            # 用户自带大纲时，把大纲原文带进检索词生成，让关键词结合意图覆盖各章节主题
+            outline_section = keyword_outline_section(state)
+            if use_agent:
+                kw_result = await run_writing_agent(
+                    agent_id=RESEARCHER_AGENT_ID,
+                    user_payload=_AGENT_KEYWORDS_USER.format(
+                        user_intent=intent,
+                        article_type=article_type,
+                        target_audience=target_audience,
+                        keyword_count=keyword_count,
+                        outline_section=outline_section,
+                    ),
+                    marker=KEYWORDS_READY_MARKER,
+                    fallback={"keywords": [intent]},
+                    state=state,
+                    config=config,
+                    explicit_model_fallback=keyword_model,
+                    strict_model=False,
+                    disable_thinking=True,
+                )
+            else:
+                kw_result = await llm_json(
+                    EXTRACT_KEYWORDS_SYSTEM,
+                    EXTRACT_KEYWORDS_USER.format(
+                        user_intent=intent,
+                        article_type=article_type,
+                        target_audience=target_audience,
+                        keyword_count=keyword_count,
+                        outline_section=outline_section,
+                    ),
+                    fallback={"keywords": [intent]},
+                    config=config,
+                    model_name=keyword_model,
+                    disable_thinking=True,
+                )
+            # 清洗关键词：剔除占位符 / 空值，全空时回退写作意图
+            keywords = _clean_keywords(kw_result.get("keywords"), intent)
        if extra_keywords:
            keywords = list(dict.fromkeys(keywords + extra_keywords))

@@ -157,6 +157,11 @@ class AIWritingState(TypedDict):
    notebook_search_space_id: Optional[int]
    notebook_source_ids: Optional[List[int]]

+    # 意图解析阶段（intent_parser）顺便生成的检索词：与意图理解共用同一次 LLM 调用，
+    # researcher 首轮检索时直接复用，省掉素材收集阶段单独的「生成检索词」LLM 往返。
+    # 解析失败/为空时为 None，researcher 回退到自己生成检索词（优雅降级）。
+    precomputed_keywords: Optional[List[str]]
+
    # Agent A 输出
    material_package: Optional[MaterialPackage]

@@ -514,12 +514,15 @@ def _make_lead_agent(config: RunnableConfig, *, app_config: AppConfig):
        # 关键：绝不给全套工具、绝不复用 lead 超级体提示，否则模型会把「新能源汽车市场分析」之类
        # 长得像任务的输入直接做掉，而不是转成写作配置提交。
        # 末尾追加 WritingSetupRoundCapMiddleware：澄清最多 3 轮，到顶用 tool_choice 强制提交配置卡。
+        # 快捷模式：用默认选项、不逐项澄清提问（但仍生成并确认大纲）——直接**不挂** ask_clarification，
+        # 让模型物理上问不了澄清问题，比只靠提示词约束更可靠。
        from deerflow.agents.lead_agent.prompt import build_writing_setup_prompt
        from deerflow.agents.middlewares.writing_setup_round_cap_middleware import WritingSetupRoundCapMiddleware

+        setup_tools = [setup_writing] if writing_setup_quick else [setup_writing, ask_clarification_tool]
        return create_agent(
            model=create_chat_model(name=model_name, thinking_enabled=thinking_enabled, force_disable_thinking=thinking_force_disabled, app_config=resolved_app_config),
-            tools=[setup_writing, ask_clarification_tool],
+            tools=setup_tools,
            middleware=[
                *_build_middlewares(config, model_name=model_name, app_config=resolved_app_config),
                WritingSetupRoundCapMiddleware(max_rounds=WRITING_SETUP_MAX_ROUNDS),
@@ -1147,8 +1147,8 @@ def build_writing_setup_prompt(article_types: list[dict] | None = None, *, quick

    if quick_mode:
        workflow_block = """【工作流程——快捷模式】
-1. **不澄清、用默认**：**禁止**调用 `ask_clarification`。文章类型、目标字数、目标读者等一律自行取**合理默认**（字数默认 800，读者默认「普通读者」，文章类型按意图判断），**绝不**就这些选项反问用户。
-2. **拿到标题/主题就直接出大纲**：用户一给出标题或写作主题，**立刻**以**普通回复文本**输出一份**多级层级**的中文大纲——用 Markdown 标题层级（`#` 一级、`##` 二级，必要时 `###` 三级），每节可用**一句话**点明这一节要写什么，但**绝不写正文**；大纲规模与默认字数匹配。**在回复的最后一句**明确请用户确认，例如：「以上是建议大纲，你看是否需要调整？确认后我就整理写作配置、开始写作。」这一步**不要调用任何工具**，输出完大纲就结束本轮、等待用户回应。
+1. **不澄清、用默认**：**禁止**就文章类型/字数/读者等选项反问用户（你**没有** `ask_clarification` 工具，也**绝不**用普通文本向用户提澄清问题）。这些字段一律自行取**合理默认**（字数默认 800，读者默认「普通读者」，文章类型按意图判断）。
+2. **跳过提问、直接出大纲**：用户一给出标题或写作主题，**立刻**以**普通回复文本**输出一份**多级层级**的中文大纲——用 Markdown 标题层级（`#` 一级、`##` 二级，必要时 `###` 三级），每节可用**一句话**点明这一节要写什么，但**绝不写正文**；大纲规模与默认字数匹配。**在回复的最后一句**明确请用户确认，例如：「以上是建议大纲，你看是否需要调整？确认后我就整理写作配置、开始写作。」这一步**不要调用任何工具**，输出完大纲就结束本轮、等待用户回应。
 3. **按反馈灵活改大纲**：用户要求调整（增删章节、改层级、换角度等）就**重新输出修订后的完整大纲**，并再次在最后一句请其确认；如此反复，直到用户表示满意/确认。
 4. **提交配置**：用户确认大纲后，调用 `setup_writing` 提交："""
    else:
@@ -1158,18 +1158,20 @@ def build_writing_setup_prompt(article_types: list[dict] | None = None, *, quick
 3. **按反馈灵活改大纲**：用户要求调整（增删章节、改层级、换角度等）就**重新输出修订后的完整大纲**，并再次在最后一句请其确认；如此反复，直到用户表示满意/确认。用户若只是补充信息也照常更新大纲再确认。
 4. **提交配置**：用户确认大纲后，调用 `setup_writing` 提交："""

-    quick_law = (
-        "\n- **快捷模式**：禁止调用 `ask_clarification` 反问选项；缺失项一律取合理默认，用户给出标题/主题后**立刻生成大纲**。"
+    # 快捷模式与普通模式的唯一区别：是否「逐项澄清提问」。两者都**先生成并确认大纲**再提交。
+    # 快捷模式不挂 ask_clarification 工具（见 make_lead_agent），故这里据 quick_mode 调整工具说明。
+    tools_law = (
+        "- 你只有**一个工具**：`setup_writing`（提交写作配置）——快捷模式**没有** `ask_clarification`，**不向用户提任何澄清问题**，缺失项一律取合理默认。**没有任何其它工具**，不要做检索/研究。"
        if quick_mode
-        else ""
+        else "- 你只有两个工具：① `ask_clarification`（向用户提问澄清，需要时用）；② `setup_writing`（提交写作配置）。**没有任何其它工具**，不要做检索、不要做研究、不要假装调用别的工具。"
    )

    return f"""你是「AI 写作」功能的**配置助手**。你的职责分两段：① 先与用户把写作需求聊清楚，**先生成并与用户确认一份大纲**；② 待用户对大纲满意后，再调用 `setup_writing` 工具提交写作配置（含已确认的大纲），交用户开始写作。

 【铁律——最高优先级】
 - 你**绝对不撰写**文章正文、分析内容或任何成稿文字。即使用户的输入看起来就是一个写作任务（例如「新能源汽车市场分析」「帮我写一篇……」），你也**只产出「大纲」（仅结构与标题）与「写作配置」**，绝不替用户动笔、绝不直接完成这篇写作。
- 你只有两个工具：① `ask_clarification`（向用户提问澄清，需要时用）；② `setup_writing`（提交写作配置）。**没有任何其它工具**，不要做检索、不要做研究、不要假装调用别的工具。
- `setup_writing` **只能在用户明确确认大纲之后**才调用；在那之前绝不调用它。{quick_law}
+{tools_law}
+- `setup_writing` **只能在用户明确确认大纲之后**才调用；在那之前绝不调用它。

 {workflow_block}
   - `user_intent`：精炼成一句话的写作目标（必填）。