feat(ai写作): 素材收集专家按真实智能体运行时跑技能 + 步骤条对齐

- 新增 run_skill_via_real_agent：复用 SubagentExecutor（与 lead agent / 子智能体
  同一套运行时），加载技能 SKILL.md + 全套工具 + 懒加载沙箱，让技能的真实检索逻辑
  （读文件 / 调内网接口 / MCP）真正执行，再按 JSON 契约收割结构化素材；researcher 的
  _execute_skill 在 researcher_skill_agent 开启时切到它，失败/空结果回退直连检索。
  解决内网技能（在别的智能体里好使）在 AI 写作里检不出东西的问题。
- 步骤条轻量对齐别的智能体：技能调用拆成「读取 SKILL.md → 执行检索 → 检索到 N 条」
  三段（前两段新增，结果段沿用 skill_result）；前端 SkillStepsCard 零改动。
- 含 roundtable-planning（业务链选择 / Step2 编排）的进行中改动。

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

frontend-web/src/roundtable-planning/components/BusinessChainPicker.tsx

@@ -140,7 +140,7 @@ export function BusinessChainPicker({
     const hasCoord = (plan.coordinatorPrompt?.trim() ?? "") !== "";
     return hasParallel || hasGoal || hasCoord ? plan : null;
   }, [selectedChain, survivingSeats]);
-  const [dagExecMode, setDagExecMode] = useState<"fast" | "sandbox">("fast");
+  const [dagExecMode, setDagExecMode] = useState<"fast" | "sandbox">("sandbox");
 
   const handleUse = () => {
     if (!canUse || !selectedChain) return;

frontend-web/src/roundtable-planning/hooks/useStep2Orchestration.ts

@@ -460,7 +460,7 @@ export function useStep2Orchestration(
     gatherFirst = false,
     orchestrationMode,
     orchestrationPlan,
-    dagExecMode = "fast",
+    dagExecMode = "sandbox",
     buildInitialIntent,
     triggerToast,
     setRoles,

frontend-web/src/roundtable-planning/lib/business-chain.ts

@@ -192,7 +192,7 @@ export function buildChainSeatSelection(
       const agents = plan.stages
         .flatMap((st) => st.agentIds)
         .map((id) => ({ agent_id: id, name: nameOf(id), model: modelOf(id), seat_skill_directive: skillOf(id), seatMode: seatModeOf(id) }));
-      return { agents, mode: "dag", chain: chainMeta, plan, dagExecMode: "fast", seatMode: chain.seatMode, gatherFirst: chain.gatherFirst ?? false };
+      return { agents, mode: "dag", chain: chainMeta, plan, dagExecMode: "sandbox", seatMode: chain.seatMode, gatherFirst: chain.gatherFirst ?? false };
     }
   }
 

frontend-web/src/roundtable-planning/pages/RoundtablePlanningPage.tsx

@@ -360,7 +360,7 @@ export default function RoundtablePlanningPage() {
   const [orchestrationPlan, setOrchestrationPlan] = useState<OrchestrationPlan | null>(null);
   // dag 执行子模式：fast（并行双列禁写）/ sandbox（并行单列可写、沙箱跟随）。
   // 由推荐弹窗的「执行方式」选择决定（仅 dag 有意义）。
-  const [dagExecMode, setDagExecMode] = useState<"fast" | "sandbox">("fast");
+  const [dagExecMode, setDagExecMode] = useState<"fast" | "sandbox">("sandbox");
   const [step2SidebarExpanded, setStep2SidebarExpanded] = useState(true);
   const [step2Runs, setStep2Runs] = useState<DraftStep2RunSnapshot[]>([]);
   const [activeStep2RunId, setActiveStep2RunId] = useState<string | null>(null);
@@ -684,7 +684,7 @@ export default function RoundtablePlanningPage() {
       setOrchestrationMode(run.orchestrationMode ?? "recommend");
       setChainMeta(run.chain ?? null);
       setOrchestrationPlan(run.orchestrationPlan ?? null);
-      setDagExecMode(run.dagExecMode ?? "fast");
+      setDagExecMode(run.dagExecMode ?? "sandbox");
       setStep3Report(run.step3 ?? null);
       step2.hydrateFromDraft(run as unknown as Step2Snapshot);
       markRestoredConsensusAsEmitted(Boolean(run.hasConsensus));
@@ -791,7 +791,7 @@ export default function RoundtablePlanningPage() {
       setOrchestrationMode(snapshot.orchestrationMode ?? "recommend");
       setChainMeta(snapshot.chain ?? null);
       setOrchestrationPlan(snapshot.orchestrationPlan ?? null);
-      setDagExecMode(snapshot.dagExecMode ?? "fast");
+      setDagExecMode(snapshot.dagExecMode ?? "sandbox");
       step2.hydrateFromDraft(snapshot as unknown as Step2Snapshot);
       markRestoredConsensusAsEmitted(Boolean(snapshot.hasConsensus));
     },
@@ -945,7 +945,7 @@ export default function RoundtablePlanningPage() {
         // chain / dag 都来自业务链条，保留来源链名；recommend 无。
         chain: result.mode === "recommend" ? null : result.chain ?? null,
         orchestrationPlan: result.mode === "dag" ? result.plan ?? null : null,
-        dagExecMode: result.mode === "dag" ? result.dagExecMode ?? "fast" : undefined,
+        dagExecMode: result.mode === "dag" ? result.dagExecMode ?? "sandbox" : undefined,
         step3: null,
       };
       setStep2Runs([...syncedRuns, newRun]);
@@ -998,7 +998,7 @@ export default function RoundtablePlanningPage() {
       setGatherFirst(result.gatherFirst ?? false);
       setChainMeta(result.mode === "recommend" ? null : result.chain ?? null);
       setOrchestrationPlan(result.mode === "dag" ? result.plan ?? null : null);
-      setDagExecMode(result.mode === "dag" ? result.dagExecMode ?? "fast" : "fast");
+      setDagExecMode(result.mode === "dag" ? result.dagExecMode ?? "sandbox" : "sandbox");
       setIsRecommendDialogOpen(false);
       setCurrentStep(2);
       triggerToast(
@@ -1527,7 +1527,7 @@ export default function RoundtablePlanningPage() {
     setOrchestrationMode("recommend");
     setChainMeta(null);
     setOrchestrationPlan(null);
-    setDagExecMode("fast");
+    setDagExecMode("sandbox");
     setStep3Report(null);
     // 停掉页面层的 Step3 三个生成流（新任务不该带着旧任务的流跑）+ 复位进入闸门，
     // 并停止后台作业实时跟随（作业本身继续在后台跑）。

offline-backend-20260512/backend/packages/harness/deerflow/agents/ai_writing/nodes/_skill_agent.py

@@ -41,6 +41,148 @@ def use_skill_search_agent() -> bool:
     return bool(cfg.get("researcher_skill_agent", False)) if isinstance(cfg, dict) else False
 
 
+# ── 用真实智能体运行时跑技能（和「别的智能体调用技能」完全一致）────────────────────
+#
+# 旧的 run_skill_search_agent 只给模型绑了一个写死路由到 DDG 的通用 search 工具，技能
+# SKILL.md 里要用的真实工具（read_file / bash / 内网检索工具 / MCP）根本不存在，所以
+# 内网技能跑不出东西。本函数改为复用 **SubagentExecutor**（与 lead agent / 子智能体同一套
+# 运行时）：加载技能 SKILL.md（skills 白名单）+ 全套工具 + 懒加载沙箱，让技能按其说明真正
+# 检索，再让模型把检索到的真实素材按 JSON 契约输出，我们解析成结构化素材。
+#
+# 单次工具调用循环上限（防跑飞）。
+_REAL_AGENT_MAX_TURNS = 16
+
+_MATERIAL_OUTPUT_CONTRACT = (
+    "你的任务：严格按上面挂载的检索技能（SKILL.md）的说明，用相应工具检索与「写作意图」相关的**真实素材**。\n"
+    "- 必须按技能说明实际调用工具完成检索（读取知识库文件 / 调用内网检索接口 / MCP 等），**不得凭记忆编造**。\n"
+    "- 检索完成后，**只输出一个 JSON 对象**（不要解释、不要 markdown 代码块、用英文双引号），把检索到的真实素材列出：\n"
+    '{"materials": [{"title": "标题", "content": "素材正文摘录(尽量保留原文, <=500字)", "source": "来源", "url": "原文链接(可空)", "published_at": "日期(可空)"}]}\n'
+    "- content 必须来自检索到的真实内容；若确实没检索到任何素材，输出 {\"materials\": []}。"
+)
+
+
+async def run_skill_via_real_agent(
+    *,
+    skill,
+    intent: str,
+    keywords: list[str],
+    user_query: str,
+    config: RunnableConfig,
+    state: dict,
+    model_name_fallback: str | None,
+    max_results: int,
+    timeout_s: int,
+    emit_query=None,
+) -> tuple[list, str]:
+    """用真实智能体运行时（SubagentExecutor）跑一个检索技能，收割结构化素材。
+
+    与「别的智能体调用技能」一致：技能 SKILL.md + 全套工具 + 沙箱都齐全，技能的真实检索
+    逻辑（读文件 / 调内网接口 / MCP）能真正执行。模型最终按 JSON 契约吐出素材，解析成
+    SearchResult。返回 ``(results, error_detail)``：results 为空且 error 非空 = 该技能失败
+    （researcher 据此回退直连检索）。
+    """
+    from deerflow.config import get_app_config
+    from deerflow.subagents.config import SubagentConfig
+    from deerflow.subagents.executor import SubagentExecutor, SubagentStatus
+    from deerflow.tools import get_available_tools
+
+    from ..search.base import SearchResult
+    from ._agent_runner import RESEARCHER_AGENT_ID, WritingAgentUnavailable, load_writing_agent
+    from ._utils import parse_json
+
+    skill_name = getattr(skill, "name", "") or "技能"
+
+    try:
+        agent_cfg, soul = load_writing_agent(RESEARCHER_AGENT_ID)
+    except WritingAgentUnavailable:
+        agent_cfg, soul = None, ""
+    model_name = resolve_agent_model_name(
+        agent_cfg, state, config, explicit_fallback=model_name_fallback, strict=False
+    )
+
+    try:
+        app_config = get_app_config()
+        tools = get_available_tools(
+            model_name=model_name, subagent_enabled=False, include_mcp=True, app_config=app_config
+        )
+    except Exception as e:  # noqa: BLE001
+        logger.warning("skill real-agent[%s]: build tools failed: %s", skill_name, e)
+        return [], f"工具初始化失败: {e}"
+
+    system_prompt = (soul + "\n\n" if soul else "") + _MATERIAL_OUTPUT_CONTRACT
+
+    task_lines = [f"写作意图：{intent or '(无)'}"]
+    if user_query:
+        task_lines.append(f"用户补充检索意图：{user_query}")
+    if keywords:
+        task_lines.append(f"可参考的检索方向：{', '.join(keywords[:8])}")
+    task_lines.append(f"目标素材数量约 {max_results} 条。")
+    task = "\n".join(task_lines)
+
+    sub_cfg = SubagentConfig(
+        name=f"ai-writing-skill-{skill_name}",
+        description="AI 写作素材检索",
+        system_prompt=system_prompt,
+        tools=None,  # 继承全套工具，技能按 SKILL.md 自行取用
+        disallowed_tools=["task"],  # 素材检索不需要再派生子任务
+        skills=[skill_name],  # 仅加载这个技能的 SKILL.md
+        model=model_name or "inherit",
+        max_turns=_REAL_AGENT_MAX_TURNS,
+        timeout_seconds=max(30, timeout_s),
+    )
+
+    thread_id = (config.get("configurable") or {}).get("thread_id")
+    try:
+        executor = SubagentExecutor(
+            config=sub_cfg, tools=tools, app_config=app_config,
+            parent_model=model_name, thread_id=thread_id,
+        )
+    except Exception as e:  # noqa: BLE001
+        logger.warning("skill real-agent[%s]: executor init failed: %s", skill_name, e)
+        return [], f"运行时初始化失败: {e}"
+
+    # 步骤条「轻量对齐」别的智能体：读取 SKILL.md → 执行检索 两段（结果段由 researcher
+    # 的 _emit_skill_outcome 以 skill_result 收尾）。这两步在图的事件循环里同步发出，
+    # 写到时间线没问题；技能真正执行在下面的线程里跑。
+    if emit_query:
+        emit_query(f"读取技能「{skill_name}」的 SKILL.md…")
+        emit_query(f"技能「{skill_name}」按 SKILL.md 说明执行检索…")
+
+    # execute() 内部用「沙箱/MCP 友好」的隔离事件循环跑；放进线程，避免阻塞图的事件循环。
+    try:
+        result = await asyncio.to_thread(executor.execute, task)
+    except Exception as e:  # noqa: BLE001
+        logger.warning("skill real-agent[%s]: execute failed: %s", skill_name, e, exc_info=True)
+        return [], f"技能检索失败: {e}"
+
+    if result.status != SubagentStatus.COMPLETED:
+        return [], result.error or f"技能检索未完成（{result.status.value}）"
+
+    parsed = parse_json(result.result or "", {"materials": []})
+    raw_materials = parsed.get("materials")
+    if not isinstance(raw_materials, list):
+        return [], ""
+
+    results: list = []
+    for m in raw_materials[:max_results]:
+        if not isinstance(m, dict):
+            continue
+        content = str(m.get("content") or "").strip()
+        title = str(m.get("title") or "").strip()
+        if not content and not title:
+            continue
+        results.append(SearchResult(
+            title=title or "（无标题）",
+            content=content[:500],
+            source=str(m.get("source") or skill_name).strip() or skill_name,
+            published_at=str(m.get("published_at") or "").strip(),
+            url=str(m.get("url") or "").strip(),
+            relevance_score=0.8,
+            source_type="skill",
+        ))
+    return results, ""
+
+
 def _read_skill_body(skill) -> str:
     """读技能 SKILL.md 全文；失败回退 name+description。"""
     try:

offline-backend-20260512/backend/packages/harness/deerflow/agents/ai_writing/nodes/researcher.py

@@ -40,7 +40,7 @@ from ._agent_runner import (
     run_writing_agent,
     use_builtin_agent,
 )
-from ._skill_agent import run_skill_search_agent, use_skill_search_agent
+from ._skill_agent import run_skill_via_real_agent, use_skill_search_agent
 from ._utils import get_ai_writing_config, keyword_outline_section, llm_json, safe_get_stream_writer
 
 logger = logging.getLogger(__name__)
@@ -715,17 +715,20 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
                     error_detail = "；".join(dict.fromkeys(errs))[:200]
                 return added, error_detail
             else:
-                # ── 智能体式技能调用（config ai_writing.researcher_skill_agent 打开时）──
+                # ── 用真实智能体运行时跑技能（config ai_writing.researcher_skill_agent 打开时）──
-                # 把技能 SKILL.md 注入 + 绑定 search 工具，让模型按技能说明驱动检索，
+                # 复用 SubagentExecutor：技能 SKILL.md + 全套工具 + 沙箱齐全，技能真实检索逻辑
-                # 收割工具返回的 SearchResult 作为素材（与「智能体调用技能」逻辑一致）。
+                # （读文件 / 调内网接口 / MCP）能真正执行，再按 JSON 契约收割结构化素材——和
+                # 「别的智能体调用技能」完全一致，解决内网技能检不出东西的问题。
                 if use_skill_search_agent():
-                    def _emit_q(q: str, _name=sk.name) -> None:
+                    def _emit_q(msg: str, _name=sk.name) -> None:
+                        # run_skill_via_real_agent 传入的是完整步骤文案（读取 SKILL.md /
+                        # 执行检索…），原样透传到步骤条，与别的智能体的技能调用步骤对齐。
                         _emit_skill_step({
                             "type": "invoke_skill",
-                            "message": f"素材收集专家用技能「{_name}」检索：{q[:60]}",
+                            "message": msg,
                             "skill_name": _name,
                         })
-                    agent_results, agent_err = await run_skill_search_agent(
+                    agent_results, agent_err = await run_skill_via_real_agent(
                         skill=sk,
                         intent=intent,
                         keywords=keywords,
@@ -739,7 +742,9 @@ async def researcher_node(state: AIWritingState, config: RunnableConfig) -> dict
                     )
                     if agent_results:
                         return _collect(agent_results), ""
-                    # 弱模型不会工具调用 / 智能体检索失败 → 回退直连检索，保证素材不空。
+                    # 技能运行时失败 / 没检索到 → 回退直连检索，保证素材不空。
+                    if agent_err:
+                        logger.info("skill real-agent[%s] returned no materials: %s", sk.name, agent_err)
 
                 # 定向技能检索（默认路径 / 智能体模式回退）：user_query 模式优先用用户原话；
                 # 非知识库技能再附上 description 让 query 贴合该技能的领域。