Merge remote-tracking branch 'refs/remotes/origin/main'

# Conflicts:
#	agent/core/runner.py

add_knowledge.py

@@ -0,0 +1,42 @@
+#!/usr/bin/env python3
+import json
+
+# 读取现有文件
+with open('/root/Agent/pre_upload_list.json', 'r', encoding='utf-8') as f:
+    data = json.load(f)
+
+# 新的知识条目
+new_knowledge = [
+    {
+        "task": "在图生图任务中，当 nano_banana 工具无法处理本地路径时的降级策略",
+        "content": "当使用 nano_banana 进行图生图时，如果传入本地图片路径（如 examples/xxx.png）会报错「Base64 decoding failed」，因为 nano_banana 期望的是 Base64 编码或网络 URL。\n\n正确做法：\n1. 先用 image_uploader 将本地图片上传获取 CDN URL\n2. 或使用支持本地路径自动上传的工具（如 flux_generate、seedream_generate）\n\n工具选择优先级：\n- nano_banana：需要手动上传获取 CDN URL，但支持多图融合，效果最好\n- flux_generate：自动处理本地路径，图生图效果好，推荐作为备选\n- seedream_generate：自动处理本地路径，需要最小尺寸 3686400 像素\n\n案例：Stage 4 检查 img_3 花丛色彩时，nano_banana 传入本地路径报错，切换至 flux_generate 成功完成修复。",
+        "types": ["experience"],
+        "tags": {
+            "intent": "图生图/色彩修复",
+            "state": "nano_banana/flux_generate"
+        },
+        "score": 4,
+        "source": {"category": "research"}
+    },
+    {
+        "task": "在图生图色彩控制中，通过 prompt 明确指定色彩排除可有效降低干扰元素饱和度",
+        "content": "当需要降低画面中某元素的色彩饱和度或改变其色系时，在 prompt 中明确指定：\n- 目标色彩：\"should be green foliage plants or very subtle low-saturation green flowers\"\n- 排除色彩：\"not purple or blue\"\n- 整体色调：\"The overall color scheme should be white and green with minimal color accents\"\n\n配合 flux-kontext-max 模型的图生图模式，可有效实现色彩调整而不破坏原有构图。\n\n案例：img_3 花丛色彩修复，将蓝紫色花丛成功调整为淡紫色/白色，融入绿色背景。",
+        "types": ["experience"],
+        "tags": {
+            "intent": "色彩控制/图生图优化",
+            "state": "flux_generate"
+        },
+        "score": 4,
+        "source": {"category": "research"}
+    }
+]
+
+# 添加到 knowledge 数组
+data['knowledge'].extend(new_knowledge)
+
+# 写回文件
+with open('/root/Agent/pre_upload_list.json', 'w', encoding='utf-8') as f:
+    json.dump(data, f, ensure_ascii=False, indent=2)
+
+print(f"成功添加 {len(new_knowledge)} 条知识条目")
+print(f"当前 knowledge 总数：{len(data['knowledge'])}")

add_workflow_experience_knowledge.py

@@ -0,0 +1,44 @@
+#!/usr/bin/env python3
+import json
+
+# 读取现有文件
+with open('/root/Agent/pre_upload_list.json', 'r', encoding='utf-8') as f:
+    data = json.load(f)
+
+# 新的知识条目
+new_knowledge = [
+    {
+        "task": "在分析工作流文件时，当 glob 搜索找不到目标文件的有效定位策略",
+        "content": "当 glob_files 按模式匹配找不到目标文件时，应该：1) 使用 bash_command 执行 find 命令进行更广泛的文件系统搜索，支持通配符和路径遍历；2) 结合 grep 内容搜索，通过文件内容关键词定位（如工具名、方案名）；3) 检查相关目录结构，如 research/outputs/ 下的子目录。案例：本次任务中 glob_files 搜索\"*wf_005*\"未找到文件，但通过 find 命令搜索包含\"ComfyUI\"\"Nano Banana\"等关键词的 markdown 文件，成功在 outputs/04/ 目录下找到颗粒感纸张纹理插画风格工作流调研报告.md，该文件即为 wf_005 的 raw_markdown 内容。",
+        "types": ["experience"],
+        "tags": {
+            "intent": "工作流文件定位",
+            "state": "文件搜索",
+            "tools": "glob_files,bash_command"
+        },
+        "score": 4,
+        "source": {"category": "research"}
+    },
+    {
+        "task": "工作流意图归纳的粒度判断原则",
+        "content": "在将工作流技术步骤归纳为意图级描述时，粒度判断应遵循：1) 保留工具差异——相同意图但不同工具实现应分开记录，因为工具选择是工作流变体的关键信息；2) 合并连续子步骤——同一工具内的连续操作（如新建图层→填充→设置混合模式）可合并为一个意图；3) 跨方案可比较——意图描述应使不同工作流的相同功能模块可对比。案例：本次将 Photoshop 的 5 种颗粒添加方法分别记录为\"添加溶解颗粒效果\"\"手绘颗粒纹理\"\"滤镜添加全局杂色\"等，保留了方法差异；而将 ComfyUI 的分割 + 重排合并为\"创建四方连续布局\"。",
+        "types": ["experience"],
+        "tags": {
+            "intent": "工作流分析",
+            "state": "意图归纳",
+            "method": "语义聚类"
+        },
+        "score": 4,
+        "source": {"category": "research"}
+    }
+]
+
+# 添加到 knowledge 数组
+data['knowledge'].extend(new_knowledge)
+
+# 写回文件
+with open('/root/Agent/pre_upload_list.json', 'w', encoding='utf-8') as f:
+    json.dump(data, f, ensure_ascii=False, indent=2)
+
+print(f"成功添加 {len(new_knowledge)} 条知识条目")
+print(f"当前 knowledge 总数：{len(data['knowledge'])}")

agent/tools/builtin/knowledge.py

@@ -1,18 +1,7 @@
 """
 知识管理工具 - KnowHub API 封装
 
-⚠️ DEPRECATED: 这些工具直接调用 KnowHub HTTP API，绕过 Knowledge Manager。
-推荐使用新架构：
-- knowledge_search → ask_knowledge (通过 IM 与 Knowledge Manager 交互)
-- knowledge_save → upload_knowledge (通过 IM 与 Knowledge Manager 交互)
-
-新架构优势：
-1. 统一通过 Knowledge Manager 管理知识
-2. 自动去重和整合
-3. 支持增量上传和批量提交
-4. 更好的并发控制
-
-所有工具通过 HTTP API 调用 KnowHub Server。
+所有工具通过 HTTP API 调用 KnowHub Server，直接读写底层数据库。
 """
 
 import os
@@ -107,8 +96,6 @@ async def knowledge_search(
     """
     检索知识（两阶段：语义路由 + 质量精排）
 
-    ⚠️ DEPRECATED: 推荐使用 ask_knowledge 工具（通过 Knowledge Manager）
-
     Args:
         query: 搜索查询（任务描述）
         top_k: 返回数量（默认 5）
@@ -120,7 +107,6 @@ async def knowledge_search(
     Returns:
         相关知识列表
     """
-    logger.warning("knowledge_search is deprecated. Use ask_knowledge instead.")
     try:
         params = {
             "q": query,
@@ -739,3 +725,32 @@ async def requirement_list(
         return ToolResult(title="✅ 需求列表获取成功", output=json.dumps(data, ensure_ascii=False, indent=2))
     except Exception as e:
         return ToolResult(title="❌ 需求列表失败", output=str(e), error=str(e))
+
+# ==================== Relation (关系表) 检索工具 ====================
+
+@tool(hidden_params=["context"])
+async def relation_search(
+    table_name: str,
+    filters: Optional[Dict[str, str]] = None,
+    limit: int = 100,
+    context: Optional[ToolContext] = None,
+) -> ToolResult:
+    """通用关系表检索工具
+    Args:
+        table_name: 关系表名 (如 capability_knowledge, tool_provider 等)
+        filters: 查询条件字典 (如 {"capability_id": "xxx"})
+        limit: 返回数量限制
+    """
+    try:
+        params = {"limit": limit}
+        if filters:
+            params.update(filters)
+        async with httpx.AsyncClient(timeout=30.0) as client:
+            res = await client.get(f"{KNOWHUB_API}/api/relation/{table_name}", params=params)
+            res.raise_for_status()
+            data = res.json()
+        return ToolResult(title=f"✅ {table_name} 检索成功", output=json.dumps(data, ensure_ascii=False, indent=2))
+    except httpx.HTTPStatusError as e:
+        return ToolResult(title=f"❌ {table_name} 检索失败", output=f"HTTP Error: {e.response.text}", error=str(e))
+    except Exception as e:
+        return ToolResult(title=f"❌ {table_name} 检索失败", output=str(e), error=str(e))

agent/tools/builtin/librarian.py

@@ -17,7 +17,7 @@ from agent.tools import tool, ToolResult, ToolContext
 
 logger = logging.getLogger(__name__)
 
-KNOWHUB_API = os.getenv("KNOWHUB_API", "http://43.106.118.91:9999").rstrip("/")
+KNOWHUB_API = os.getenv("KNOWHUB_API", "http://localhost:9999").rstrip("/")
 
 
 @tool(
@@ -47,7 +47,7 @@ async def ask_knowledge(
         整合回答 + source_ids + 各 source 摘要
     """
     try:
-        async with httpx.AsyncClient(timeout=60.0) as client:
+        async with httpx.AsyncClient(timeout=300.0) as client:
             response = await client.post(
                 f"{KNOWHUB_API}/api/knowledge/ask",
                 json={

direct_insert.py

@@ -0,0 +1,80 @@
+#!/usr/bin/env python3
+"""
+直接插入知识到数据库的脚本
+"""
+import sys
+import os
+import uuid
+import time
+import asyncio
+from datetime import datetime, timezone
+
+sys.path.insert(0, '/root/Agent')
+
+# 设置环境变量
+os.environ['KNOWHUB_DB'] = 'gp-t4n72471pkmt4b9q7o-master.gpdbmaster.singapore.rds.aliyuncs.com'
+os.environ['KNOWHUB_PORT'] = '5432'
+os.environ['KNOWHUB_USER'] = 'aiddit_aigc'
+os.environ['KNOWHUB_PASSWORD'] = '%a&&yqNxg^V1$toJ*WOa^-b^X=QJ'
+os.environ['KNOWHUB_DB_NAME'] = 'knowhub'
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+# 测试知识数据
+knowledge_data = {
+    'task': '接口测试验证条目',
+    'content': '这是一条用于验证 upload 接口是否可用的测试知识，可以删除。',
+    'types': ['experience'],
+    'tags': {'source': 'api_test'},
+    'score': 1
+}
+
+async def main():
+    print('正在连接数据库...')
+    store = PostgreSQLStore()
+
+    # 生成 ID
+    now = datetime.now(timezone.utc)
+    knowledge_id = f'knowledge-{now.strftime("%Y%m%d")}-{uuid.uuid4().hex[:8]}'
+    message_id = f'msg-{uuid.uuid4().hex[:12]}'
+
+    # 生成 embedding
+    print('正在生成 embedding...')
+    task_embedding = await get_embedding(knowledge_data['task'])
+    content_embedding = await get_embedding(knowledge_data['content'])
+
+    # 构建知识记录
+    knowledge = {
+        'id': knowledge_id,
+        'message_id': message_id,
+        'task': knowledge_data['task'],
+        'content': knowledge_data['content'],
+        'types': knowledge_data['types'],
+        'tags': knowledge_data.get('tags', {}),
+        'tag_keys': list(knowledge_data.get('tags', {}).keys()),
+        'scopes': ['org:cybertogether'],
+        'owner': 'system',
+        'source': {'category': 'execution'},
+        'eval': {'score': knowledge_data.get('score', 3)},
+        'task_embedding': task_embedding,
+        'content_embedding': content_embedding,
+        'created_at': int(time.time()),
+        'updated_at': int(time.time()),
+        'status': 'approved',
+    }
+
+    print(f'正在插入知识条目...')
+    store.insert(knowledge)
+    store.close()
+
+    print(f'✅ 成功插入知识条目！')
+    print(f'  ID: {knowledge_id}')
+    print(f'  Task: {knowledge_data["task"]}')
+    print(f'  Types: {knowledge_data["types"]}')
+    
+    return knowledge_id
+
+if __name__ == '__main__':
+    knowledge_id = asyncio.run(main())
+    print(f'\n最终知识 ID: {knowledge_id}')

examples/production_restore/config.py

@@ -50,7 +50,7 @@ RUN_CONFIG = RunConfig(
 # ===== 任务配置 =====
 
 INPUT_DIR = "examples/production_restore/input"       # 输入目录（pipeline.json、analysis.json 等）
-OUTPUT_DIR = "examples/production_restore/output_feature"     # 输出目录
+OUTPUT_DIR = "examples/production_restore/output_origin"     # 输出目录
 FEATURES_DIR = "examples/production_restore/features"         # 素材目录
 
 

examples/production_restore/execution.prompt

@@ -18,17 +18,17 @@ $system$
 - Prompt 文本
 - 图生图配置（img2img_config）
 
-**参考源信息（raw_info 目录）**：
-在输入目录中有一个 `raw_info/` 文件夹，包含原始图片的源信息：
-- 每张图的制作表：`raw_info/写生油画__img_X_制作表.json`（对应 img_1 ~ img_5）
-- 通用创作信息：`raw_info/创作表.md`、`raw_info/制作点.md`、`raw_info/图片亮点.md`
+**参考源信息（输入目录）**：
+输入目录 `%input_dir%/` 中包含原始图片的源信息：
+- 每张图的制作表：`%input_dir%/写生油画__img_X_制作表.json`（对应 img_1 ~ img_5）
+- 通用创作信息：`%input_dir%/创作表.md`、`%input_dir%/制作点.md`、`%input_dir%/图片亮点.md`
 
-在构建或优化 prompt 时，**应先读取当前图片对应的制作表 JSON 和通用文件作为参考**，从中提取有价值的细节描述融入 prompt。raw_info 是辅助参考，最终 prompt 仍以任务指派中的要求为准。
+在构建或优化 prompt 时，**应先读取当前图片对应的制作表 JSON 和通用文件作为参考**，从中提取有价值的细节描述融入 prompt。这些源信息是辅助参考，最终 prompt 仍以任务指派中的要求为准。
 
 ### 第二步：验证素材可用性
 在执行生成前，先验证所需文件存在且可读：
 - 使用 `read_file` 工具检查各参考素材文件（**`read_file` 支持读取图片，会自动转为 base64 供你查看，无需打开浏览器**）
-- 读取 `raw_info/` 目录下对应的制作表 JSON（如生成 img_1 则读 `写生油画__img_1_制作表.json`）和通用文件（`创作表.md`、`图片亮点.md`），提取可用于 prompt 的细节
+- 读取 `%input_dir%/` 目录下对应的制作表 JSON（如生成 img_1 则读 `写生油画__img_1_制作表.json`）和通用文件（`创作表.md`、`图片亮点.md`），提取可用于 prompt 的细节
 - 如有素材缺失，立即在结果中标注（不要自行跳过）
 
 ### 第三步：通过 ToolHub 工具库执行生成
@@ -81,19 +81,21 @@ toolhub.py 内置了 `_preprocess_params` 函数，会自动将本地路径上
 
 **单图评估**：传入需求文档路径和单张图片路径
 ```json
-{"requirement_path": "%input_dir%/pipeline.json", "image_paths": "输出图片路径"}
+{"requirement_path": "%output_dir%/pipeline.json", "image_paths": "输出图片路径"}
 ```
 
 **多图一致性评估**：传入需求文档路径和多张图片路径列表，自动检查跨图一致性
 ```json
-{"requirement_path": "%input_dir%/pipeline.json", "image_paths": ["img_1路径", "img_2路径", "img_3路径"]}
+{"requirement_path": "%output_dir%/pipeline.json", "image_paths": ["img_1路径", "img_2路径", "img_3路径"]}
 ```
 
 - 单图模式：从姿态、服装、光影、背景、材质、构图 6 个维度打分（0-10）
 - 多图模式：从角色、服装、色调、光影、风格 5 个一致性维度打分，并逐图给分，指出不一致的图片
 - 根据评估结果判断是否需要重新生成或调整参数
 
-同时人工对照 output_spec 逐项检查：
+**人工对照制作表逐项检查（极其重要）**：
+
+自动评估工具只能给出维度打分，但无法判断是否符合原始制作表的具体要求。**你必须读取 `%input_dir%/` 下该图对应的制作表 JSON（如生成 img_1 则读 `写生油画__img_1_制作表.json`）**，对照其中的详细描述逐项检查：
 - 姿态是否符合需求描述（手臂位置、站/跪姿态）
 - 景深/散景效果是否达到要求
 - 人物参考是否注入（发型、服装款式）

examples/production_restore/input/analysis.json

@@ -1,100 +0,0 @@
-{
-  "category": {
-    "name": "户外白裙写生少女",
-    "traits": [
-      "穿着白色连衣裙的女性在户外草地进行油画写生",
-      "白绿配色为主，清新自然的森系视觉基调",
-      "包含画架、画布、调色板、画笔等写生道具",
-      "逆光/轮廓光与浅景深虚化营造梦幻氛围",
-      "画布内容与现实场景形成画中画呼应结构"
-    ],
-    "quality_challenges": [
-      "人物姿态自然度：需要呈现专注绘画的动态姿态，避免僵硬",
-      "白裙质感表现：轻薄面料的垂坠感、褶皱细节和透光效果",
-      "调色板颜料质感：厚重油画的 Impasto 堆叠感和色彩混合细节",
-      "光影层次：逆光下的轮廓光晕与主体细节的平衡",
-      "景深控制：前景清晰、背景虚化的自然过渡",
-      "画中画一致性：画布上的油画内容需与现实场景形成视觉呼应",
-      "发丝细节：逆光下头发边缘的光晕效果和发丝清晰度"
-    ],
-    "reasoning": "基于图片亮点.md 的 6 个聚类主题（优雅白裙少女、斑斓颜料、写生道具、白绿配色、光影景深、画中画结构）和制作点.md 的 6 大元素权重（女性 84.5、绘画工具 78.5、自然背景 74.0、画架画布 67.67、画架油画 60.97、女性衣物 44.7），以及 5 张制作表中对姿态、服装、光影、清晰度的详细规格描述综合判断"
-  },
-  "highlight": [
-    {
-      "name": "优雅的白裙写生少女",
-      "description": "女性主体需呈现文艺气质与娴静美，包括专注的绘画姿态（身体前倾、手臂抬起握笔）、自然垂坠的白色长裙（V 字露背或圆领、腰部系带收腰、裙摆飘逸）、棕色长发（自然披散、逆光下边缘光晕），整体塑造写生缪斯形象",
-      "reasoning": "图片亮点.md 中该聚类覆盖全部 5 张图片，制作点.md 中'女性'元素综合权重 84.5 为最高，5 张制作表中人物段落评分均在 0.745-0.858 之间，是画面核心主体",
-      "references": ["descriptions/图片亮点.md", "descriptions/制作点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.1", "descriptions/写生油画__img_2_制作表.json#段落 2.1", "descriptions/写生油画__img_3_制作表.json#段落 3.1", "descriptions/写生油画__img_4_制作表.json#段落 4.1", "descriptions/写生油画__img_5_制作表.json#段落 5.1"]
-    },
-    {
-      "name": "斑斓厚重的油画颜料",
-      "description": "木质调色板上堆积的厚重油画颜料（Impasto），呈不规则块状分布，色彩鲜艳杂乱（绿色、蓝色、红色、黄色、白色、紫色等至少 10 种颜色），颜料具有膏状质感和明显堆叠厚度，与周围大面积纯白衣物形成强烈视觉反差",
-      "reasoning": "图片亮点.md 专门聚焦该实质物体，制作点.md 中'绘画工具'权重 78.5 排第二，img_1 和 img_5 制作表中调色板颜料细节描述详尽（颜色种类、分布模式、质地），img_5 中颜料段落评分达 0.754",
-      "references": ["descriptions/图片亮点.md", "descriptions/制作点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.1.2.3", "descriptions/写生油画__img_5_制作表.json#段落 5.1.3.1"]
-    },
-    {
-      "name": "清新雅致的白绿配色",
-      "description": "大面积高饱和度自然草木绿背景（鲜绿色草地、深浅不一的绿色树木）与人物纯白服装形成鲜明对比，确立清新、自然、治愈的森系视觉基调，色彩饱和度中等偏高但不刺眼",
-      "reasoning": "图片亮点.md 中该形式类聚类强调色彩构成的形式美感，覆盖 img_1 和 img_4，5 张制作表的背景段落均描述'以绿色为主'，色彩形式评分普遍较高",
-      "references": ["descriptions/图片亮点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.3", "descriptions/写生油画__img_4_制作表.json#段落 4.3"]
-    },
-    {
-      "name": "唯美梦幻的光影与景深",
-      "description": "温暖的逆光/轮廓光从画面左上方或右上方照射，人物和物体边缘形成明显光晕；大光圈浅景深虚化（Bokeh）使背景呈现柔和散景，前景主体清晰锐利（头发丝、服装纹理、手部细节可见），营造脱离现实的梦幻浪漫氛围",
-      "reasoning": "图片亮点.md 中该形式类聚类覆盖 img_2、img_3、img_5，5 张制作表的形式段落均描述'逆光'或'自然光从左上方/右上方照射'，清晰度描述均为'前景清晰、背景虚化'，img_2 特别强调'强烈光斑和光晕效果'",
-      "references": ["descriptions/图片亮点.md", "descriptions/写生油画__img_2_制作表.json#段落 2 形式", "descriptions/写生油画__img_3_制作表.json#段落 3 形式", "descriptions/写生油画__img_5_制作表.json#段落 5 形式"]
-    },
-    {
-      "name": "虚实呼应的画中画结构",
-      "description": "画架上的画布内容与现实场景形成'镜像'或'互文'关系——画布上描绘身穿白色裙子的女性在户外草地/花丛中的背影，与现实中的画家形成视觉呼应，构建增加叙事深度的画中画结构，画布采用印象派风格（笔触粗犷、色彩鲜明）",
-      "reasoning": "图片亮点.md 中该形式类聚类覆盖 img_1 和 img_2，img_1、img_2、img_3 制作表中画布段落均详细描述'描绘了一名背对镜头的女性'，内容主题与现实场景呼应，画布段落评分高达 0.891-0.958",
-      "references": ["descriptions/图片亮点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.2.1", "descriptions/写生油画__img_2_制作表.json#段落 2.2.1", "descriptions/写生油画__img_3_制作表.json#段落 3.2.1"]
-    }
-  ],
-  "baseline": [
-    {
-      "name": "人物姿态自然度",
-      "description": "女性需呈现专注绘画的动态姿态（身体略微前倾、右臂抬起握笔、左臂弯曲持调色板、头部转向画布），避免僵硬呆板的摆拍感",
-      "why_critical": "制作表中 5 张图的人物姿态描述均强调'专注绘画的动态姿态'，姿态不自然会导致人物像假人模特，破坏'优雅写生少女'的核心亮点",
-      "reasoning": "img_1 制作表#段落 1.1.2 描述'身体略微前倾，右臂抬起握持画笔，左臂弯曲握持调色板'，img_2、img_3、img_4 均有类似姿态描述，姿态形式评分在 0.455-0.765 之间",
-      "references": ["descriptions/写生油画__img_1_制作表.json#段落 1.1.2", "descriptions/写生油画__img_2_制作表.json#段落 2.1.2", "descriptions/写生油画__img_3_制作表.json#段落 3.1.2", "descriptions/写生油画__img_4_制作表.json#段落 4.1.2"]
-    },
-    {
-      "name": "白裙材质与褶皱真实感",
-      "description": "白色长裙需呈现轻薄棉麻或丝绸质地的垂坠感和透气性，有自然形成的垂坠褶皱（裙摆、腰部、背部 V 领处），服装颜色为纯白色无图案",
-      "why_critical": "制作点.md 中'女性衣物'权重 44.7，5 张制作表的服装段落评分均高达 0.806-0.847，材质和褶皱描述详尽，做不好会导致服装像塑料或纸片，一眼假",
-      "reasoning": "img_1 制作表#段落 1.1.2.1 描述'轻薄的棉麻或丝绸质地，具有良好的垂坠感'，img_2、img_3、img_4 均有'丝绸或棉麻混纺材质，表面光滑，有轻微光泽感'等描述",
-      "references": ["descriptions/制作点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.1.2.1", "descriptions/写生油画__img_2_制作表.json#段落 2.1.2.1", "descriptions/写生油画__img_3_制作表.json#段落 3.1.2.1", "descriptions/写生油画__img_4_制作表.json#段落 4.1.2.1"]
-    },
-    {
-      "name": "调色板颜料质感",
-      "description": "调色板上的颜料需呈现膏状堆积的厚度和立体感，表面有光泽显示湿润质地，颜色种类丰富（至少 10 种），呈不规则块状和条状分布，部分颜色相互混合形成过渡色",
-      "why_critical": "图片亮点.md 专门将'斑斓厚重的油画颜料'列为实质类亮点，img_5 制作表中颜料段落评分 0.754，质感描述详尽，做不好会像平面贴图而非真实颜料",
-      "reasoning": "img_5 制作表#段落 5.1.3.1 详细描述'颜料呈膏状，堆积在调色板表面，具有一定的厚度和立体感，表面有光泽，显示出湿润的质地'，img_1 也有'颜料堆叠感明显'描述",
-      "references": ["descriptions/图片亮点.md", "descriptions/写生油画__img_1_制作表.json#段落 1.1.2.3", "descriptions/写生油画__img_5_制作表.json#段落 5.1.3.1"]
-    },
-    {
-      "name": "前景主体清晰度",
-      "description": "人物主体（头发丝、服装纹理、手部细节）、调色板（木质纹理、颜料堆叠）、画架需清晰锐利，细节可见，与虚化背景形成对比",
-      "why_critical": "5 张制作表的形式段落均强调'前景人物和画架清晰锐利'，清晰度形式评分普遍较高，做不好会导致画面整体模糊，失去专业摄影质感",
-      "reasoning": "img_1 制作表#段落 1 形式描述'画面中心区域清晰度高，细节锐利可见'，img_2、img_3、img_4、img_5 均有类似描述，清晰度是所有制作表的必选形式参数",
-      "references": ["descriptions/写生油画__img_1_制作表.json#段落 1 形式", "descriptions/写生油画__img_2_制作表.json#段落 2 形式", "descriptions/写生油画__img_3_制作表.json#段落 3 形式", "descriptions/写生油画__img_4_制作表.json#段落 4 形式", "descriptions/写生油画__img_5_制作表.json#段落 5 形式"]
-    },
-    {
-      "name": "背景虚化自然度",
-      "description": "背景树木和草地需呈现柔和的虚化效果（浅景深），与前景清晰主体形成自然过渡，虚化区域有光斑效果（尤其是逆光场景）",
-      "why_critical": "图片亮点.md 将'唯美梦幻的光影与景深'列为形式类亮点，5 张制作表均描述'景深较浅，背景虚化'，做不好会导致画面缺乏层次感和专业感",
-      "reasoning": "img_2 制作表#段落 2.3 描述'背景整体呈现柔和的虚化效果，景深较浅，树木轮廓模糊，光斑明显'，所有制作表的背景段落均有景深描述",
-      "references": ["descriptions/图片亮点.md", "descriptions/写生油画__img_2_制作表.json#段落 2.3", "descriptions/写生油画__img_3_制作表.json#段落 3.3", "descriptions/写生油画__img_5_制作表.json#段落 5.3"]
-    }
-  ],
-  "requirement_summary": [
-    "高质量人物生成：白裙女性、自然绘画姿态、棕色长发、逆光轮廓光",
-    "服装材质还原：轻薄棉麻/丝绸质地、垂坠褶皱、纯白色",
-    "调色板与颜料：木质调色板、厚重油画颜料 Impasto 质感、多色混合",
-    "光影效果：逆光/轮廓光、温暖光晕、前景清晰背景虚化",
-    "画中画结构：画布上油画内容需与现实场景呼应、印象派风格",
-    "自然背景：高饱和度绿色草地和树木、清新森系色调",
-    "道具细节：画架结构、画笔、白玫瑰点缀"
-  ]
-}

examples/production_restore/input/pipeline.json

@@ -1,194 +0,0 @@
-{
-  "project": "户外白裙写生少女图像还原",
-  "category": "户外白裙写生少女",
-  "total_images": 5,
-  "stages": {
-    "stage_1": {
-      "name": "链式图生图生成",
-      "status": "pending",
-      "description": "以 features 目录中的参考素材为底图，按顺序逐张生成。从 img_1 开始，每张图生成后，将结果作为下一张图的额外参考（chain_from），确保角色、服装、色调的跨图一致性。必须严格按 img_1 → img_2 → img_3 → img_4 → img_5 的顺序串行执行，不可并行",
-      "images": ["img_1", "img_2", "img_3", "img_4", "img_5"],
-      "execution_order": "sequential_chain",
-      "tool_priority": ["nano_banana", "flux_generate", "seedream_generate"],
-      "fallback": "仅当端到端工具效果不足时，才考虑使用 liblibai_controlnet"
-    },
-    "stage_2": {
-      "name": "迭代优化",
-      "status": "pending",
-      "description": "以 Stage 1 生成的图像作为底图，再次图生图迭代优化，增强材质、光影、细节的真实感"
-    },
-    "stage_3": {
-      "name": "跨图一致性检查",
-      "status": "pending",
-      "description": "对比 5 张生成图，检查角色、服装、色彩、光影的一致性。对不一致的图以当前结果为底图重新图生图优化"
-    },
-    "stage_4": {
-      "name": "细节修复与输出",
-      "status": "pending",
-      "description": "逐项检查并修复细节问题，以当前结果为底图进行定向图生图修复，输出最终成品"
-    }
-  },
-  "images": {
-    "img_1": {
-      "required_spec": {
-        "pose": "侧身背对，站姿，身体前倾，右臂抬起握笔，左臂持调色板",
-        "服装": "白色长裙，V 字露背，腰部系带，轻薄棉麻质地，垂坠褶皱",
-        "光影": "逆光从左上方照射，轮廓光晕，发丝金边",
-        "背景": "高饱和度绿色草地和树木，浅景深虚化",
-        "道具": "木质画架，白色画布（有画中画内容），木质调色板（多色颜料）",
-        "画中画": "画布上描绘背对镜头的女性 + 草地 + 蓝花，印象派风格"
-      },
-      "input_from": {
-        "character_ref": "character_asset/character_ref_img1.png",
-        "background_ref": "background_asset/background_green_img1.png",
-        "palette_ref": "palette_asset/palette_impasto_img1_v2.png"
-      },
-      "img2img_config": {
-        "base_image": "character_ref",
-        "reference_images": ["background_ref", "palette_ref"],
-        "chain_from": null,
-        "note": "第 1 张图，无前序结果。以人物参考图为底图做图生图，prompt 中融合背景、道具、光影描述。此图确立角色基准外观"
-      },
-      "prompt": "一位穿着纯白色长裙的女性在户外草地写生，身体略微前倾专注绘画，右手持画笔左手持调色板，棕色长发自然披散在背部，轻薄棉麻质地的白色长裙，V 字露背设计，腰部系带收腰，裙摆自然垂坠有飘逸感，温暖的逆光从左上方照射，人物边缘形成金色轮廓光，发丝呈现明亮光晕，全画幅 85mm 人像定焦镜头，光圈 f/1.8 大光圈，浅景深效果，前景人物清晰锐利，背景草地和树木柔和虚化，高饱和度自然草木绿背景，纯白服装与绿色形成鲜明对比，清新森系色调，真实摄影风格",
-      "negative_prompt": "AI 假人感，塑料质感，过度修饰，模糊，低质量，变形，cgi，3d 渲染，平滑无纹理",
-      "output_spec": {
-        "file": "img_1_restored_v1.png",
-        "resolution": "1024x1365",
-        "critical_checks": ["人物姿态自然度", "白裙材质与褶皱真实感", "前景主体清晰度"],
-        "high_checks": ["逆光轮廓光效果", "背景虚化自然度", "调色板颜料质感"]
-      }
-    },
-    "img_2": {
-      "required_spec": {
-        "pose": "背对，逆光，半剪影效果，身体略微右倾",
-        "服装": "白色长裙，轻薄材质，逆光下透光效果",
-        "光影": "强烈逆光，明显光斑和光晕效果，发丝金边",
-        "背景": "绿色树木，柔和虚化，圆形光斑 (bokeh)",
-        "道具": "木质画架，白色画布（有画中画内容），调色板",
-        "画中画": "画布上描绘背对女性 + 植物 + 花朵 + 光斑，印象派风格"
-      },
-      "input_from": {
-        "character_ref": "character_asset/character_ref_back.png",
-        "background_ref": "background_asset/background_bokeh_img2.png"
-      },
-      "img2img_config": {
-        "base_image": "character_ref",
-        "reference_images": ["background_ref"],
-        "chain_from": "img_1",
-        "note": "以背影参考图为底图，同时将 img_1 的生成结果作为参考图传入，保持角色一致性。prompt 中强化逆光和散景效果"
-      },
-      "prompt": "一位穿着纯白色长裙的女性在户外草地写生，背对镜头，身体略微右倾，强烈逆光效果，人物呈半剪影，发丝边缘明亮金边，轻薄白裙在逆光下呈现透光效果，木质画架和画布，调色板，背景绿色树木柔和虚化，圆形光斑效果，梦幻浪漫氛围，85mm 镜头，f/1.8 大光圈，真实摄影风格",
-      "negative_prompt": "AI 假人感，塑料质感，过度修饰，模糊，低质量，变形，cgi，3d 渲染，光线平淡",
-      "output_spec": {
-        "file": "img_2_restored_v1.png",
-        "resolution": "1024x1365",
-        "critical_checks": ["逆光轮廓光效果", "人物姿态自然度", "前景主体清晰度"],
-        "high_checks": ["背景光斑效果", "白裙透光感", "发丝金边细节"]
-      }
-    },
-    "img_3": {
-      "required_spec": {
-        "pose": "跪坐姿态，身体前倾，左臂靠近地面调色板",
-        "服装": "白色长裙，跪坐时裙摆自然铺展",
-        "光影": "自然光从左上方照射，柔和轮廓光",
-        "背景": "绿色草地，蓝紫色花丛，浅景深",
-        "道具": "木质画架，白色画布（有画中画内容），地面调色板",
-        "画中画": "画布上描绘白裙女性 + 花丛 + 遮阳伞，印象派风格"
-      },
-      "input_from": {
-        "character_ref": "character_asset/character_ref_kneel.png",
-        "background_ref": "background_asset/background_green_img1.png"
-      },
-      "img2img_config": {
-        "base_image": "character_ref",
-        "reference_images": ["background_ref"],
-        "chain_from": "img_2",
-        "note": "以跪姿参考图为底图，将 img_2 的结果作为参考保持角色一致性"
-      },
-      "prompt": "一位穿着纯白色长裙的女性跪坐在户外草地写生，身体前倾专注绘画，左臂靠近地面调色板，棕色长发自然披散，轻薄棉麻质地白裙，裙摆自然铺展在草地上，自然光从左上方照射，柔和轮廓光，背景绿色草地和蓝紫色花丛，浅景深虚化，85mm 镜头，f/1.8 光圈，清新森系色调，真实摄影风格",
-      "negative_prompt": "AI 假人感，塑料质感，过度修饰，模糊，低质量，变形，cgi，3d 渲染，姿态僵硬",
-      "output_spec": {
-        "file": "img_3_restored_v1.png",
-        "resolution": "1024x1365",
-        "critical_checks": ["跪坐姿态自然度", "白裙材质与褶皱真实感", "前景主体清晰度"],
-        "high_checks": ["花丛背景虚化", "裙摆铺展效果", "光影柔和度"]
-      }
-    },
-    "img_4": {
-      "required_spec": {
-        "pose": "侧身面对镜头，仰望，右臂抬起握笔",
-        "服装": "白色长裙，侧身视角可见服装轮廓",
-        "光影": "自然光照射，柔和光影",
-        "背景": "高饱和度绿色草地和树木，浅景深",
-        "道具": "木质画架，空白白色画布（无内容），调色板",
-        "画中画": "空白画布，纯白色表面，无颜料痕迹"
-      },
-      "input_from": {
-        "character_ref": "character_asset/character_ref_side.png",
-        "background_ref": "background_asset/background_green_img4.png",
-        "easel_ref": "easel_asset/easel_blank_canvas_img4.png"
-      },
-      "img2img_config": {
-        "base_image": "character_ref",
-        "reference_images": ["background_ref", "easel_ref"],
-        "chain_from": "img_3",
-        "note": "以侧面参考图为底图，将 img_3 的结果作为参考保持角色一致性。prompt 中强化'空白画布无内容'"
-      },
-      "prompt": "一位穿着纯白色长裙的女性侧身站立面对镜头，头部仰望向左上方，右臂抬起握持画笔，左臂持调色板，轻薄棉麻质地白裙，自然光照射，柔和光影，背景高饱和度绿色草地和树木，浅景深虚化，木质画架上有空白白色画布，纯白色表面无颜料痕迹，85mm 镜头，f/1.8 光圈，清新森系色调，真实摄影风格",
-      "negative_prompt": "AI 假人感，塑料质感，过度修饰，模糊，低质量，变形，cgi，3d 渲染，画布上有内容，颜料痕迹",
-      "output_spec": {
-        "file": "img_4_restored_v1.png",
-        "resolution": "1024x1365",
-        "critical_checks": ["人物姿态自然度", "白裙材质真实感", "空白画布纯白无内容"],
-        "high_checks": ["仰望表情自然", "侧身轮廓清晰", "背景虚化"]
-      }
-    },
-    "img_5": {
-      "required_spec": {
-        "pose": "特写镜头，聚焦手部和调色板，上半身可见",
-        "服装": "白色长裙，特写可见材质细节",
-        "光影": "温暖逆光，调色板颜料光泽",
-        "背景": "绿色背景，强烈虚化",
-        "道具": "木质调色板（多色厚重颜料 Impasto 质感），画笔",
-        "画中画": "画布部分可见于背景，绿蓝色调，笔触粗犷"
-      },
-      "input_from": {
-        "character_ref": "character_asset/character_ref_main.png",
-        "palette_ref": "palette_asset/palette_impasto_img1_v2.png"
-      },
-      "img2img_config": {
-        "base_image": "character_ref",
-        "reference_images": ["palette_ref"],
-        "chain_from": "img_4",
-        "note": "以人物正面参考图为底图，将 img_4 的结果作为参考保持角色一致性。prompt 中强化特写镜头和 Impasto 颜料质感"
-      },
-      "prompt": "特写镜头，聚焦女性双手握持木质调色板和画笔，调色板上有厚重油画颜料 Impasto 质感，膏状堆积，多色混合（绿色、蓝色、红色、黄色、白色、紫色），颜料表面湿润光泽，立体厚度可见，女性穿着纯白色长裙，上半身可见，温暖逆光照射，颜料光泽反射，背景绿色强烈虚化，85mm 微距镜头，f/1.8 光圈，真实摄影风格",
-      "negative_prompt": "AI 假人感，塑料质感，平滑无纹理，模糊，低质量，变形，cgi，3d 渲染，颜料扁平无厚度",
-      "output_spec": {
-        "file": "img_5_restored_v1.png",
-        "resolution": "1024x1365",
-        "critical_checks": ["调色板颜料 Impasto 质感", "颜料湿润光泽", "特写清晰度"],
-        "high_checks": ["多色颜料混合", "手部细节", "背景虚化"]
-      }
-    }
-  },
-  "consistency_checks": {
-    "stage_3": {
-      "character_consistency": "5 张图中女性角色面部特征、发型、肤色应保持一致",
-      "costume_consistency": "白色长裙的材质、款式、颜色应 100% 一致（V 字露背、腰部系带、轻薄棉麻）",
-      "color_scheme": "白绿配色方案贯穿所有图像，绿色饱和度中等偏高，纯白服装",
-      "lighting_consistency": "逆光/轮廓光方向一致（左上方），光晕效果统一",
-      "style_consistency": "真实摄影风格，85mm 镜头，f/1.8 景深效果统一"
-    }
-  },
-  "repair_items": {
-    "stage_4": [
-      {"item": "人物面部细节", "check": "肌肤纹理清晰，无 AI 假人感", "repair_tool": "图生图局部重绘"},
-      {"item": "服装褶皱", "check": "白裙垂坠褶皱自然，材质真实", "repair_tool": "图生图局部重绘"},
-      {"item": "调色板颜料", "check": "Impasto 质感明显，膏状堆积，湿润光泽", "repair_tool": "图生图局部重绘"},
-      {"item": "画布内容", "check": "画中画结构清晰，印象派风格", "repair_tool": "图生图局部重绘"},
-      {"item": "光影效果", "check": "逆光轮廓光自然，发丝金边清晰", "repair_tool": "图生图局部重绘"},
-      {"item": "背景虚化", "check": "浅景深效果自然，光斑柔和", "repair_tool": "图生图局部重绘"}
-    ]
-  }
-}

examples/production_restore/input/strategy.json

@@ -1,44 +0,0 @@
-{
-  "selected_strategy": {
-    "name": "素材驱动端到端工作流：参考素材图生图 → 迭代优化 → 一致性检查 → 细节修复",
-    "workflow_outline": [
-      "阶段 1 - 素材驱动图生图：以 features 中的参考素材（人物参考图）为底图传入 image_url，配合详细 prompt 描述服装材质、光影效果、相机参数，通过 nano_banana / flux_generate / seedream_generate 从头生成图像",
-      "阶段 2 - 迭代优化：以阶段 1 生成结果为底图再次图生图，增强材质、光影、细节真实感",
-      "阶段 3 - 跨图一致性检查：对比 5 张生成图的角色、服装、色彩、光影一致性，对不一致的图重新图生图优化",
-      "阶段 4 - 细节修复与输出：以当前结果为底图，针对局部细节（面部、褶皱、颜料质感等）进行定向图生图修复"
-    ],
-    "tool_priority": [
-      "nano_banana — 首选，速度快、效果好",
-      "flux_generate — 备选，支持 image_url 图生图",
-      "seedream_generate — 备选，支持 image_url 图生图",
-      "liblibai_controlnet — 最后回退，仅当需要精细姿态/边缘/深度控制且端到端工具效果不足时使用"
-    ],
-    "highlight_coverage": [
-      "优雅的白裙写生少女：端到端图生图保留原型构图 + 增强材质真实感",
-      "斑斓厚重的油画颜料：通过 prompt 强化 Impasto 质感描述 + palette_ref 素材辅助",
-      "清新雅致的白绿配色：prompt 中控制色彩 + background_ref 素材引导",
-      "唯美梦幻的光影与景深：prompt 中描述逆光轮廓光 + 相机参数（85mm、f/1.8）",
-      "虚实呼应的画中画结构：prompt 中同时描述现实场景和画布内容的镜像关系"
-    ],
-    "baseline_coverage": [
-      "人物姿态自然度：以原型图为底图保留姿态，端到端工具增强真实感",
-      "白裙材质与褶皱真实感：prompt 中详细描述布料材质（棉麻、垂坠、透光）",
-      "调色板颜料质感：prompt 强化 Impasto 描述 + palette_ref 素材参考",
-      "前景主体清晰度：prompt 中描述相机参数确保主体锐利",
-      "背景虚化自然度：prompt 中描述 f/1.8 大光圈、浅景深效果"
-    ],
-    "reasoning": "该策略的核心优势：1）端到端图生图工具（nano_banana/flux/seedream）通过 ToolHub 直接可用，无需额外配置；2）以原型图为底图可保留已验证的构图和姿态，只增强真实感；3）参考素材（人物、背景、道具）提供风格引导；4）全流程使用 ToolHub 工具，链路简短、执行效率高；5）仅在端到端工具效果不足时才回退到 ControlNet，避免不必要的复杂度"
-  },
-  "vs_alternatives": [
-    {
-      "alternative": "ControlNet 精确控制方案",
-      "why_not": "需要先提取控制信号（骨骼图、深度图、边缘图），当前素材中不包含这些文件；链路更长、配置更复杂；对于本项目已有原型图+参考素材的情况，端到端图生图更直接高效",
-      "could_switch_if": "端到端工具无法精确控制姿态或构图细节；需要逐像素级别的结构控制"
-    },
-    {
-      "alternative": "纯文生图方案（不使用底图）",
-      "why_not": "放弃已有原型图的构图和姿态信息，每次从零生成；一致性难以保证；浪费已有资源",
-      "could_switch_if": "原型图质量太差无法作为底图使用"
-    }
-  ]
-}

examples/production_restore/presets.json

@@ -5,7 +5,7 @@
     "skills": ["planning"],
     "prompt_vars": {
       "input_dir": "examples/production_restore/input",
-      "output_dir": "examples/production_restore/output_feature",
+      "output_dir": "examples/production_restore/output_origin",
       "features_dir": "examples/production_restore/features"
     },
     "description": "Business Agent - 决策循环编排器，驱动 goal → evaluate → decide → dispatch 循环"
@@ -17,7 +17,7 @@
     "skills": ["planning"],
     "prompt_vars": {
       "input_dir": "examples/production_restore/input",
-      "output_dir": "examples/production_restore/output_feature",
+      "output_dir": "examples/production_restore/output_origin",
       "features_dir": "examples/production_restore/features"
     },
     "description": "Craftsman - 单步执行专家，调用 ToolHub 工具执行图像生成"
@@ -28,7 +28,7 @@
     "temperature": 0.3,
     "skills": ["planning"],
     "prompt_vars": {
-      "output_dir": "examples/production_restore/output_feature"
+      "output_dir": "examples/production_restore/output_origin"
     },
     "description": "Researcher - 外部知识获取专家，搜索线上教程和案例"
   }

examples/production_restore/requirement.prompt

@@ -13,6 +13,7 @@ $system$
 | 角色 | 调用方式 | 职责 |
 |------|---------|------|
 | **Librarian** | `ask_knowledge(query=...)` | 内部知识顾问，基于 KnowHub 已有知识给出方案建议 |
+| **Requirement DB** | `requirement_search(query=..., top_k=20)` | 需求库检索，查找已有的制作需求 |
 | **Craftsman** | `agent(task=..., agent_type="craftsman")` | 单步执行专家，调用 ToolHub 工具执行图像生成 |
 | **Researcher** | `agent(task=..., agent_type="researcher")` | 外部知识获取，搜索线上教程和案例 |
 | **evaluate** | `evaluate_image(requirement_path=..., image_paths=...)` | 质量评估工具，对照需求打分 |
@@ -22,7 +23,7 @@ $system$
 - 素材目录（参考图等素材）：`%features_dir%`
 - 输出目录：`%output_dir%`
 
-pipeline.json 中 `input_from` 字段的路径均相对于素材目录。**指派任务时必须将其展开为完整路径**，传给 Craftsman 的路径必须以 `%features_dir%/` 开头。
+`%output_dir%/pipeline.json` 中 `base_image` 和 `reference_images` 的路径必须以 `%features_dir%/` 开头。
 
 ### 素材目录结构
 ```
@@ -51,68 +52,236 @@ features/
 
 ## 工作流程
 
-### 第一步：读取还原方案
-读取 `%input_dir%/pipeline.json`，提取整体结构和每张图的规格。
+### 第零步：需求分析（从内容描述提取制作需求）
 
-### 第二步：问策 Librarian
-在开始生成前，先向 Librarian 咨询：
-```
-ask_knowledge(query="户外白裙写生少女图像还原，使用端到端图生图工具（nano_banana/flux/seedream），需要保持5张图的角色一致性，有什么推荐方案？")
-```
-- Librarian 会返回 KnowHub 中已有的策略经验、工具评估、工作流总结
-- 如果 Librarian 回复"知识不足"或建议不够具体 → 派发 Researcher 调研
+在开始执行前，先从输入目录的内容描述文件中提取制作层需求。
+
+**1. 读取内容描述文件**
+
+读取 `%input_dir%` 下的核心描述文件（文件名可能略有差异，按实际存在的读取）：
+- `制作点.md`：核心制作元素及权重
+- `图片亮点.md` 或 `制作亮点.md`：视觉亮点聚类
+- `创作表.md`：创作视角描述（可选）
+- `*_制作表.json`：各图的详细制作表（按需抽查 1-2 个了解细节）
+
+**2. 检索已有需求**
 
-### 第三步：按需调研
-如果 Librarian 的知识不足以决策：
+用 `requirement_search` 对每个核心制作元素和亮点主题分别检索需求库，了解已有哪些相关需求：
 ```
-agent(task="调研 nano_banana 图生图的最佳实践，特别是如何保持多图角色一致性...", agent_type="researcher")
+requirement_search(query="人物写生 白裙女性 角色一致性", top_k=20)
+requirement_search(query="油画颜料质感 Impasto厚涂", top_k=20)
+requirement_search(query="户外自然背景 逆光散景 浅景深虚化", top_k=20)
+```
+- **分词搜索**：不要把所有关键词拼成一个 query，而是对每个核心制作元素、亮点主题分别搜索
+- 对制作点中权重最高的元素、亮点中覆盖图片最多的聚类，分别发起检索
+- 了解已有哪些需求，避免重复提取；已有需求可直接引用而不重复创建
+
+**3. 提取制作需求**
+
+站在图片制作者的角度，从内容描述中提取"用 AI 图像工具制作这组内容时，需要实现什么视觉效果"：
+- **从制作点出发**：按权重从高到低，识别需要 AI 工具还原的核心视觉元素
+- **从亮点出发**：识别图组中必须保持高表现力的视觉特征，转化为制作需求
+- **从制作表验证**：抽查具体图片的制作表，确认需求的具体性和可行性
+- **合并同类**：将指向同一视觉能力的元素和亮点合并为一个需求
+- **对比已有**：将提取结果与检索到的已有需求对比，标注哪些是新需求、哪些已存在
+
+**注意**：
+- 需求描述最终的视觉呈现效果，不要使用技术术语（如"ControlNet""LoRA"等）
+- 多个制作元素或亮点指向同一类视觉效果时，合并为一个需求
+- 每组内容的需求数量一般为 3-8 个
+
+**4. 保存需求文件**
+
+将提取结果保存到 `%output_dir%/requirements.json`。
+
+**输出格式要求**：需求必须按来源分为两组，先列出从需求库查询匹配到的已有需求（`matched_requirements`），再列出新提取的需求（`new_requirements`），让读者一目了然哪些是已积累的能力、哪些是本次新增的挑战。
+
+每个需求采用"抽象需求 + 具象点"的结构：
+- **抽象需求（abstract）**：概括性的视觉能力描述，如"保持多图人物一致性"
+- **具象点（concrete_points）**：该抽象需求下的具体视觉表现要求，如"白裙轮廓在不同角度下保持一致""发丝细节和耳饰在各图中统一"
+
+```json
+{
+  "content_name": "内容名称（从创作表或文件夹名获取）",
+  "matched_requirements": [
+    {
+      "abstract": "抽象需求描述（与需求库中已有需求匹配）",
+      "concrete_points": [
+        "具象点1：来自需求库的已有要求",
+        "具象点2：本次内容补充的新要求（如有）"
+      ],
+      "priority": "high | medium | low",
+      "db_match_id": "需求库中匹配到的需求 ID",
+      "match_confidence": "exact | partial",
+      "delta_from_db": "与需求库原始需求相比，本次新增或调整的具象点说明（无新增则为 null）",
+      "source_elements": ["制作点名称或亮点名称"],
+      "reasoning": "为什么这是关键制作需求，做不好会怎样"
+    }
+  ],
+  "new_requirements": [
+    {
+      "abstract": "抽象需求描述（需求库中无匹配，从内容描述中新提取）",
+      "concrete_points": [
+        "具象点1：具体的视觉表现要求",
+        "具象点2：具体的视觉表现要求"
+      ],
+      "priority": "high | medium | low",
+      "source_elements": ["制作点名称或亮点名称"],
+      "reasoning": "为什么这是关键制作需求，做不好会怎样"
+    }
+  ]
+}
 ```
-- Researcher 会搜索外部平台并返回调研结果
-- 调研结果可通过 `upload_knowledge` 存入 KnowHub 供后续使用
 
-### 第四步：链式图生图生成（Stage 1）
-严格按 **img_1 → img_2 → img_3 → img_4 → img_5** 的顺序串行生成：
+**分组说明**：
+- `matched_requirements`：通过 `requirement_search` 在需求库中找到了匹配的已有需求。`match_confidence` 标注匹配程度（`exact`=完全匹配，`partial`=部分匹配需补充）。`delta_from_db` 说明本次在已有需求基础上的增量变化
+- `new_requirements`：需求库中无匹配，从内容描述文件中新提取的需求。这些需求后续应考虑入库积累
 
-**img_1（基准图）**：
-```
-agent(task="生成 img_1（基准图）：
-  底图: %features_dir%/character_asset/character_ref_img1.png
-  背景参考: %features_dir%/background_asset/background_green_img1.png
-  调色板参考: %features_dir%/palette_asset/palette_impasto_img1_v2.png
+### 第一步：基于需求问策 Librarian
 
-  底图使用方式：将 character_ref 作为 image_url 传入端到端工具做图生图
-  读取 raw_info 目录下对应的制作表（%input_dir%/raw_info/写生油画__img_1_制作表.json）和通用文件辅助 prompt
+读取 `%output_dir%/requirements.json`，按以下优先级逐层向 Librarian 查询：
 
-  Prompt: [从 pipeline.json 提取]
-  Negative Prompt: [从 pipeline.json 提取]
-  img2img_config: [从 pipeline.json 提取]
+**第一层：查关系表（已有需求 → 关联的工序和案例）**
 
-  此图确立角色基准外观，后续所有图以此为参考锚点。
-  输出保存到: %output_dir%/img_1_restored_v1.png", agent_type="craftsman")
+对 `matched_requirements` 中的需求，优先通过关系表查找已有的工序方案和用户案例：
+```
+ask_knowledge(query="需求[db_match_id]关联的工序方案和用户案例")
 ```
+- 关系表中可能已记录：该需求对应的工具链、参数配置、成功案例
+- 如果关系表有完整的工序 → 直接采纳，无需进一步查询
 
-**img_2 ~ img_5（链式传递）**：每张图的 `chain_from` 字段指向前一张。指派时必须将前一张的生成结果路径传给 Craftsman，说明"此为前序图的生成结果，请保持角色、服装、色调一致"。
+**第二层：查能力和知识**
 
-每张图生成后，立即用 evaluate_image 评估：
+对关系表未覆盖的需求（包括 `new_requirements` 中的新需求），查询相关的能力和通用知识：
 ```
-evaluate_image(requirement_path="%input_dir%/pipeline.json", image_paths="%output_dir%/img_1_restored_v1.png")
+ask_knowledge(query="AI图生图工具实现[抽象需求]的能力和方法，具体要求：[列出concrete_points]")
 ```
-- 评分 ≥ 7 → 通过，进入下一张
-- 评分 < 7 → 分析反馈，问策 Librarian 调整方案，重新派发 Craftsman（输出为 `img_X_restored_v2.png`，版本号递增，不覆盖上一版）
+- 查找 KnowHub 中是否有相关的工具能力评估、技巧总结、参数经验
+- 将抽象需求和具象点一起传入，让 Librarian 给出针对性建议
 
-### 第五步：迭代优化（Stage 2）
-Stage 1 全部完成后，对评分较低的图（<8 分），以 Stage 1 结果为底图再次图生图优化。
+**第三层：标记知识缺口**
 
-### 第六步：跨图一致性检查（Stage 3）
-用 evaluate_image 的多图模式检查所有图（使用每张图的最新版本）：
+经过前两层查询后，汇总哪些需求仍缺乏足够的工序或知识支撑，标记为待调研项，交给第三步处理。
+
+### 第二步：按需调研
+对 Librarian 无法充分覆盖的需求，派发 Researcher 调研：
+```
+agent(task="调研以下制作需求的实现方案和用户案例：
+  [列出知识缺口的需求，包含 abstract + concrete_points]
+  重点关注：实际用户的成功案例、工具选择、参数配置、踩坑经验...", agent_type="researcher")
 ```
-evaluate_image(requirement_path="%input_dir%/pipeline.json", image_paths=["%output_dir%/img_1_restored_v1.png", "%output_dir%/img_2_restored_v1.png", ...])
+- Researcher 会搜索外部平台并返回调研结果
+- **调研结果保存到 `%output_dir%/research_result.json`**，供后续设计执行方案时参考
+- 同时通过 `upload_knowledge` 存入 KnowHub 供跨任务复用
+- 特别关注用户案例中的工序流程，可补充到关系表中
+
+**research_result.json 结构**：
+```json
+{
+  "researched_requirements": [
+    {
+      "abstract": "对应的抽象需求",
+      "findings": [
+        {
+          "type": "workflow | case_study | tool_tip | parameter",
+          "summary": "发现摘要",
+          "source": "来源平台和链接",
+          "detail": "详细内容"
+        }
+      ],
+      "recommended_approach": "综合调研结果后的推荐方案"
+    }
+  ]
+}
+```
+
+### 第三步：设计执行方案（生成 pipeline.json）
+
+综合以下信息，自行设计 `pipeline.json` 并保存到 `%output_dir%/pipeline.json`：
+
+**输入**：
+- `%output_dir%/requirements.json`：制作需求（抽象需求 + 具象点）
+- `%output_dir%/research_result.json`：Researcher 调研结果（工序、案例、工具技巧）
+- `%input_dir%/` 下的制作表 JSON：每张图的详细描述和构图信息
+- `%input_dir%/创作表.md`：整体创作视角
+- `%features_dir%/`：可用素材清单
+- Librarian 返回的工序方案、用户案例、工具能力信息
+
+**设计要点**：
+1. **确定图片顺序和链式关系**：根据制作表中各图的角色、构图关系，决定生成顺序和 chain_from 依赖
+2. **为每张图规划生成配置**：底图选择、参考素材、prompt、negative prompt、img2img 参数（strength 等）
+3. **将需求映射到具体图片**：每个 requirement 的 concrete_points 落实到对应图片的生成配置中
+4. **采纳 Librarian 推荐的工序**：优先使用关系表中已验证的工具链和参数配置
+5. **规划修复项**：根据需求优先级，列出 repair_items（Stage 4 细节修复清单）
+
+**pipeline.json 结构**：
+
+pipeline 是一个有序的 steps 列表，每个 step 对应一个可执行的操作。agent 设计 pipeline 时，应将生成、评估、迭代优化、一致性检查、细节修复等阶段都编排为具体的 step。
+
+```json
+{
+  "content_name": "内容名称",
+  "steps": [
+    {
+      "step_id": "step_1",
+      "type": "generate | evaluate | consistency_check | repair | custom",
+      "description": "该步骤的目标描述",
+      "expected_effect": "该步骤完成后图片应达到的视觉效果描述（具体、可感知）",
+      "checkpoints": [
+        "核心检查点1：可评估的具体标准（如'人物白裙V字露背设计清晰可见'）",
+        "核心检查点2：可评估的具体标准（如'调色板颜料厚度感明显，有立体笔触纹理'）"
+      ],
+      "depends_on": ["前置 step_id，为空则无依赖"],
+      "config": {
+        "// type=generate 时": "",
+        "target": "img_1",
+        "base_image": "%features_dir%/...",
+        "reference_images": ["%features_dir%/..."],
+        "chain_from_step": "null 或前序 generate step_id",
+        "prompt": "生成 prompt",
+        "negative_prompt": "负面 prompt",
+        "img2img_config": { "strength": 0.6 },
+        "mapped_requirements": ["对应的抽象需求"],
+
+        "// type=evaluate 时": "",
+        "target_step": "要评估的 generate step_id",
+        "pass_threshold": 7,
+        "retry_strategy": "问策 Librarian 后重新生成",
+
+        "// type=consistency_check 时": "",
+        "target_steps": ["要对比的多个 generate step_id"],
+        "dimensions": ["character", "clothing", "color", "lighting", "style"],
+
+        "// type=repair 时": "",
+        "target_step": "要修复的 step_id",
+        "repair_items": ["修复项描述"]
+      },
+      "output_path": "%output_dir%/img_1_restored_v1.png"
+    }
+  ],
+  "strategy_source": "工序方案来源说明（Librarian/Researcher/自行设计）"
+}
 ```
-- 对不一致的图，以当前结果为底图重新图生图
-- 如一致性问题严重，问策 Librarian 是否需要调研新的一致性保持技巧
 
-### 第七步：细节修复与输出（Stage 4）
-按 pipeline.json 的 repair_items 逐项检查修复。最终成品保存至 `%output_dir%/`。
+**设计要点**：
+1. **steps 的编排顺序即执行顺序**，通过 `depends_on` 表达依赖关系
+2. **每个 generate step 后通常跟一个 evaluate step**，评估不通过时按 `retry_strategy` 处理
+3. **将需求映射到具体 step**：每个 requirement 的 concrete_points 落实到对应 generate step 的配置中
+4. **采纳 Librarian 推荐的工序**：优先使用关系表中已验证的工具链和参数配置
+5. 设计完成后 review：每个 high priority 需求是否都在至少一个 step 中有体现
+6. **每个 step 必须填写 `expected_effect` 和 `checkpoints`**：`expected_effect` 描述该步骤完成后图片应呈现的视觉效果；`checkpoints` 列出 2-5 个可评估的具体标准，确保 evaluate step 有明确的评判依据。检查点应来自 requirements.json 中对应需求的 concrete_points
+
+### 第四步：按 pipeline 逐步执行
+
+遍历 `%output_dir%/pipeline.json` 中的 `steps`，按顺序逐步执行：
+
+- **generate**：组装该 step 的完整配置，派发 Craftsman 执行。如有 `chain_from_step`，将该前序 step 的最新输出路径一并传入。**必须提醒 Craftsman 读取 `%input_dir%/` 下该图对应的制作表 JSON（如 `写生油画__img_1_制作表.json`），从中提取构图、姿态、道具位置等细节融入 prompt**
+- **evaluate**：调用 evaluate_image 评估目标 step 的输出，**同时对照 `%input_dir%/` 下该图的制作表 JSON 中的具体描述进行逐项检查**（如制作表中描述"左手持调色板"，则检查生成图是否符合）。未达 `pass_threshold` 则按 `retry_strategy` 处理（问策 Librarian → 调整配置 → 重新生成，版本号递增）
+- **consistency_check**：用 evaluate_image 多图模式检查 `target_steps` 的输出一致性。不一致的图重新生成
+- **repair**：按 `repair_items` 逐项修复目标 step 的输出
+- **custom**：按 description 描述的逻辑执行
+
+每个 step 完成后，记录结果到 `%output_dir%/generation_log.md`。
 
 ### 知识回流
 每个阶段完成后，将有价值的经验存入 KnowHub：
@@ -138,8 +307,8 @@ upload_knowledge(data="使用 nano_banana 图生图时，strength=0.6 + 链式
 2. **参考素材路径**（完整路径）
 3. **前序结果路径**（chain_from，如有）
 4. **素材使用方式**：底图 → image_url，参考素材 → 辅助 prompt
-5. **Prompt 和生成配置**
-6. **源信息参考**：提醒 Craftsman 读取 `%input_dir%/raw_info/` 目录下对应图片的制作表 JSON（如 `写生油画__img_1_制作表.json`）和通用文件（`创作表.md`、`图片亮点.md`）
+5. **Prompt 和生成配置**（从 `%output_dir%/pipeline.json` 中对应图片的配置提取）
+6. **源信息参考**：提醒 Craftsman 读取 `%input_dir%/` 目录下对应图片的制作表 JSON（如 `写生油画__img_1_制作表.json`）和通用文件（`创作表.md`、`图片亮点.md`）
 7. **输出路径**
 
 ## 评估原则
@@ -148,7 +317,7 @@ upload_knowledge(data="使用 nano_banana 图生图时，strength=0.6 + 链式
 3. **上限点**：尽力还原，接受次优（评分 ≥ 7）
 
 $user$
-请读取输入目录中的还原方案，开始执行完整的图像还原流程：
+请先从输入目录的内容描述文件中提取制作需求，然后将需求交给 Librarian 调研，最后执行完整的图像还原流程：
 %input_dir%
 
 输出目录：%output_dir%

im-server/__main__.py

@@ -0,0 +1,13 @@
+import uvicorn
+import os
+import sys
+
+# 确保在导入 main 时能够找到同级模块
+current_dir = os.path.dirname(os.path.abspath(__file__))
+if current_dir not in sys.path:
+    sys.path.insert(0, current_dir)
+
+from main import app
+
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=8105)

insert_ai_workflow_capabilities.py

@@ -0,0 +1,132 @@
+#!/usr/bin/env python3
+"""
+插入 AI 创作工作流的 16 个通用能力模块知识条目
+"""
+import os
+import sys
+import json
+import uuid
+from datetime import datetime, timezone
+from pathlib import Path
+
+# 添加项目路径
+sys.path.insert(0, '/root/Agent')
+
+os.environ['OPEN_ROUTER_API_KEY'] = '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'
+os.environ['QWEN_API_KEY'] = 'sk-9453c827b9e14108b53d2b30ef7c75fe'
+os.environ['KNOWHUB_DB'] = 'gp-t4n72471pkmt4b9q7o-master.gpdbmaster.singapore.rds.aliyuncs.com'
+os.environ['KNOWHUB_PORT'] = '5432'
+os.environ['KNOWHUB_USER'] = 'aiddit_aigc'
+os.environ['KNOWHUB_PASSWORD'] = '%a&&yqNxg^V1$toJ*WOa^-b^X=QJ'
+os.environ['KNOWHUB_DB_NAME'] = 'knowhub'
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+# 知识数据 - AI 创作工作流的 16 个通用能力模块
+knowledge_data = {
+    "task": "AI 创作工作流的 16 个通用能力模块",
+    "content": """## 能力模块清单
+
+### 素材准备类
+1. **准备参考素材**：收集或生成用于后续创作的参考图像、纹理、角色基础等素材
+2. **生成参考图表**：生成角色参考表、多视角图、多表情图等参考资料
+
+### 角色定义类
+3. **定义角色特征**：设定人物面部特征、表情状态、身份一致性等角色属性
+
+### 场景构建类
+4. **构建场景环境**：创建或合成场景背景、虚拟环境、空间布局
+
+### 视觉控制类
+5. **配置光影效果**：设置光源方向、灯光类型、明暗对比等光照条件
+6. **控制姿态构图**：控制人物姿态、画面构图、视角、摄影参数
+7. **应用风格控制**：应用风格迁移、保持视觉一致性、注入特定美学风格
+8. **处理纹理效果**：添加纹理、颗粒、质感、色调等视觉效果
+9. **创建纹理布局**：创建四方连续、渐变网格、矢量图形等纹理布局
+
+### 生成执行类
+10. **执行内容生成**：执行核心的图像、视频、渲染生成操作
+11. **配置控制技术**：配置 ControlNet、深度图、姿态图等控制条件
+12. **配置工作流**：配置工具节点、构建流程、设置参数
+
+### 后期处理类
+13. **修复细节瑕疵**：对局部区域进行重绘、修复瑕疵、优化细节
+14. **增强图像质量**：提升图像分辨率、质量增强、最终精修
+15. **后期合成处理**：抠图、选区创建、图像合成、图层处理
+16. **视频后期处理**：视频剪辑、颜色分级、特效增强
+
+## 跨品类复用性
+以上模块均从 5 个不同品类的工作流（角色创作、人像精修、肖像摄影、光影控制、纹理设计）中抽象得出，可跨品类复用。""",
+    "types": ["strategy"],
+    "tags": {
+        "domain": "AI 创作",
+        "category": "能力模块",
+        "source": "工作流分析 pipeline"
+    },
+    "score": 5,
+    "source": {"category": "research"}
+}
+
+print("正在连接数据库...")
+store = PostgreSQLStore()
+
+# 生成 ID
+now = datetime.now(timezone.utc)
+knowledge_id = f"knowledge-{now.strftime('%Y%m%d')}-{uuid.uuid4().hex[:8]}"
+message_id = f"msg-{uuid.uuid4().hex[:12]}"
+
+# 生成 embedding
+print("正在生成 embedding...")
+task_embedding = get_embedding(knowledge_data["task"])
+content_embedding = get_embedding(knowledge_data["content"])
+
+# 构建知识记录
+knowledge = {
+    "id": knowledge_id,
+    "message_id": message_id,
+    "task": knowledge_data["task"],
+    "content": knowledge_data["content"],
+    "types": knowledge_data["types"],
+    "tags": knowledge_data["tags"],
+    "tag_keys": list(knowledge_data["tags"].keys()),
+    "scopes": [],
+    "owner": "librarian",
+    "source": knowledge_data["source"],
+    "eval": {"score": knowledge_data["score"]},
+    "created_at": now.isoformat(),
+    "updated_at": now.isoformat(),
+    "status": "approved",
+    "task_embedding": task_embedding,
+    "content_embedding": content_embedding,
+    "requirement_ids": [],
+    "capability_ids": [],
+    "tool_ids": [],
+    "resource_ids": [],
+}
+
+print(f"正在插入知识：{knowledge_id}")
+print(f"  Task: {knowledge['task']}")
+print(f"  Types: {knowledge['types']}")
+print(f"  Tags: {knowledge['tags']}")
+print(f"  Content 长度：{len(knowledge['content'])} 字符")
+
+store.insert(knowledge)
+
+print(f"\n✓ 知识已成功入库!")
+print(f"  ID: {knowledge_id}")
+print(f"  Message ID: {message_id}")
+
+# 验证插入
+retrieved = store.get_by_id(knowledge_id)
+if retrieved:
+    print(f"\n✓ 验证成功：已检索到刚插入的知识")
+    print(f"  Task: {retrieved['task']}")
+    print(f"  Content 长度：{len(retrieved['content'])} 字符")
+    print(f"  Types: {retrieved['types']}")
+    print(f"  Tags: {retrieved['tags']}")
+else:
+    print(f"\n✗ 验证失败：无法检索到刚插入的知识")
+
+store.close()
+print("\n数据库连接已关闭")

insert_knowledge.py

@@ -0,0 +1,73 @@
+#!/usr/bin/env python3
+"""
+插入知识条目到 PostgreSQL 数据库
+"""
+
+import asyncio
+import uuid
+import time
+import sys
+import os
+
+# 添加项目路径
+sys.path.insert(0, '/root/Agent')
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+
+async def main():
+    # 知识数据
+    task = "人物近景肖像"
+    content = "生成人物近景半身或胸部以上画面、突出面部表情和情绪、背景虚化的核心工序要素包括：1.近景/半身构图 2.面部表情细节 3.背景虚化效果 4.皮肤质感真实 5.眼神互动感"
+    types = ["strategy"]
+    tags = {"domain": "AI 生图", "source": "多渠调研汇总", "task": "人物近景肖像"}
+    score = 5
+    source = {"category": "research"}
+    
+    # 生成唯一 ID
+    knowledge_id = str(uuid.uuid4())
+    message_id = str(uuid.uuid4())
+    current_time = int(time.time())
+    
+    # 生成 embeddings
+    print(f"正在生成 task embedding...")
+    task_embedding = await get_embedding(task)
+    print(f"正在生成 content embedding...")
+    content_embedding = await get_embedding(content)
+    
+    # 构建知识对象
+    knowledge = {
+        'id': knowledge_id,
+        'message_id': message_id,
+        'task': task,
+        'content': content,
+        'types': types,
+        'tags': tags,
+        'tag_keys': list(tags.keys()),
+        'scopes': ['org:cybertogether'],  # 默认可见范围
+        'owner': 'system',  # 默认所有者
+        'source': source,
+        'eval': {'score': score},
+        'task_embedding': task_embedding,
+        'content_embedding': content_embedding,
+        'created_at': current_time,
+        'updated_at': current_time,
+        'status': 'approved',
+    }
+    
+    # 插入数据库
+    print(f"正在插入知识条目到 PostgreSQL...")
+    store = PostgreSQLStore()
+    store.insert(knowledge)
+    store.close()
+    
+    print(f"成功插入知识条目！")
+    print(f"  ID: {knowledge_id}")
+    print(f"  Task: {task}")
+    print(f"  Types: {types}")
+    print(f"  Score: {score}")
+
+
+if __name__ == '__main__':
+    asyncio.run(main())

insert_knowledge_direct.py

@@ -0,0 +1,91 @@
+import os
+import sys
+import json
+import uuid
+from datetime import datetime, timezone
+from pathlib import Path
+
+# 添加项目路径
+sys.path.insert(0, '/root/Agent')
+
+os.environ['OPEN_ROUTER_API_KEY'] = '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'
+os.environ['QWEN_API_KEY'] = 'sk-9453c827b9e14108b53d2b30ef7c75fe'
+os.environ['KNOWHUB_DB'] = 'gp-t4n72471pkmt4b9q7o-master.gpdbmaster.singapore.rds.aliyuncs.com'
+os.environ['KNOWHUB_PORT'] = '5432'
+os.environ['KNOWHUB_USER'] = 'aiddit_aigc'
+os.environ['KNOWHUB_PASSWORD'] = '%a&&yqNxg^V1$toJ*WOa^-b^X=QJ'
+os.environ['KNOWHUB_DB_NAME'] = 'knowhub'
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+# 知识数据
+knowledge_data = {
+    "task": "人物近景肖像",
+    "content": "生成人物近景半身或胸部以上画面、突出面部表情和情绪、背景虚化的核心工序要素包括：\n\n1. **近景/半身构图**：使用 tight medium close-up、extreme close-up、中近景半身等提示词；推荐 85mm 镜头视角；构图比例 2:3 或 9:16（竖版）、3:4（职业照）\n\n2. **面部表情细节**：使用锁脸技术（nano-banana 锁脸功能）、微表情描述（slightly parted lips、calm introspective expression）、多表情生成（3×3 网格生成 9 种表情）；关键提示词：direct steady eye contact、subtle catchlights in eyes\n\n3. **背景虚化效果**：推荐参数 85mm 镜头 + f/1.4-f/1.8 光圈；提示词：shallow depth of field、extremely shallow depth of field、soft bokeh blur、blurring out the neck, ear, and background completely；后期工具：Photoshop Lens Blur、DxO Photolab 9 Bokeh\n\n4. **皮肤质感真实**：避免塑料感的关键提示词：realistic skin texture with visible pores and natural imperfections、no plastic smoothing、dewy smooth texture；修复工具：Enhancor.ai Skin Realism\n\n5. **眼神互动感**：direct eye contact、catchlights in eyes、gentle and engaging eyes、looking directly at the camera",
+    "types": ["strategy"],
+    "tags": {
+        "domain": "AI 生图",
+        "source": "多渠调研汇总",
+        "task": "人物近景肖像"
+    },
+    "score": 5,
+    "source": {"category": "research"}
+}
+
+print("正在连接数据库...")
+store = PostgreSQLStore()
+
+# 生成 ID
+now = datetime.now(timezone.utc)
+knowledge_id = f"knowledge-{now.strftime('%Y%m%d')}-{uuid.uuid4().hex[:8]}"
+message_id = f"msg-{uuid.uuid4().hex[:12]}"
+
+# 生成 embedding
+print("正在生成 embedding...")
+task_embedding = get_embedding(knowledge_data["task"])
+content_embedding = get_embedding(knowledge_data["content"])
+
+# 构建知识记录
+knowledge = {
+    "id": knowledge_id,
+    "message_id": message_id,
+    "task": knowledge_data["task"],
+    "content": knowledge_data["content"],
+    "types": knowledge_data["types"],
+    "tags": knowledge_data["tags"],
+    "tag_keys": list(knowledge_data["tags"].keys()),
+    "scopes": [],
+    "owner": "librarian",
+    "source": knowledge_data["source"],
+    "eval": {"score": knowledge_data["score"]},
+    "created_at": now.isoformat(),
+    "updated_at": now.isoformat(),
+    "status": "approved",
+    "task_embedding": task_embedding,
+    "content_embedding": content_embedding,
+    "requirement_ids": [],
+    "capability_ids": [],
+    "tool_ids": [],
+    "resource_ids": [],
+}
+
+print(f"正在插入知识：{knowledge_id}")
+print(f"  Task: {knowledge['task']}")
+print(f"  Types: {knowledge['types']}")
+print(f"  Tags: {knowledge['tags']}")
+
+store.insert(knowledge)
+
+print(f"\n✓ 知识已成功入库!")
+print(f"  ID: {knowledge_id}")
+print(f"  Message ID: {message_id}")
+
+# 验证插入
+retrieved = store.get_by_id(knowledge_id)
+if retrieved:
+    print(f"\n✓ 验证成功：已检索到刚插入的知识")
+    print(f"  Task: {retrieved['task']}")
+    print(f"  Content 长度：{len(retrieved['content'])} 字符")
+else:
+    print(f"\n✗ 验证失败：无法检索到刚插入的知识")

knowhub/agents/librarian.py

@@ -66,6 +66,7 @@ def get_librarian_config(enable_db_commit: bool = ENABLE_DATABASE_COMMIT) -> Run
             enable_injection=False,
         ),
         tools=tools,
+        exclude_tools=["ask_knowledge", "upload_knowledge", "bash_command", "grep_content", "glob_files"],
     )
 
 

knowhub/agents/librarian_agent.prompt

@@ -44,5 +44,10 @@ Knowledge 按 types 分类：
 
 所有关联通过关联表存储，数据库保证引用完整性。查到任意一个实体都可以顺藤摸瓜找到关联的其他实体。
 
+## 工具使用规范与检索策略
+
+1. **精准查询优于全文搜索**：当你需要查询跨表关联关系时（例如：“寻找某个特定 Capability ID 被哪些 Requirement 关联了” 或者 “查某个 Tool 有没有被某个 Capability 包含”），**强烈推荐且务必优先使用 `relation_search` 工具**直接查询关系表（例如 `requirement_capability`, `capability_tool`, `tool_knowledge` 等）。
+2. 使用 `relation_search` 时，在 `filters` 中传入已知的 `_id` 即可迅速获得所有匹配的关联链路，进而拿到目标实体的 ID 再去定向获取详情，这比漫无目的地做大文本向量搜索 (`search` 结尾工具) 效率极速且精准得多！
+
 $user$
 

knowhub/docs/knowledge-management.md

@@ -0,0 +1,444 @@
+# KnowHub API 参考
+
+KnowHub 是一个 FastAPI 服务，提供知识图谱的存储、检索和管理能力。
+基础地址由环境变量 `KNOWHUB_API` 控制，默认 `http://localhost:8000`。
+
+FastAPI 自动生成的交互式文档：`{KNOWHUB_API}/docs`
+
+---
+
+## 数据模型
+
+### Knowledge（知识）
+
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| `id` | string | 格式 `knowledge-{date}-{hash}`，自动生成 |
+| `task` | string | 任务描述（在什么情景下要完成什么目标） |
+| `content` | string | 核心内容 |
+| `types` | string[] | 类型标签：`tool` / `strategy` / `case` / `experience` |
+| `tags` | object | 业务标签，如 `{"project": "foo", "domain": "ai"}` |
+| `scopes` | string[] | 可见范围，默认 `["org:cybertogether"]` |
+| `owner` | string | 所有者，默认 `agent:{agent_id}` |
+| `source` | object | `{name, category, urls, agent_id, submitted_by, timestamp}` |
+| `eval` | object | `{score(1-5), helpful, harmful, confidence}` |
+| `capability_ids` | string[] | 关联的能力 ID |
+| `tool_ids` | string[] | 关联的工具 ID |
+| `resource_ids` | string[] | 关联的资源 ID |
+| `status` | string | `pending` / `processing` / `dedup_passed` / `analyzing` / `approved` / `checked` / `rejected` |
+
+### Tool（工具）
+
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| `id` | string | 格式 `tools/{category}/{name}`，调用方指定 |
+| `name` | string | 工具名称 |
+| `version` | string | 版本号（可选） |
+| `introduction` | string | 简介 |
+| `tutorial` | string | 使用教程 |
+| `input` | object/string | 输入格式描述 |
+| `output` | object/string | 输出格式描述 |
+| `status` | string | 默认 `未接入` |
+| `capability_ids` | string[] | 关联的能力 ID |
+| `knowledge_ids` | string[] | 关联的知识 ID |
+| `provider_ids` | string[] | 关联的提供方 ID |
+
+### Capability（原子能力）
+
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| `id` | string | 格式 `CAP-XXX`，调用方指定 |
+| `name` | string | 能力名称 |
+| `criterion` | string | 判断标准（何时认为该能力被满足） |
+| `description` | string | 详细描述 |
+| `requirement_ids` | string[] | 关联的需求 ID |
+| `tool_ids` | string[] | 实现该能力的工具 ID |
+| `implements` | object | `{tool_id: description}` 工具实现描述 |
+| `knowledge_ids` | string[] | 关联的知识 ID |
+
+### Requirement（需求）
+
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| `id` | string | 格式 `REQ_XXX`，调用方指定 |
+| `description` | string | 需求描述 |
+| `capability_ids` | string[] | 满足该需求的能力 ID |
+| `knowledge_ids` | string[] | 关联的知识 ID |
+| `source_nodes` | object[] | 分类树节点 `[{id, score}]` |
+| `status` | string | 默认 `未满足` |
+| `match_result` | string | 匹配结果说明 |
+
+### Resource（资源）
+
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| `id` | string | 路径格式，如 `docs/foo/bar` |
+| `title` | string | 标题 |
+| `body` | string | 正文内容 |
+| `secure_body` | string | 加密内容（AES256-GCM） |
+| `content_type` | string | 默认 `text` |
+| `metadata` | object | 自定义元数据 |
+
+---
+
+## Knowledge API
+
+### 智能查询（Librarian Agent）
+
+#### `POST /api/knowledge/ask`
+
+同步阻塞。触发 Librarian Agent 跨表检索 + LLM 整合，返回带引用的回答。
+同一 `trace_id` 的多次调用复用同一个 Librarian trace，积累上下文。
+
+```json
+// 请求
+{
+  "query": "有没有工具能做角色一致性生成？",
+  "trace_id": "trace-abc123"
+}
+
+// 响应
+{
+  "response": "根据知识库，ControlNet 可以...",
+  "source_ids": ["knowledge-20260101-abcd"],
+  "sources": []
+}
+```
+
+#### `POST /api/knowledge/upload` → 202
+
+异步。校验后立即返回，后台 Librarian Agent 处理去重、关联、写草稿池。
+
+```json
+// 请求
+{
+  "data": {
+    "knowledge": [...],
+    "tools": [...],
+    "resources": [...]
+  },
+  "trace_id": "trace-abc123",
+  "finalize": false
+}
+
+// 响应 202
+{
+  "message": "已接收 知识: 2 个，Librarian Agent 后台处理中",
+  "buffer_file": ".cache/.knowledge/buffer/upload_20260101_120000.json"
+}
+```
+
+#### `GET /api/knowledge/upload/pending`
+
+列出所有未处理或失败的 upload 任务。
+
+#### `POST /api/knowledge/upload/retry`
+
+重跑所有 `status=failed` 的 upload 任务。
+
+---
+
+### 向量检索
+
+#### `GET /api/knowledge/search`
+
+向量召回 + LLM 精排。
+
+| 参数 | 类型 | 默认 | 说明 |
+|------|------|------|------|
+| `q` | string | 必填 | 查询文本 |
+| `top_k` | int | 5 | 返回条数（1-20） |
+| `min_score` | int | 3 | 最低评分过滤（1-5） |
+| `types` | string | - | 逗号分隔，如 `tool,case` |
+| `owner` | string | - | 逗号分隔，过滤 owner |
+
+```json
+// 响应
+{
+  "results": [{"id": "...", "task": "...", "content": "...", "score": 0.92, ...}],
+  "count": 3
+}
+```
+
+---
+
+### CRUD
+
+#### `POST /api/knowledge` → 201
+
+创建知识，进入 `pending` 状态，自动触发去重流水线。
+
+```json
+{
+  "task": "使用 ControlNet 进行姿态控制",
+  "content": "...",
+  "types": ["tool"],
+  "tags": {"project": "image_gen"},
+  "source": {"agent_id": "research_agent", "category": "research"},
+  "eval": {"score": 4}
+}
+// 响应: {"status": "pending", "knowledge_id": "knowledge-20260101-abcd"}
+```
+
+#### `GET /api/knowledge`
+
+列出知识，支持分页和过滤。
+
+| 参数 | 说明 |
+|------|------|
+| `page` / `page_size` | 分页，默认 1/20 |
+| `types` | 逗号分隔类型过滤 |
+| `scopes` | 逗号分隔范围过滤 |
+| `owner` | owner 过滤 |
+| `tags` | JSON 字符串，如 `{"project":"foo"}` |
+| `status` | 状态过滤 |
+
+#### `GET /api/knowledge/{knowledge_id}`
+
+获取单条知识详情。
+
+#### `GET /api/knowledge/status/{knowledge_id}`
+
+查询知识处理状态（`pending` / `approved` 等）。
+
+#### `PUT /api/knowledge/{knowledge_id}`
+
+更新知识评估，支持知识进化（LLM 重写 content）。
+
+```json
+{
+  "update_score": 5,
+  "add_helpful_case": {"context": "...", "result": "success"},
+  "add_harmful_case": null,
+  "evolve_feedback": "内容需要补充 batch 处理的情况"
+}
+```
+
+#### `PATCH /api/knowledge/{knowledge_id}`
+
+直接编辑字段（task、content、types、tags、scopes、owner、capability_ids、tool_ids）。
+
+#### `DELETE /api/knowledge/{knowledge_id}`
+
+删除单条知识（级联清理关联表）。
+
+#### `POST /api/knowledge/batch_delete`
+
+批量删除。请求体为 `["knowledge-xxx", "knowledge-yyy"]`。
+
+---
+
+### 审核与验证
+
+#### `POST /api/knowledge/{knowledge_id}/verify`
+
+```json
+// approve：approved ↔ checked 切换；reject：→ rejected
+{"action": "approve", "verified_by": "howard"}
+```
+
+#### `POST /api/knowledge/batch_verify`
+
+```json
+{"knowledge_ids": ["knowledge-xxx"], "action": "approve", "verified_by": "howard"}
+```
+
+---
+
+### 运维工具
+
+#### `GET /api/knowledge/pending`
+
+查询处理队列（`pending` / `processing` / `dedup_passed` / `analyzing`）。
+
+#### `POST /api/knowledge/process`
+
+手动触发去重处理。`force=true` 时先回滚所有超时锁。
+
+#### `GET /api/knowledge/meta/tags`
+
+获取所有已使用的 tag keys。
+
+#### `POST /api/knowledge/slim`
+
+知识库瘦身：LLM 分析全库，合并语义相似条目。
+可选参数 `model`，默认 `google/gemini-2.5-flash-lite`。
+
+#### `POST /api/knowledge/batch_update`
+
+批量反馈知识有效性。
+
+#### `POST /api/extract`
+
+从消息历史中 LLM 提取知识并入库。
+
+```json
+{
+  "messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}],
+  "agent_id": "research_agent",
+  "submitted_by": "howard@example.com",
+  "session_key": ""
+}
+```
+
+---
+
+## Tool API
+
+#### `POST /api/tool` → 201
+
+创建或更新工具（id 相同则覆盖，同时全量替换关联表）。
+
+```json
+{
+  "id": "tools/image/controlnet",
+  "name": "ControlNet",
+  "introduction": "基于条件控制的图像生成工具",
+  "tutorial": "...",
+  "status": "已接入",
+  "capability_ids": ["CAP-001"],
+  "knowledge_ids": ["knowledge-20260101-abcd"]
+}
+```
+
+#### `GET /api/tool`
+
+列出工具。参数：`status`、`limit`（默认100）、`offset`。
+
+#### `GET /api/tool/search?q=...&top_k=5`
+
+向量检索工具。
+
+#### `GET /api/tool/{tool_id}`
+
+获取单个工具详情（含关联的 capability_ids、knowledge_ids）。
+
+#### `PATCH /api/tool/{tool_id}`
+
+部分更新工具字段。
+
+#### `DELETE /api/tool/{tool_id}`
+
+删除工具（级联清理关联表）。
+
+---
+
+## Capability API
+
+#### `POST /api/capability` → 201
+
+创建或更新原子能力。
+
+```json
+{
+  "id": "CAP-001",
+  "name": "人物姿态控制生成",
+  "criterion": "能根据骨骼图生成指定姿态的人物图像",
+  "description": "...",
+  "tool_ids": ["tools/image/controlnet"],
+  "implements": {"tools/image/controlnet": "使用 openpose 模型控制姿态"}
+}
+```
+
+#### `GET /api/capability`
+
+列出所有能力。参数：`limit`、`offset`。
+
+#### `GET /api/capability/search?q=...&top_k=5`
+
+向量检索能力。
+
+#### `GET /api/capability/{cap_id}`
+
+获取单个能力详情。
+
+#### `PATCH /api/capability/{cap_id}`
+
+部分更新能力字段。
+
+#### `DELETE /api/capability/{cap_id}`
+
+删除能力（级联清理关联表）。
+
+---
+
+## Requirement API
+
+#### `POST /api/requirement` → 201
+
+创建或更新需求。
+
+```json
+{
+  "id": "REQ_001",
+  "description": "需要能生成角色一致的多视角图像",
+  "capability_ids": ["CAP-001"],
+  "source_nodes": [{"id": "image_generation", "score": 0.9}],
+  "status": "已满足"
+}
+```
+
+#### `GET /api/requirement`
+
+列出需求。参数：`status`、`limit`、`offset`。
+
+#### `GET /api/requirement/search?q=...&top_k=5`
+
+向量检索需求。
+
+#### `GET /api/requirement/{req_id}`
+
+获取单个需求详情。
+
+#### `PATCH /api/requirement/{req_id}`
+
+部分更新需求字段。
+
+#### `DELETE /api/requirement/{req_id}`
+
+删除需求（级联清理关联表）。
+
+---
+
+## Resource API
+
+Resource 存储原始资料文档，通过 `knowledge_resource` 关联表与 Knowledge 关联。
+
+#### `POST /api/resource` → 201
+
+创建或更新资源。
+
+#### `GET /api/resource`
+
+列出资源（树形结构）。
+
+#### `GET /api/resource/{resource_id}`
+
+获取单个资源（含 toc、children、prev/next 导航）。
+
+#### `PATCH /api/resource/{resource_id}`
+
+部分更新资源字段。
+
+#### `DELETE /api/resource/{resource_id}`
+
+删除资源。
+
+---
+
+## 关联表说明
+
+所有实体间的关系通过 junction table 维护，写入时**全量替换**（DELETE + INSERT）：
+
+| 关联表 | 连接 |
+|--------|------|
+| `capability_tool` | Capability ↔ Tool |
+| `capability_knowledge` | Capability ↔ Knowledge |
+| `requirement_capability` | Requirement ↔ Capability |
+| `requirement_knowledge` | Requirement ↔ Knowledge |
+| `tool_knowledge` | Tool ↔ Knowledge |
+| `tool_provider` | Tool ↔ Provider |
+| `knowledge_resource` | Knowledge ↔ Resource |
+| `knowledge_relation` | Knowledge → Knowledge（supplement/duplicate） |
+
+查询任意实体时，关联 ID 通过子查询自动聚合返回（`capability_ids`、`tool_ids` 等字段）。

knowhub/frontend/src/App.tsx

@@ -1,4 +1,7 @@
+import { useState } from 'react';
+import { useNavigate, useLocation } from 'react-router-dom';
 import { MainLayout } from './layouts/MainLayout';
+import type { TabId } from './components/layout/Navbar';
 import { Dashboard } from './pages/Dashboard';
 import { Relations } from './pages/Relations';
 import { Requirements } from './pages/Requirements';
@@ -6,15 +9,49 @@ import { Capabilities } from './pages/Capabilities';
 import { Tools } from './pages/Tools';
 import { Knowledge } from './pages/Knowledge';
 
+const PATH_TO_TAB: Record<string, TabId> = {
+  '/': 'dashboard',
+  '/dashboard': 'dashboard',
+  '/relations': 'relations',
+  '/requirements': 'requirements',
+  '/capabilities': 'capabilities',
+  '/tools': 'tools',
+  '/knowledge': 'knowledge',
+};
+
+const TAB_TO_PATH: Record<TabId, string> = {
+  dashboard: '/',
+  relations: '/relations',
+  requirements: '/requirements',
+  capabilities: '/capabilities',
+  tools: '/tools',
+  knowledge: '/knowledge',
+};
+
 function App() {
+  const navigate = useNavigate();
+  const location = useLocation();
+  const [pendingDashboardNode, setPendingDashboardNode] = useState<string | null>(null);
+
+  const activeTab: TabId = PATH_TO_TAB[location.pathname] ?? 'dashboard';
+
+  const handleTabChange = (tab: TabId) => {
+    navigate(TAB_TO_PATH[tab]);
+  };
+
+  const navigateToDashboard = (nodeName: string) => {
+    setPendingDashboardNode(nodeName);
+    navigate('/');
+  };
+
   return (
-    <MainLayout>
-      {(activeTab) => {
-        switch (activeTab) {
+    <MainLayout activeTab={activeTab} onTabChange={handleTabChange}>
+      {(tab) => {
+        switch (tab) {
           case 'dashboard':
-            return <Dashboard />;
+            return <Dashboard pendingNode={pendingDashboardNode} onPendingConsumed={() => setPendingDashboardNode(null)} />;
           case 'relations':
-            return <Relations />;
+            return <Relations onNavigateToDashboard={navigateToDashboard} />;
           case 'requirements':
             return <Requirements />;
           case 'capabilities':
@@ -24,11 +61,11 @@ function App() {
           case 'knowledge':
             return <Knowledge />;
           default:
-            return <Dashboard />;
+            return <Dashboard pendingNode={null} onPendingConsumed={() => {}} />;
         }
       }}
     </MainLayout>
   );
 }
 
-export default App;
+export default App;

knowhub/frontend/src/layouts/MainLayout.tsx

@@ -1,8 +1,10 @@
-import { useState, useEffect, useRef } from 'react';
+import { useEffect, useRef } from 'react';
 import { Navbar } from '../components/layout/Navbar';
 import type { TabId } from '../components/layout/Navbar';
 
 interface MainLayoutProps {
+  activeTab: TabId;
+  onTabChange: (tab: TabId) => void;
   children: (activeTab: TabId) => React.ReactNode;
 }
 
@@ -10,9 +12,7 @@ interface MainLayoutProps {
 const TAB_ORDER: TabId[] = ['dashboard', 'relations', 'requirements', 'capabilities', 'tools', 'knowledge'];
 const MIN_SWITCH_INTERVAL = 1000;
 
-export function MainLayout({ children }: MainLayoutProps) {
-  const [activeTab, setActiveTab] = useState<TabId>('dashboard');
-
+export function MainLayout({ activeTab, onTabChange, children }: MainLayoutProps) {
   const lastSwitchTime = useRef(0);
   const accumX = useRef(0);
   const touchStartX = useRef(0);
@@ -22,17 +22,12 @@ export function MainLayout({ children }: MainLayoutProps) {
     const handleTabSwitch = (direction: 1 | -1) => {
       const now = Date.now();
       if (now - lastSwitchTime.current < MIN_SWITCH_INTERVAL) return;
-
-      setActiveTab(prev => {
-        const currentIndex = TAB_ORDER.indexOf(prev);
-        const nextIndex = currentIndex + direction;
-
-        if (nextIndex >= 0 && nextIndex < TAB_ORDER.length) {
-          lastSwitchTime.current = now;
-          return TAB_ORDER[nextIndex];
-        }
-        return prev;
-      });
+      const currentIndex = TAB_ORDER.indexOf(activeTab);
+      const nextIndex = currentIndex + direction;
+      if (nextIndex >= 0 && nextIndex < TAB_ORDER.length) {
+        lastSwitchTime.current = now;
+        onTabChange(TAB_ORDER[nextIndex]);
+      }
     };
 
     const isInsideHorizontallyScrollable = (targetNode: EventTarget | null) => {
@@ -40,9 +35,7 @@ export function MainLayout({ children }: MainLayoutProps) {
       while (target && target !== document.body) {
         if (target.scrollWidth > target.clientWidth) {
           const style = window.getComputedStyle(target);
-          if (style.overflowX === 'auto' || style.overflowX === 'scroll' || style.overflowX === 'overlay') {
-            return true;
-          }
+          if (style.overflowX === 'auto' || style.overflowX === 'scroll' || style.overflowX === 'overlay') return true;
         }
         target = target.parentElement;
       }
@@ -53,25 +46,13 @@ export function MainLayout({ children }: MainLayoutProps) {
       if (Math.abs(e.deltaY) > Math.abs(e.deltaX)) return;
       if (isInsideHorizontallyScrollable(e.target)) return;
       if (e.cancelable) e.preventDefault();
-
       const now = Date.now();
-      if (now - lastSwitchTime.current < MIN_SWITCH_INTERVAL) {
-        accumX.current = 0;
-        return;
-      }
-
+      if (now - lastSwitchTime.current < MIN_SWITCH_INTERVAL) { accumX.current = 0; return; }
       accumX.current += e.deltaX;
-
       clearTimeout(wheelTimeout.current);
       wheelTimeout.current = setTimeout(() => { accumX.current = 0; }, 150);
-
-      if (accumX.current > 120) {
-        handleTabSwitch(1);
-        accumX.current = 0;
-      } else if (accumX.current < -120) {
-        handleTabSwitch(-1);
-        accumX.current = 0;
-      }
+      if (accumX.current > 120) { handleTabSwitch(1); accumX.current = 0; }
+      else if (accumX.current < -120) { handleTabSwitch(-1); accumX.current = 0; }
     };
 
     const handleTouchStart = (e: TouchEvent) => {
@@ -81,10 +62,8 @@ export function MainLayout({ children }: MainLayoutProps) {
 
     const handleTouchEnd = (e: TouchEvent) => {
       if (isInsideHorizontallyScrollable(e.target)) return;
-
       const now = Date.now();
       if (now - lastSwitchTime.current < MIN_SWITCH_INTERVAL) return;
-
       const diffX = touchStartX.current - e.changedTouches[0].clientX;
       if (diffX > 60) handleTabSwitch(1);
       else if (diffX < -60) handleTabSwitch(-1);
@@ -93,42 +72,35 @@ export function MainLayout({ children }: MainLayoutProps) {
     window.addEventListener('wheel', handleWheel, { passive: false });
     window.addEventListener('touchstart', handleTouchStart, { passive: true });
     window.addEventListener('touchend', handleTouchEnd, { passive: true });
-
     return () => {
       window.removeEventListener('wheel', handleWheel);
       window.removeEventListener('touchstart', handleTouchStart);
       window.removeEventListener('touchend', handleTouchEnd);
       clearTimeout(wheelTimeout.current);
     };
-  }, []);
+  }, [activeTab, onTabChange]);
 
   const currentIndex = TAB_ORDER.indexOf(activeTab);
   const totalTabs = TAB_ORDER.length;
 
   return (
     <div className="min-h-screen bg-slate-50 flex flex-col overflow-x-hidden" style={{ overscrollBehaviorX: 'none' }}>
-      <Navbar activeTab={activeTab} onTabChange={setActiveTab} />
-
-      <main className="flex-1 w-full overflow-x-hidden relative">
+      <Navbar activeTab={activeTab} onTabChange={onTabChange} />
+      <main className="w-full overflow-hidden relative" style={{ height: 'calc(100vh - 60px)' }}>
         <div
           className="flex h-full will-change-transform"
           style={{
-            // 轨道总宽度由标签页数量动态决定，6个页面就是 600%
             width: `${totalTabs * 100}%`,
-            // 偏移量
             transform: `translateX(-${(currentIndex / totalTabs) * 100}%)`,
             transition: 'transform 0.7s cubic-bezier(0.34, 1.3, 0.64, 1)'
           }}
         >
           {TAB_ORDER.map((tab) => (
-            <div
-              key={tab}
-              className="shrink-0 flex justify-center pb-12"
-              // 每个页面的宽度是总宽度的 1/6
-              style={{ width: `${100 / totalTabs}%` }}
-            >
-              <div className="w-full max-w-[1600px] px-6 py-6">
-                {children(tab)}
+            <div key={tab} className="shrink-0 h-full overflow-y-auto" style={{ width: `${100 / totalTabs}%` }}>
+              <div className="flex justify-center pb-12">
+                <div className="w-full max-w-[1600px] px-6 py-6">
+                  {children(tab)}
+                </div>
               </div>
             </div>
           ))}
@@ -136,4 +108,4 @@ export function MainLayout({ children }: MainLayoutProps) {
       </main>
     </div>
   );
-}
+}

knowhub/frontend/src/main.tsx

@@ -1,10 +1,13 @@
 import { StrictMode } from 'react'
 import { createRoot } from 'react-dom/client'
+import { BrowserRouter } from 'react-router-dom'
 import './index.css'
 import App from './App.tsx'
 
 createRoot(document.getElementById('root')!).render(
   <StrictMode>
-    <App />
+    <BrowserRouter>
+      <App />
+    </BrowserRouter>
   </StrictMode>,
 )

knowhub/frontend/src/pages/Dashboard.tsx

@@ -67,15 +67,24 @@ function CompactListCard({ data, type, onDrillDown }: { data: any, type: 'req' |
 }
 
 
-export function Dashboard() {
+export function Dashboard({ pendingNode, onPendingConsumed }: { pendingNode?: string | null, onPendingConsumed?: () => void }) {
   type NavItem = { type: 'node' | 'req' | 'cap' | 'tool' | 'know', data: any };
   const [treeData, setTreeData] = useState<any>(null);
   const [selectedNode, setSelectedNode] = useState<any>(null);
   const [navStack, setNavStack] = useState<NavItem[]>([]);
+  const [nameToNodeMap, setNameToNodeMap] = useState<Record<string, any>>({});
   const [dbData, setDbData] = useState<{ reqs: any[], caps: any[], tools: any[], know: any[] }>({
     reqs: [], caps: [], tools: [], know: []
   });
 
+  // 处理来自其他页面的跳转请求
+  useEffect(() => {
+    if (pendingNode && nameToNodeMap[pendingNode]) {
+      setSelectedNode(nameToNodeMap[pendingNode]);
+      onPendingConsumed?.();
+    }
+  }, [pendingNode, nameToNodeMap]);
+
   useEffect(() => {
     if (selectedNode) setNavStack([{ type: 'node', data: selectedNode }]);
     else setNavStack([]);
@@ -162,6 +171,7 @@ export function Dashboard() {
           });
         };
         buildNameMap([data]);
+        setNameToNodeMap(nameToNode);
 
         reqs.forEach((r: any) => {
           (r.source_nodes || []).forEach((sn: any) => {

knowhub/frontend/src/pages/Relations.tsx

@@ -3,194 +3,164 @@ import { Target, Cpu, Wrench, ListTree, Waypoints } from 'lucide-react';
 import { getRequirements, getCapabilities, getTools } from '../services/api';
 import { cn } from '../lib/utils';
 
-export function Relations() {
+export function Relations({ onNavigateToDashboard }: { onNavigateToDashboard?: (nodeName: string) => void }) {
   const [reqs, setReqs] = useState<any[]>([]);
   const [caps, setCaps] = useState<any[]>([]);
   const [tools, setTools] = useState<any[]>([]);
-  const [isLoading, setIsLoading] = useState(true);
-
-  // 记录当前点击高亮的节点 ID (格式如 "req:123" 或 "cap:456")
-  const [activeNode, setActiveNode] = useState<string | null>(null);
+  const [activeId, setActiveId] = useState<string | null>(null);
 
   useEffect(() => {
-    setIsLoading(true);
-    Promise.all([
-      getRequirements(1000),
-      getCapabilities(1000),
-      getTools(1000)
-    ]).then(([r, c, t]) => {
-      // --- 关键调试代码 ---
-      console.log("接口返回原始数据:", { r, c, t });
-
-      // 兼容两种返回格式：
-      // 1. { results: [...] }
-      // 2. 直接就是一个数组 [...]
-      const extract = (data: any) => (Array.isArray(data) ? data : (data?.results || []));
-
-      setReqs(extract(r));
-      setCaps(extract(c));
-      setTools(extract(t));
-      setIsLoading(false);
-    }).catch(err => {
-      console.error("接口请求彻底失败:", err);
-      setIsLoading(false); // 必须停掉转圈，否则用户没法用
-    });
+    Promise.all([getRequirements(1000), getCapabilities(1000), getTools(1000)])
+      .then(([r, c, t]) => {
+        setReqs(r.results || []);
+        setCaps(c.results || []);
+        setTools(t.results || []);
+      });
   }, []);
 
-  // 【核心算法 1：构建双向连通图】
-  // 把分散的表结构组合成一个内存图 (Adjacency List)，便于递归寻路
-  const graph = useMemo(() => {
-     const g = new Map<string, string[]>();
-     const addEdge = (n1: string, n2: string) => {
-       if (!g.has(n1)) g.set(n1, []);
-       if (!g.has(n2)) g.set(n2, []);
-       // 建立无向图的双向连接
-       if (!g.get(n1)!.includes(n2)) g.get(n1)!.push(n2);
-       if (!g.get(n2)!.includes(n1)) g.get(n2)!.push(n1);
-     };
-
-     // 从 能力 寻找其关联的 需求
-     caps.forEach(c => {
-       (c.requirement_ids || []).forEach((rid: string) => addEdge(`cap:${c.id}`, `req:${rid}`));
-     });
-     // 从 工具 寻找其关联的 能力
-     tools.forEach(t => {
-       (t.capability_ids || []).forEach((cid: string) => addEdge(`tool:${t.id}`, `cap:${cid}`));
-     });
-     return g;
-  }, [caps, tools]);
-
-  // 【核心算法 2：BFS 广度优先搜索】
-  // 当选中一个节点时，找出网络中所有与其直接或间接连通的节点集合
-  const connectedNodes = useMemo(() => {
-     if (!activeNode) return new Set<string>();
-     const visited = new Set<string>();
-     const queue = [activeNode];
-     visited.add(activeNode);
-
-     while (queue.length > 0) {
-       const curr = queue.shift()!;
-       const neighbors = graph.get(curr) || [];
-       for (const n of neighbors) {
-         if (!visited.has(n)) {
-           visited.add(n);
-           queue.push(n);
-         }
-       }
-     }
-     return visited;
-  }, [activeNode, graph]);
+  // 核心：构建全网映射表
+  const adjacencyMap = useMemo(() => {
+    const map = new Map<string, Set<string>>();
+    const add = (a: string, b: string) => {
+      if (!map.has(a)) map.set(a, new Set());
+      if (!map.has(b)) map.set(b, new Set());
+      map.get(a)!.add(b);
+      map.get(b)!.add(a);
+    };
+
+    reqs.forEach(r => {
+      (r.capability_ids || []).forEach((cid: string) => add(`req:${r.id}`, `cap:${cid}`));
+    });
+    caps.forEach(c => {
+      (c.tool_ids || c.capability_ids || []).forEach((tid: string) => add(`cap:${c.id}`, `tool:${tid}`));
+      (c.requirement_ids || []).forEach((rid: string) => add(`cap:${c.id}`, `req:${rid}`));
+    });
+    tools.forEach(t => {
+      (t.capability_ids || []).forEach((cid: string) => add(`tool:${t.id}`, `cap:${cid}`));
+    });
+    return map;
+  }, [reqs, caps, tools]);
+
+  // 列顺序：只允许向右（序号更大）方向遍历，防止回路
+  const colOrder: Record<string, number> = { req: 0, proc: 1, cap: 2, tool: 3 };
+  const getColType = (nodeId: string) => nodeId.split(':')[0];
+
+  // 核心：有向 BFS，携带方向状态，禁止 U 形回头
+  // dir: 0=起点(双向), 1=向右, -1=向左
+  const relatedIds = useMemo(() => {
+    if (!activeId) return new Set<string>();
+    const visited = new Set<string>([activeId]);
+    const queue: [string, number][] = [[activeId, 0]];
+    while (queue.length > 0) {
+      const [u, dir] = queue.shift()!;
+      const uOrder = colOrder[getColType(u)] ?? -1;
+      const neighbors = adjacencyMap.get(u) || new Set();
+      neighbors.forEach(v => {
+        if (visited.has(v)) return;
+        const vOrder = colOrder[getColType(v)] ?? -1;
+        const goRight = vOrder > uOrder;
+        const goLeft = vOrder < uOrder;
+        const allowed = dir === 0 || (dir === 1 && goRight) || (dir === -1 && goLeft);
+        if (allowed) {
+          visited.add(v);
+          queue.push([v, goRight ? 1 : -1]);
+        }
+      });
+    }
+    return visited;
+  }, [activeId, adjacencyMap]);
+
+  // 高亮元素上浮：有选中时把相关项排到前面
+  const sortedItems = (items: any[], type: string) => {
+    if (!activeId) return items;
+    const activeType = activeId.split(':')[0];
+    if (type === activeType) return items; // 被点击的列不重排
+    return [...items].sort((a, b) => {
+      const aRel = relatedIds.has(`${type}:${a.id}`) ? 0 : 1;
+      const bRel = relatedIds.has(`${type}:${b.id}`) ? 0 : 1;
+      return aRel - bRel;
+    });
+  };
 
-  // 渲染单个卡片的通用函数
-  const renderCard = (type: string, item: any, Icon: any, colorClass: string, bgClass: string, borderClass: string) => {
+  const renderCard = (type: string, item: any, Icon: any) => {
     const nodeId = `${type}:${item.id}`;
-    const isSelected = activeNode === nodeId; // 自己被点击
-    const isConnected = connectedNodes.has(nodeId); // 自己属于关联网络中的一员
-    const isDimmed = activeNode !== null && !isConnected; // 自己是个局外人（需要变暗）
+    const isSelected = activeId === nodeId;
+    const isRelated = !activeId || relatedIds.has(nodeId);
+    const dimmed = !!activeId && !isRelated;
+
+    // 需求列：展示 source_nodes 树节点标签（和 Dashboard 颜色一致）
+    const sourceNodeTags: string[] = type === 'req'
+      ? (item.source_nodes || []).slice(0, 4).map((sn: any) =>
+          typeof sn === 'object' ? (sn.node_name || sn.name || '') : sn
+        ).filter(Boolean)
+      : [];
+    const extraCount = type === 'req' ? Math.max(0, (item.source_nodes || []).length - 4) : 0;
 
     return (
       <div
-        key={item.id}
-        onClick={() => setActiveNode(isSelected ? null : nodeId)}
+        key={nodeId}
+        onClick={() => setActiveId(isSelected ? null : nodeId)}
         className={cn(
-          "p-3 rounded-xl border transition-all duration-300 cursor-pointer text-left",
-          // 状态 1：当前亲自点击选中的主角
-          isSelected ? `ring-2 ring-offset-1 ${borderClass} bg-white shadow-md scale-[1.02]` :
-          // 状态 2：主角的兄弟姐妹（被点亮）
-          isConnected ? `${bgClass} ${borderClass} bg-white opacity-100` :
-          // 状态 3：无关人员（变暗，黑白）
-          isDimmed ? "opacity-30 grayscale border-slate-100 bg-slate-50 hover:opacity-60" :
-          // 状态 4：没有任何选中时的默认状态
-          `bg-white border-slate-200 hover:${borderClass} hover:shadow-md`
+          "p-3 rounded-xl cursor-pointer mb-2 select-none bg-white transition-all",
+          isSelected
+            ? "border border-orange-400 shadow-[0_0_0_1px_rgba(251,146,60,0.7)]"
+            : isRelated && activeId
+            ? "border border-orange-300"
+            : dimmed
+            ? "border border-transparent opacity-20 grayscale scale-95"
+            : "border border-transparent"
         )}
       >
-        <div className="flex items-start gap-2 mb-1.5">
-          <Icon size={14} className={cn("mt-0.5 shrink-0", isSelected || isConnected ? colorClass : "text-slate-400")} />
-          <span className={cn("text-xs font-bold leading-snug line-clamp-2", isSelected || isConnected ? "text-slate-800" : "text-slate-600")}>
-            {item.name || item.description || item.id}
-          </span>
-        </div>
-        {item.introduction && type === 'tool' && (
-           <div className="text-[10px] text-slate-500 line-clamp-2 leading-relaxed pl-5">
-            {item.introduction}
+        <div className="flex items-start gap-2">
+          <Icon size={14} className={cn("mt-0.5 shrink-0", isSelected ? "text-orange-500" : "text-slate-400")} />
+          <div className="min-w-0">
+            <div className={cn("text-xs font-bold leading-snug", isSelected ? "text-orange-800" : "text-slate-700")}>
+              {item.name || item.description || item.id}
+            </div>
+            {sourceNodeTags.length > 0 && (
+              <div className="flex flex-wrap gap-1 mt-1.5" onClick={e => e.stopPropagation()}>
+                {sourceNodeTags.map((name: string) => (
+                  <span
+                    key={name}
+                    onClick={() => onNavigateToDashboard?.(name)}
+                    className="text-[9px] px-1.5 py-0.5 rounded-md bg-blue-100 text-blue-700 font-medium truncate max-w-[120px] cursor-pointer hover:bg-blue-200 transition-colors"
+                  >
+                    {name}
+                  </span>
+                ))}
+                {extraCount > 0 && (
+                  <span className="text-[9px] px-1.5 py-0.5 rounded-md bg-slate-100 text-slate-400">
+                    +{extraCount}
+                  </span>
+                )}
+              </div>
+            )}
           </div>
-        )}
-        <div className="text-[9px] text-slate-400 font-mono mt-2 pl-5">ID: {item.id.substring(0,6)}...</div>
+        </div>
       </div>
     );
   };
 
-  if (isLoading) {
-     return <div className="flex justify-center items-center h-64"><div className="w-8 h-8 border-4 border-indigo-200 border-t-indigo-600 rounded-full animate-spin"></div></div>;
-  }
-
   return (
-    <div className="flex flex-col h-[calc(100vh-120px)] animate-in fade-in duration-500">
-      {/* 顶部标题区 */}
-      <div className="flex justify-between items-end shrink-0 mb-6">
-        <div>
-          <h1 className="text-2xl font-black text-slate-900 mb-1 flex items-center gap-2">
-            <Waypoints size={24} className="text-indigo-600"/> 全局关系追溯
-          </h1>
-          <p className="text-slate-500 text-sm">选择任意一列的节点，即可递归高亮展示整条产业链（直接与间接关联要素）。</p>
-        </div>
-        {activeNode && (
-          <button
-            onClick={() => setActiveNode(null)}
-            className="px-4 py-2 bg-slate-100 hover:bg-slate-200 text-slate-600 text-sm font-bold rounded-xl transition-colors shadow-sm"
-          >
-            清除选中关系
-          </button>
-        )}
+    <div className="flex flex-col h-[calc(100vh-156px)] animate-in fade-in duration-500">
+      <div className="flex justify-between items-center mb-6 shrink-0">
+        <h1 className="text-2xl font-black text-slate-900 flex items-center gap-2">
+          <Waypoints className="text-indigo-600" /> 全局关系追溯
+        </h1>
+        {activeId && <button onClick={() => setActiveId(null)} className="text-xs bg-slate-200 px-3 py-1.5 rounded-lg font-bold hover:bg-slate-300">清除选中</button>}
       </div>
 
-      {/* 4 列主体表格 */}
       <div className="grid grid-cols-4 gap-4 flex-1 min-h-0">
-
-        {/* 第 1 列：需求 */}
-        <div className="bg-slate-50/50 border border-slate-200 rounded-2xl flex flex-col overflow-hidden">
-          <div className="bg-indigo-50 px-4 py-3 border-b border-indigo-100 font-bold text-indigo-800 flex items-center justify-between shrink-0">
-            <div className="flex items-center gap-2"><Target size={16}/> 业务需求</div>
-            <span className="text-xs bg-white px-2 py-0.5 rounded-full text-indigo-600 shadow-sm">{reqs.length}</span>
-          </div>
-          <div className="p-3 overflow-y-auto custom-scrollbar flex-1 space-y-2">
-            {reqs.map(r => renderCard('req', r, Target, 'text-indigo-600', 'bg-indigo-50/40', 'border-indigo-400'))}
+        {[ {t:'req', l:'业务需求', i:Target, d:reqs}, {t:'proc', l:'生产工序', i:ListTree, d:[]}, {t:'cap', l:'原子能力', i:Cpu, d:caps}, {t:'tool', l:'执行工具', i:Wrench, d:tools} ].map(col => (
+          <div key={col.t} className="flex flex-col h-full bg-slate-100/50 rounded-2xl border border-slate-200 overflow-hidden">
+            <div className="px-4 py-3 font-bold text-slate-700 border-b bg-slate-200/50 flex justify-between">
+              {col.l} <span className="text-slate-400">{col.d.length}</span>
+            </div>
+            <div className="flex-1 overflow-y-auto p-3 custom-scrollbar">
+              {sortedItems(col.d, col.t).map(i => renderCard(col.t, i, col.i))}
+            </div>
           </div>
-        </div>
-
-        {/* 第 2 列：工序（暂空） */}
-        <div className="bg-slate-50/50 border border-slate-200 rounded-2xl flex flex-col overflow-hidden opacity-90">
-          <div className="bg-slate-200 px-4 py-3 border-b border-slate-300 font-bold text-slate-700 flex items-center justify-between shrink-0">
-            <div className="flex items-center gap-2"><ListTree size={16}/> 生产工序</div>
-            <span className="text-xs bg-white px-2 py-0.5 rounded-full text-slate-500 shadow-sm">0</span>
-          </div>
-          <div className="p-4 overflow-y-auto custom-scrollbar flex-1 flex flex-col items-center justify-center text-slate-400 text-sm font-medium border-2 border-dashed border-slate-200 m-3 rounded-xl bg-slate-50/50">
-            预留扩展位，暂无数据
-          </div>
-        </div>
-
-        {/* 第 3 列：能力 */}
-        <div className="bg-slate-50/50 border border-slate-200 rounded-2xl flex flex-col overflow-hidden">
-          <div className="bg-emerald-50 px-4 py-3 border-b border-emerald-100 font-bold text-emerald-800 flex items-center justify-between shrink-0">
-            <div className="flex items-center gap-2"><Cpu size={16}/> 原子能力</div>
-            <span className="text-xs bg-white px-2 py-0.5 rounded-full text-emerald-600 shadow-sm">{caps.length}</span>
-          </div>
-          <div className="p-3 overflow-y-auto custom-scrollbar flex-1 space-y-2">
-            {caps.map(c => renderCard('cap', c, Cpu, 'text-emerald-600', 'bg-emerald-50/40', 'border-emerald-400'))}
-          </div>
-        </div>
-
-        {/* 第 4 列：工具 */}
-        <div className="bg-slate-50/50 border border-slate-200 rounded-2xl flex flex-col overflow-hidden">
-          <div className="bg-amber-50 px-4 py-3 border-b border-amber-100 font-bold text-amber-800 flex items-center justify-between shrink-0">
-            <div className="flex items-center gap-2"><Wrench size={16}/> 执行工具</div>
-            <span className="text-xs bg-white px-2 py-0.5 rounded-full text-amber-600 shadow-sm">{tools.length}</span>
-          </div>
-          <div className="p-3 overflow-y-auto custom-scrollbar flex-1 space-y-2">
-             {tools.map(t => renderCard('tool', t, Wrench, 'text-amber-600', 'bg-amber-50/40', 'border-amber-400'))}
-          </div>
-        </div>
-
+        ))}
       </div>
     </div>
   );

knowhub/internal_tools/__init__.py

@@ -10,7 +10,6 @@ KnowHub 内部工具
 # 重新导出原有工具供 Knowledge Manager 使用
 from agent.tools.builtin.knowledge import (
     knowledge_search,
-    knowledge_save,
     knowledge_list,
     knowledge_update,
     knowledge_batch_update,

knowhub/research/outdoor_character_workflow_summary_20260409.md

@@ -0,0 +1,362 @@
+# 户外场景人物活动照片生成工作流合集
+
+**调研日期**: 2026-04-09  
+**调研渠道**: 小红书、X (Twitter)、YouTube  
+**提取成果**: 6种完整工作流方案，12个工具，7个教程资源
+
+---
+
+## 一、核心工作流方案
+
+### Workflow 1: OpenArt Character Builder + 多场景一致性工作流
+
+**适用场景**: 需要保持角色一致性，在多个户外场景中生成人物活动照片
+
+**工具链**: OpenArt AI Character Builder → Nano Banana 2 / Seedance 2.0 → Kling 3.0
+
+**步骤拆解**:
+
+#### Step 1: 创建角色基础
+- **输入**: 选择风格(Style)、性别(Gender)、种族(Ethnicity)、年龄(Age)
+- **工具**: OpenArt Character Builder
+- **输出**: 锁定角色DNA的基础图像（480种组合可选）
+- **说明**: 无需编写复杂提示词，通过UI选择锁定角色特征
+
+#### Step 2: 生成角色参考表 (Character Reference Sheet)
+- **输入**: 上传Step 1生成的角色图像
+- **工具**: Nano Banana 2 / Seedance 2.0
+- **提示词**:
+```
+Create a professional character reference sheet based strictly on the uploaded reference image. 
+Use a clean, neutral plain background. Arrange into two horizontal rows:
+- Top row: four full-body standing views – front, left profile, right profile, back
+- Bottom row: Four close-up portraits – front, left profile, right profile, back
+Maintain perfect identity consistency across every panel.
+```
+- **输出**: 多视角角色参考表（8个面板）
+
+#### Step 3: 场景生成
+- **输入**: 角色参考表 + 场景提示词
+- **工具**: Seedance 2.0 / Kling 3.0
+- **提示词结构**:
+```json
+{
+  "subject": "角色描述",
+  "environment": {
+    "setting": "户外场景 (如：spring alpine meadow, cherry blossom street)",
+    "time_of_day": "golden hour / soft daylight",
+    "lighting": "natural lighting, volumetric light shafts"
+  },
+  "camera": {
+    "lens": "85mm / wide-angle"
+  },
+  "lighting": {
+    "type": "soft diffused daylight",
+    "effect": "rim lighting, gentle shadows"
+  }
+}
+```
+- **输出**: 角色在户外场景中的图像/视频
+
+#### Step 4: 视频生成 (可选)
+- **输入**: 起始帧 + 结束帧
+- **工具**: Seedance 2.0
+- **提示词**: "Show me what happens in between. USE MULTIPLE CAMERA ANGLES"
+- **输出**: 多镜头角度的过渡视频
+
+**关键技术要点**:
+- 角色一致性保证：使用Character Builder锁定DNA + 生成多视角参考表 + 所有场景使用相同参考图
+- 户外场景提示词要素：golden hour, volumetric light shafts, rim lighting, subsurface scattering
+
+**来源**: 小红书/X/YouTube调研 (@thetripathi58, @heyDhavall, @MaAyyoub)
+
+---
+
+### Workflow 2: ComfyUI + Blender 户外场景生成工作流
+
+**适用场景**: 需要高度可控的3D场景建模和电影级渲染效果
+
+**工具链**: Blender → ComfyUI → Z-Image Turbo → LTX-2.3 → ComfyUI-VideoColorGrading
+
+**步骤拆解**:
+
+#### Step 1: 场景建模
+- **输入**: 文本提示词或概念图
+- **工具**: Blender (在ComfyUI内运行)
+- **输出**: 3D场景模型（支持视口预览）
+
+#### Step 2: 渲染控制
+- **输入**: 3D模型 + 相机路径
+- **工具**: ComfyUI + Blender集成节点
+- **输出**: 渲染帧序列
+
+#### Step 3: 图像生成增强
+- **输入**: 渲染帧
+- **工具**: Z-Image Turbo
+- **输出**: 增强细节的图像
+
+#### Step 4: 视频生成
+- **输入**: 增强后的图像序列
+- **工具**: LTX-2.3 + WanAnimate
+- **输出**: 最终视频
+
+#### Step 5: 颜色分级
+- **输入**: 生成的视频 + 参考图像
+- **工具**: ComfyUI-VideoColorGrading (Kijai)
+- **流程**: 从参考图像生成3D color LUT → 两阶段扩散过程对齐源视频帧与参考风格 → 应用时间一致性颜色分级
+- **输出**: 颜色分级后的最终视频
+
+**优势**:
+- 完全可控的3D场景布局
+- 支持精确的相机路径设计
+- 专业的颜色分级流程
+
+**难度等级**: ⭐⭐⭐⭐⭐（需要Blender和ComfyUI专业知识）
+
+**来源**: X/YouTube调研
+
+---
+
+### Workflow 3: ComfyUI + BrushNet 婚纱摄影外景工作流
+
+**适用场景**: 婚纱摄影、商业人像外景合成
+
+**工具链**: ComfyUI → BrushNet → IC-Light → Segment Anything → IPAdapter
+
+**核心流程**:
+1. **模型及原图加载** → 设置宽高比、缩放模式
+2. **遮罩生成** → Segment Anything 自动分割人物
+3. **BrushNet 局部重绘背景**
+   - 优势：对遮罩边界控制优秀，不破坏主体
+   - 透视关系协调
+4. **IC-Light 打光融合** → 使人物与背景光影统一
+5. **高清修复放大** → 恢复原图尺寸
+6. **PS 细节还原** → 图层和遮罩处理
+
+**关键节点**: `comfyui-brushnet`, `comfyui-inpaint-nodes`, `comfyui-ipadapter_plus`
+
+**来源**: 小红书 (帖子: 婚纱摄影外景自由)
+
+---
+
+### Workflow 4: ComfyUI 人像摄影工作流 (SD1.5)
+
+**适用场景**: 换装、换背景、保持面部特征的人像创作
+
+**工具链**: ComfyUI → SD1.5 → ControlNet (OpenPose) → IPAdapter → LoRA
+
+**核心思路**:
+1. **蒙版遮罩 + Latent 复合** → 重绘目标区域，保证光影效果
+2. **ControlNet 固定姿态** → OpenPose 控制人物姿势
+3. **IPAdapter + WD14 标签提取** → 风格迁移
+
+**工作流特点**:
+- 保持面部特征不变
+- 可换装、换背景
+- 支持多 ControlNet 叠加 (Depth, Canny, OpenPose)
+
+**来源**: 小红书 (帖子: comfyui 人像摄影工作流)
+
+---
+
+### Workflow 5: Kontext + MidJourney 场景及角色一致性工作流
+
+**适用场景**: 叙事动画、多镜头分镜、大场景多主体融合
+
+**工具链**: Kontext (Flux) → MidJourney → GPT
+
+**5步流程**:
+1. **准备三视图** → 角色/关键道具的正面、侧面、背面图
+2. **准备分镜草图** → 手绘构图规划
+3. **做主场景氛围空镜** → 确定整体色调和氛围
+4. **做分镜场景空镜** → MJ 生成，使用 `--sref` 引用氛围图
+5. **主体与场景融合** → Kontext 双图/多图模式融合
+
+**关键技巧**:
+- 大场景分区处理：先融合局部，再拼合到全景
+- 小角度机位切换可直接用 Kontext，大角度需单独生成
+- 建议使用 Kontext Pro/Max 版本，开源 dev 版本效果有限
+
+**来源**: 小红书 (帖子: 用Kontext + MJ 控制场景及角色一致性)
+
+---
+
+### Workflow 6: Nano Banana + Kling 户外人物行走场景
+
+**适用场景**: 街拍松弛感写真、人物行走视频
+
+**工具链**: Nano Banana Pro → Kling 3.0 → Topaz Gigapixel AI → Photoshop
+
+**街拍松弛感写真流程**:
+1. **上传参考照片** → 清晰半身照
+2. **使用详细提示词** (见下方模板)
+3. **生成多视角变体** → 选择最佳
+4. **Topaz 放大** → 4K 输出
+5. **PS 合成清理** → 去除瑕疵
+6. **Kling 动画** → 首尾帧控制生成行走视频
+
+**提示词模板** (精简版):
+```
+参考我上传的照片，输出高分辨率彩色时尚人像。
+主体：年轻女性，长发微卷，米色宽松衬衫外套，白色蕾丝短裙，黑色皮包，手持咖啡。
+姿态：三分之四侧身，左脚微前，右手轻抬整理发丝，眼神自信直视镜头。
+环境：高端城市街区咖啡店门口，暖色橱窗虚化，石材路面反光。
+光线：阴天自然柔光，侧后缘光勾勒发丝和包带。
+摄影：全画幅 85mm 人像镜头，f/1.8，浅景深，人物位于右侧三分之一处。
+细节：肌肤保留毛孔，发丝清晰，皮包纹理可见，轻微胶片颗粒。
+比例：4:5
+```
+
+**来源**: 小红书 (帖子: Nano Banana生成街拍松弛感写真) + YouTube (Uvq85gcMSE0, SeuI2zIWQJ0)
+
+---
+
+## 二、工具清单汇总
+
+| 工具名称 | 类别 | 核心用途 | 状态 |
+|---------|------|---------|------|
+| **OpenArt Character Builder** | 角色生成 | 4步锁定角色DNA (风格/性别/种族/年龄) | 已验证 |
+| **Nano Banana / Nano Banana Pro** | 图像生成 | 角色参考表、多视角生成、街拍写真 | 已验证 |
+| **Seedance 2.0** | 图像/视频生成 | 角色一致性、场景生成、视频过渡 | 已验证 |
+| **Kling 3.0** | 视频生成 | 高质量视频、首尾帧控制、多镜头角度 | 已验证 |
+| **ComfyUI** | 工作流编排 | 节点式工作流，集成多种模型 | 已验证 |
+| **BrushNet** | 局部重绘 | 背景替换，遮罩边界控制优秀 | 已验证 |
+| **IC-Light** | 光影融合 | 人物与背景打光统一 | 已验证 |
+| **ControlNet** | 姿态控制 | OpenPose/Depth/Canny 固定构图 | 已验证 |
+| **IPAdapter** | 风格迁移 | 参考图风格提取 | 已验证 |
+| **Kontext (Flux)** | 图像融合 | 多主体场景融合，角色一致性 | 已验证 |
+| **MidJourney** | 场景生成 | 氛围空镜、分镜场景生成 | 已验证 |
+| **Topaz Gigapixel AI** | 图像放大 | 4K 无损放大 | 已验证 |
+| **Photoshop** | 后期处理 | 遮罩清理、细节还原、图层合成 | 已验证 |
+| **Segment Anything** | 图像分割 | 自动人物抠图 | 已验证 |
+| **Blender** | 3D建模 | 场景建模，可与ComfyUI集成 | 已验证 |
+| **Z-Image Turbo** | 图像增强 | 提升渲染帧质感和细节 | 已验证 |
+| **LTX-2.3** | 视频生成 | 图像序列转视频 | 已验证 |
+| **WanAnimate** | 视频生成 | 视频生成和动画 | 已验证 |
+| **ComfyUI-VideoColorGrading** | 视频后期 | 基于参考图的颜色分级 | 已验证 |
+| **ChatGPT** | 提示词优化 | 构建光线控制等专业提示词 | 已验证 |
+| **PixPrettyAI** | 图像生成平台 | 托管Nano Banana 2等模型 | 已验证 |
+
+---
+
+## 三、关键提示词模板
+
+### 角色参考表生成 (Nano Banana 2)
+```
+Create a professional character reference sheet based strictly on the uploaded reference image. 
+Use a clean, neutral plain background. Arrange into two horizontal rows:
+- Top row: four full-body standing views – front, left profile, right profile, back
+- Bottom row: Four close-up portraits – front, left profile, right profile, back
+Maintain perfect identity consistency across every panel.
+```
+
+### 户外场景生成 (Seedance 2.0 / Kling)
+```json
+{
+  "subject": "年轻女性，长发微卷，米色衬衫外套，白色蕾丝裙",
+  "environment": {
+    "setting": "spring alpine meadow / cherry blossom street / urban cafe",
+    "time_of_day": "golden hour / soft daylight",
+    "lighting": "natural lighting, volumetric light shafts",
+    "elements": ["flowers", "trees", "mountains", "cobblestone street"]
+  },
+  "camera": {
+    "lens": "85mm portrait / wide-angle",
+    "movement": "slow tracking / pan"
+  },
+  "lighting": {
+    "type": "soft diffused daylight",
+    "effect": "rim lighting, gentle shadows"
+  }
+}
+```
+
+### 自然光线人像提示词结构
+```
+A high-contrast cinematic portrait with dramatic rim lighting from behind.
+Subject: [描述人物特征、服装、动作]
+Lighting: 
+  - Strong direct light illuminating one side of face
+  - Clear highlights and definition
+  - Softly shadowed opposite side
+  - Light source direction clearly visible
+Environment: Dark abstract bokeh background / outdoor park setting
+Camera: 85mm lens, shallow depth of field
+Style: Professional DSLR portrait, film grain, vintage feel
+```
+
+### 光线类型关键词对照表
+| 光线类型 | 提示词关键词 | 适用场景 |
+|---------|------------|---------|
+| Rim Lighting | dramatic rim lighting from behind | 人像特写、逆光场景 |
+| Golden Hour | golden hour lighting, warm tones | 温馨场景、日落场景 |
+| Volumetric Light | volumetric light shafts, god rays | 森林、有遮挡的场景 |
+| Soft Diffused | soft diffused daylight, overcast | 日常场景、阴天场景 |
+| Subsurface Scattering | subsurface scattering for skin | 人像特写、皮肤质感 |
+
+---
+
+## 四、调研经验总结
+
+### 经验 1: 如何构造有效的搜索关键词
+
+当调研AI生图工作流/工序时，应该将用户需求转换为偏向「教程」、「工作流」、「全套方案」的搜索词，而非单一软件名。
+
+**原因**: 单一软件名搜索结果多为工具介绍，而工作流关键词能直接找到完整的多步工序方案。
+
+**案例**: 本次调研「户外场景人物活动照片」需求，构造了5个关键词：
+1. AI生图 户外人物 工作流 教程
+2. Stable Diffusion 真实场景人物 完整流程
+3. AI绘画 自然光线 人物活动 步骤详解
+4. ComfyUI 户外场景 人物生成 workflow
+5. AI生图 真实背景人物合成 全套方案
+
+每个关键词都包含「工作流/流程/方案/教程」等工序导向词，成功从300条结果中提取19个完整Workflow。
+
+### 经验 2: 多渠道调研的并行执行策略
+
+当需要多渠道（小红书、X、YouTube）调研同一主题时，应该为每个渠道启动独立的research子agent并行执行。
+
+**原因**: 
+- 各渠道数据结构不同，独立agent可针对性处理
+- 并行执行大幅缩短调研时间
+
+**案例**: 本次调研同时启动3个agent，分别使用中文关键词（小红书）和英文关键词（X、YouTube），每个agent搜索5个关键词×20条结果，总计300条结果，在约15分钟内完成全部调研并提取19个Workflow。
+
+**关键技巧**:
+1. 为不同渠道准备适配的关键词（中文/英文）
+2. 任务描述中明确要求「只提取多步工序，严格拆解步骤」
+3. 使用deconstruct agent类型自动进行工序拆解
+
+---
+
+## 五、工作流选择建议
+
+| 需求场景 | 推荐工作流 | 理由 |
+|---------|-----------|------|
+| **角色一致性优先** | Workflow 1 (OpenArt + Seedance) | 4步锁定DNA，参考表机制成熟 |
+| **3D场景精确控制** | Workflow 2 (Blender + ComfyUI) | 完全可控的3D布局，专业颜色分级 |
+| **婚纱摄影/商业人像** | Workflow 3 (BrushNet) | 遮罩控制精准，光影融合自然 |
+| **换装/换背景灵活操作** | Workflow 4 (ComfyUI SD1.5) | ControlNet + IPAdapter 组合灵活 |
+| **叙事动画/多镜头** | Workflow 5 (Kontext + MJ) | 分镜规划完善，大场景分区处理 |
+| **街拍松弛感写真** | Workflow 6 (Nano Banana + Kling) | 提示词模板成熟，视频生成流畅 |
+
+---
+
+## 六、教程资源索引
+
+| 来源 | 标题 | 链接 |
+|------|------|------|
+| **小红书** | BrushNet婚纱摄影外景工作流 | https://www.xiaohongshu.com/explore/67b8726e0000000029032412 |
+| **小红书** | ComfyUI人像摄影工作流（SD1.5） | https://www.xiaohongshu.com/explore/66253296000000000302272a |
+| **小红书** | Kontext + MJ场景及角色一致性 | https://www.xiaohongshu.com/explore/687771cf0000000024008e4b |
+| **小红书** | Nano Banana街拍松弛感写真 | https://www.xiaohongshu.com/explore/68e11fa700000000070363c7 |
+| **YouTube** | Add AI People to Your Renders | https://www.youtube.com/watch?v=Uvq85gcMSE0 |
+| **YouTube** | Turn One Image into Multiple Camera Angles | https://www.youtube.com/watch?v=SeuI2zIWQJ0 |
+| **本地缓存** | AI户外工作流合集原始数据 | `/root/Agent/.cache/research/ai_outdoor_workflow_collection_20260409.json` |
+
+---
+
+**文档生成时间**: 2026-04-09 19:38  
+**调研执行Agent**: Librarian Agent  
+**数据状态**: 已整理归档，待入库

knowhub/server.py

@@ -18,7 +18,7 @@ from typing import Optional, List, Dict
 from pathlib import Path
 from cryptography.hazmat.primitives.ciphers.aead import AESGCM
 
-from fastapi import FastAPI, HTTPException, Query, Header, Body, BackgroundTasks
+from fastapi import FastAPI, HTTPException, Query, Header, Body, BackgroundTasks, Request
 from fastapi.responses import HTMLResponse, FileResponse
 from fastapi.staticfiles import StaticFiles
 from pydantic import BaseModel, Field
@@ -2382,13 +2382,56 @@ def delete_requirement(req_id: str):
         raise
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
-@app.get("/")
-def frontend():
-    """KnowHub 管理前端"""
-    index_file = STATIC_DIR / "index.html"
-    if not index_file.exists():
-        return HTMLResponse("<h1>KnowHub Frontend Not Found</h1><p>Please ensure knowhub/frontend/dist/index.html exists. Run 'yarn build' in frontend directory.</p>", status_code=404)
-    return FileResponse(str(index_file))
+# ===== Relation API =====
+
+@app.get("/api/relation/{table_name}")
+async def get_relations(table_name: str, request: Request):
+    """通用关系表查询接口"""
+    allowed_tables = {
+        "capability_knowledge",
+        "capability_tool",
+        "knowledge_relation",
+        "knowledge_resource",
+        "requirement_capability",
+        "requirement_knowledge",
+        "tool_knowledge",
+        "tool_provider"
+    }
+    table_name = table_name.lower()
+    if table_name not in allowed_tables:
+        raise HTTPException(status_code=400, detail="Invalid table name")
+        
+    try:
+        params = dict(request.query_params)
+        
+        where_clauses = []
+        values = []
+        for k, v in params.items():
+            if k in ["limit", "offset"]: continue
+            where_clauses.append(f"{k} = %s")
+            values.append(v)
+        
+        query = f"SELECT * FROM {table_name}"
+        if where_clauses:
+            query += " WHERE " + " AND ".join(where_clauses)
+            
+        limit = int(params.get("limit", 100))
+        query += " LIMIT %s"
+        values.append(limit)
+        
+        cursor = pg_store._get_cursor()
+        try:
+            cursor.execute(query, tuple(values))
+            rows = cursor.fetchall()
+            if not rows:
+                 return {"results": [], "count": 0}
+            colnames = [desc[0] for desc in cursor.description]
+            results = [dict(zip(colnames, row)) for row in rows]
+            return {"results": results, "count": len(results)}
+        finally:
+            cursor.close()
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=str(e))
 
 @app.get("/category_tree.json")
 def serve_category_tree():
@@ -2398,6 +2441,14 @@ def serve_category_tree():
         return {"error": "Not Found"}
     return FileResponse(str(tree_file))
 
+@app.get("/{full_path:path}")
+def frontend(full_path: str):
+    """KnowHub 管理前端 — 所有非 API 路径都返回 index.html，由 React Router 处理"""
+    index_file = STATIC_DIR / "index.html"
+    if not index_file.exists():
+        return HTMLResponse("<h1>KnowHub Frontend Not Found</h1><p>Please ensure knowhub/frontend/dist/index.html exists. Run 'yarn build' in frontend directory.</p>", status_code=404)
+    return FileResponse(str(index_file))
+
 if __name__ == "__main__":
     import uvicorn
     uvicorn.run(app, host="0.0.0.0", port=9999)

knowledge-2026-04-09-ai-image-workflows.json

@@ -0,0 +1,104 @@
+{
+  "knowledge": [
+    {
+      "task": "AI人像皮肤质感修复工作流",
+      "content": "完整工序：\n1. 生成基础人像图片 - 工具：Midjourney / Google Imagen 4 (via Whisk) / Reeve / Flux Pro Ultra - 输入：近景人像提示词（如'close-up portrait, photorealistic, DSLR, 85mm'）- 输出：AI生成的基础人像图片（可能存在塑料皮肤问题）\n2. 裁剪人脸区域（如需要）- 工具：图像裁剪工具 - 输入：基础人像图片，将人脸区域裁剪至更近的特写 - 输出：裁剪后的人脸特写图片\n3. 修复AI塑料皮肤质感 - 工具：Enhancor.ai (Skin Realism + Portrait Upscaler) - 输入：AI生成的人像图片，设置皮肤纹理强度、毛孔细节参数 - 输出：具有真实皮肤纹理、毛孔细节的人像图片\n4. 修复眼部瑕疵（可选）- 工具：Enhancor.ai 眼部修复功能 - 输入：修复后的人像图片，指定眼部区域 - 输出：眼部细节完美的人像图片\n5. 超分辨率放大 - 工具：Enhancor.ai Portrait Upscaler - 输入：修复后的人像图片，选择放大倍数（如4x）- 输出：billboard级别的高分辨率人像图片\n适用场景：商业人像摄影、广告牌级别输出、需要真实皮肤质感的AI人像",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI图像生成",
+        "focus": "人像、皮肤质感、超分辨率"
+      },
+      "score": 5
+    },
+    {
+      "task": "多视角角色一致性工作流（Nano Banana Pro）",
+      "content": "完整工序：\n1. 创建角色参考表 - 工具：Nano Banana Pro (Higgsfield AI) - 输入：结构化提示词（如'Create a professional character reference sheet with four vertical columns: front view, left profile, right profile, back view. Each column contains full-body view on top and matching close-up portrait below. Photorealistic, DSLR, muted tones.'）- 输出：包含四个视角（正面、左侧、右侧、背面）的角色参考表，每个视角包含全身图和近景肖像\n2. 生成多视角近景肖像 - 工具：Nano Banana Pro - 输入：角色参考表作为参考图，指定视角（如'front portrait close-up'）- 输出：一致角色的多视角近景肖像图片\n3. 生成生活场景图 - 工具：Nano Banana Pro - 输入：角色参考表，场景描述（如'coffee shop lifestyle shot'）- 输出：角色在不同生活场景中的图片\n适用场景：AI虚拟influencer、角色设计、需要多角度一致性的项目",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI图像生成",
+        "focus": "角色一致性、多视角、近景肖像"
+      },
+      "score": 5
+    },
+    {
+      "task": "面部表情变换工作流（Canva AI Face Expression）",
+      "content": "完整工序：\n1. 上传基础照片 - 工具：Canva AI Face Expression App - 输入：单张人物照片（正面、清晰面部）- 输出：上传至Canva的基础照片\n2. 选择目标表情 - 工具：Canva AI Face Expression App - 输入：选择预设表情（如微笑、惊讶、严肃、开心等）- 输出：应用表情后的人物图片\n3. 批量生成多表情版本 - 工具：Canva AI Face Expression App - 输入：重复选择不同表情，批量处理 - 输出：同一人物的多种表情图片集合\n适用场景：YouTube缩略图制作、社交媒体内容、需要快速生成多种表情的场景",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI图像生成",
+        "focus": "面部表情、批量生成"
+      },
+      "score": 4
+    },
+    {
+      "task": "AI虚拟网红完整工作流（KORA Pro + Enhancor + Lip Sync）",
+      "content": "完整工序：\n1. 生成高质量基础人像 - 工具：KORA Pro (Enhancor) - 输入：详细的人像提示词，包括人物特征、服装、光线、相机参数 - 输出：高真实度的基础人像图片\n2. 构建角色多视角图 - 工具：Nano Banana Pro - 输入：基础人像作为参考，生成多角度角色表 - 输出：包含正面、侧面、背面视角的角色参考表\n3. 修复皮肤质感 - 工具：Enhancor AI V3 Skin Fix - 输入：生成的角色图片，调整皮肤纹理参数 - 输出：具有真实皮肤质感的角色图片\n4. 生成生活场景图 - 工具：Nano Banana Pro - 输入：角色参考表，场景描述（如'studio shot', 'lifestyle scene'）- 输出：角色在不同场景中的图片\n5. 唇形同步动画 - 工具：Enhancor Lip Sync V1/V2 - 输入：角色图片 + 自定义音频文件 - 输出：角色说话的视频（带唇形同步）\n适用场景：AI虚拟网红、虚拟主播、需要说话动画的角色",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI图像生成",
+        "focus": "虚拟网红、唇形同步、角色一致性"
+      },
+      "score": 5
+    },
+    {
+      "task": "4K超高清AI图像生成工作流（ComfyUI + DyPE）",
+      "content": "完整工序：\n1. 设置ComfyUI工作流 - 工具：ComfyUI (本地安装 via Promptus) - 输入：安装DyPE模型（https://github.com/guyyariv/DyPE）- 输出：配置好的ComfyUI环境\n2. 生成原生4K图像 - 工具：ComfyUI + DyPE模型 - 输入：人像提示词，设置分辨率为4K，选择DyPE采样器 - 输出：原生4K分辨率的AI人像图片\n3. 超分辨率增强（可选）- 工具：ComfyUI 4K超分辨率节点 - 输入：生成的4K图片，选择放大倍数 - 输出：更高分辨率、细节更丰富的图片\n适用场景：需要超高清输出的商业项目、影院级画质需求",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI图像生成",
+        "focus": "4K、超分辨率、ComfyUI"
+      },
+      "score": 4
+    },
+    {
+      "task": "角色一致性视频生成工作流（OpenArt + Kling/HeyGen）",
+      "content": "完整工序：\n1. 创建一致角色基础图 - 工具：OpenArt AI - 输入：角色描述提示词，上传参考图（如有）- 输出：高质量的角色基础图片\n2. 生成多视角角色图 - 工具：OpenArt AI - 输入：基础图作为参考，指定不同视角和姿势 - 输出：同一角色的多视角图片集合\n3. 生成视频 - 工具：Kling AI / HeyGen - 输入：角色图片 + 动作/对话描述 - 输出：角色动画视频\n4. 唇形同步（如需要）- 工具：HeyGen - 输入：角色视频 + 音频脚本 - 输出：带完美唇形同步的角色说话视频\n适用场景：AI视频创作、虚拟主播、需要角色一致性的视频项目",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "AI视频生成",
+        "focus": "角色一致性、视频生成、唇形同步"
+      },
+      "score": 5
+    },
+    {
+      "task": "背景虚化效果工作流（Photoshop Lens Blur / DxO Photolab）",
+      "content": "完整工序：\n1. 导入人像图片 - 工具：Photoshop / DxO Photolab 9 - 输入：需要添加背景虚化的人像图片 - 输出：导入的图片\n2. 创建主体选区 - 工具：Photoshop 智能选区 / DxO 自动主体检测 - 输入：选择主体（人物）区域 - 输出：精确的人物选区\n3. 应用镜头虚化效果 - 工具：Photoshop Lens Blur / DxO Photolab 9 Bokeh - 输入：设置虚化强度、光圈形状、焦距参数 - 输出：具有专业镜头虚化效果的图片\n4. 微调边缘过渡 - 工具：Photoshop 蒙版羽化 - 输入：调整选区边缘羽化值 - 输出：自然过渡的虚化效果图片\n适用场景：人像摄影后期、需要背景虚化效果的AI生成图片",
+      "types": ["strategy"],
+      "tags": {
+        "source": "YouTube",
+        "domain": "图像后期处理",
+        "focus": "背景虚化、bokeh、人像后期"
+      },
+      "score": 4
+    }
+  ],
+  "resources": [
+    {
+      "id": "https://github.com/guyyariv/DyPE",
+      "type": "github_repo"
+    }
+  ],
+  "tools": [
+    {"name": "Midjourney", "introduction": "AI图像生成工具，支持高质量人像生成"},
+    {"name": "Google Imagen 4", "introduction": "Google的AI图像生成模型，通过Whisk平台访问"},
+    {"name": "Reeve", "introduction": "AI图像生成工具"},
+    {"name": "Flux Pro Ultra", "introduction": "AI图像生成工具，支持高质量人像"},
+    {"name": "Enhancor.ai", "introduction": "AI人像增强工具，提供皮肤质感修复和超分辨率功能"},
+    {"name": "Nano Banana Pro", "introduction": "Higgsfield AI的角色一致性生成工具"},
+    {"name": "Canva AI Face Expression", "introduction": "Canva的面部表情变换AI应用"},
+    {"name": "KORA Pro", "introduction": "Enhancor的高质量人像生成工具"},
+    {"name": "ComfyUI", "introduction": "本地AI图像生成工作流工具"},
+    {"name": "DyPE", "introduction": "ComfyUI的4K图像生成模型"},
+    {"name": "OpenArt AI", "introduction": "AI图像生成平台"},
+    {"name": "Kling AI", "introduction": "AI视频生成工具"},
+    {"name": "HeyGen", "introduction": "AI视频和唇形同步工具"},
+    {"name": "Photoshop", "introduction": "专业图像编辑软件"},
+    {"name": "DxO Photolab 9", "introduction": "专业照片处理软件，支持镜头虚化效果"}
+  ]
+}

knowledge/ComfyUI_画中画分阶段生成工作流.md

@@ -0,0 +1,398 @@
+# ComfyUI 画中画分阶段生成工作流
+
+**知识 ID**: knowledge-20260411-155313-comfyinpaint  
+**类型**: strategy  
+**评分**: ⭐⭐⭐⭐⭐ (5/5)  
+**来源**: ComfyUI 社区/YouTube 教程  
+**领域**: AI 图像生成  
+**工作流类型**: 画中画分阶段生成  
+**核心工具**: ControlNet, IP-Adapter, Inpainting, Z-Image-Turbo
+
+---
+
+## 核心设计理念
+
+### 分阶段生成 + 双控架构
+
+**分阶段流程**：
+```
+背景生成 → 画中画区域生成 → 风格统一 → 细节优化
+```
+
+**双控架构**：
+- **ControlNet**: 锁结构（几何/深度/姿态控制）
+- **IP-Adapter**: 注入风格（风格/纹理/色彩迁移）
+
+---
+
+## 工作流总览
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│  阶段 1: 背景/外框生成                                        │
+│  输入：背景提示词 + 参考图 → ControlNet 控制 → 生成背景       │
+└─────────────────────────────────────────────────────────────┘
+                            ↓
+┌─────────────────────────────────────────────────────────────┐
+│  阶段 2: 画中画区域生成 (Inpainting)                          │
+│  输入：背景图 + 蒙版 + 画中画提示词 → 局部重绘 → 生成内容     │
+└─────────────────────────────────────────────────────────────┘
+                            ↓
+┌─────────────────────────────────────────────────────────────┐
+│  阶段 3: 风格统一 (IP-Adapter)                                │
+│  输入：合成图 + 风格参考图 → IP-Adapter 注入 → 风格融合       │
+└─────────────────────────────────────────────────────────────┘
+                            ↓
+┌─────────────────────────────────────────────────────────────┐
+│  阶段 4: 细节优化 (ControlNet + Detailer)                     │
+│  输入：风格化图 → ControlNet 微调 → FaceDetailer → 最终输出  │
+└─────────────────────────────────────────────────────────────┘
+```
+
+---
+
+## 阶段 1：背景/外框生成
+
+### 节点配置
+
+| 节点类型 | 节点名称 | 参数设置 |
+|----------|----------|----------|
+| Checkpoint | SDXL/Flux 主模型 | `albedobaseXL_v21.safetensors` 或 `flux1-dev.safetensors` |
+| ControlNet | Apply Advanced ControlNet | 权重 0.6-0.75 |
+| ControlNet 模型 | ControlNetLoader | `control_sdxl_canny.safetensors` 或 `depth` |
+| 预处理器 | AIO Aux Preprocessor | Canny/Depth/MLSD（根据场景选择） |
+| CLIP Text Encode | 背景提示词 | 描述整体场景氛围 |
+| KSampler | 采样器 | 20-30 步，CFG 7-8，DPM++ 2M Karras |
+
+### 操作步骤
+
+1. **加载背景参考图**（可选）
+   - 使用 `Load Image` 节点加载参考图
+   - 通过 `AIO Aux Preprocessor` 提取结构信息
+
+2. **设置 ControlNet 控制**
+   ```
+   参考图 → 预处理器 → ControlNet 模型 → Apply Advanced ControlNet
+   ```
+   - 控制权重：`0.6-0.75`
+   - 控制模式：`Balanced` 或 `ControlNet is more important`
+   - Starting/Ending Step：`0.0-1.0`（全程控制）
+
+3. **编写背景提示词**
+   ```
+   A cozy living room with large empty wall frame, warm lighting, 
+   modern minimalist interior, soft shadows, high quality photography
+   ```
+
+4. **生成背景图**
+   - 分辨率：`1024x1024` 或 `1280x720`（根据最终输出设定）
+   - 批次数：1（单张背景）
+
+---
+
+## 阶段 2：画中画区域生成（Inpainting）
+
+### 三种实现方案对比
+
+| 方案 | 核心节点 | 适用场景 | 优点 | 缺点 |
+|------|----------|----------|------|------|
+| **A: 原生节点法** | Inpaint Model Conditioning | 理解底层逻辑 | 学习价值高 | 连线复杂 |
+| **B: KJ Nodes 简化版** ⭐ | KJ Nodes: Inpaint Node | 生产环境 | 工作流简洁 | 需安装自定义节点 |
+| **C: SAM 3 智能重绘** | SAM 3 + Grounding DINO | 自动化场景 | 无需手动蒙版 | 依赖 AI 识别准确度 |
+
+### 方案 A：原生节点法
+
+**节点连接**：
+```
+背景图 → VAE Encode → Inpaint Model Conditioning → KSampler → VAE Decode
+蒙版图 ↗
+```
+
+**关键参数**：
+- `denoise`: `0.6-0.8`（重绘强度）
+- `mask_expand`: `10-20`（蒙版扩展像素）
+- 模糊蒙版边缘：让重绘更融合
+
+### 方案 B：KJ Nodes 简化版（推荐）
+
+**核心节点**：
+- `KJ Nodes: Inpaint Node`: 简化重绘流程
+- `KJ Nodes: Mask Editor`: 可视化蒙版编辑
+
+**优势**：工作流连线简洁，适合生产环境
+
+### 方案 C：SAM 3 智能重绘
+
+**核心节点**：
+- `SAM 3 (Segment Anything)`: 自动识别目标区域
+- `Grounding DINO`: 文本引导分割
+
+**操作步骤**：
+1. 输入文本指令：`"the empty frame on the wall"`
+2. SAM 3 自动识别并生成蒙版
+3. 自动执行局部重绘
+
+### 关键参数设置
+
+| 参数 | 推荐值 | 说明 |
+|------|--------|------|
+| denoise | 0.65-0.75 | 平衡原图保留与重绘效果 |
+| mask_expand | 15-25 | 确保边缘融合自然 |
+| CFG | 7-8 | 避免过拟合 |
+| Steps | 25-30 | 保证细节质量 |
+
+### 画中画提示词示例
+
+```
+A beautiful landscape painting inside the frame, 
+mountain lake at sunset, golden hour lighting, 
+oil painting style, detailed brushstrokes, masterpiece
+```
+
+---
+
+## 阶段 3：风格统一（IP-Adapter）
+
+### 核心原理
+
+> **IP-Adapter 负责风格注入，ControlNet 负责结构保持**
+
+⚠️ **重要**: IP-Adapter 单独使用易结构崩坏、手部细节失控，必须配合 ControlNet 使用
+
+### 节点配置
+
+| 节点类型 | 节点名称 | 参数设置 |
+|----------|----------|----------|
+| IPAdapter | IPAdapter Plus | `PLUS(high strength)` 预设 |
+| CLIP Vision | CLIP-ViT-H-14-laion2B-s32B | 风格编码模型 |
+| IPAdapter 权重 | 权重值 | `0.6-0.85` |
+| 合并嵌入组 | concat / average | `concat`（冲突感）或 `norm average`（柔和） |
+| 权重类型 | style transfer | 风格迁移模式 |
+
+### 工作流连接
+
+```
+风格参考图 → IPAdapter Encode → IPAdapter Apply → KSampler
+合成图 → VAE Encode ↗
+```
+
+### 多风格融合
+
+```
+风格图 A → IPAdapter Encode (权重 1.20) ┐
+风格图 B → IPAdapter Encode (权重 1.00) → 合并嵌入组 (concat) → Apply
+```
+
+### 关键参数推荐
+
+| 场景 | IPAdapter 权重 | 合并方式 | 权重类型 |
+|------|---------------|----------|----------|
+| 轻微风格渗透 | 0.4-0.6 | average | style transfer |
+| 平衡融合 | 0.65-0.75 | norm average | style transfer |
+| 强烈风格化 | 0.8-0.85 | concat | style transfer |
+| 多风格融合 | 1.0-1.2 (主) + 0.8 (辅) | concat | style transfer |
+
+### 避坑指南
+
+⚠️ **权重过高** (> 0.85) 易导致画面紊乱  
+✅ **解决方案**: 使用 `fade` 类型 + 噪波强度 0.6 + 模糊 2
+
+---
+
+## 阶段 4：细节优化
+
+### 4.1 ControlNet 微调
+
+**目的**: 在风格化后保持关键结构
+
+| ControlNet 类型 | 权重 | 适用场景 |
+|----------------|------|----------|
+| Canny | 0.4-0.6 | 保持边缘清晰 |
+| Depth | 0.5-0.7 | 保持空间层次 |
+| Tile | 0.6-0.8 | 细节增强/放大 |
+
+**配置技巧**：
+- 使用较低的权重（0.4-0.6）进行微调
+- Starting Step 设为 `0.3-0.5`（后期介入）
+- 避免过度控制导致风格丢失
+
+### 4.2 FaceDetailer / HandDetailer
+
+**目的**: 修复面部/手部细节
+
+| 节点 | 模型 | 参数 |
+|------|------|------|
+| FaceDetailer | `face_yolov8m.pt` | denoise 0.2-0.5 |
+| HandDetailer | `hand_yolov8s.pt` | denoise 0.3-0.6 |
+| SAM | `sam_vit_b_01ec64.pth` | 精准检测 |
+
+**工作流程**：
+```
+风格化图 → 人脸/手部检测 → 局部放大 → 重绘修复 → 合成输出
+```
+
+### 4.3 高清放大（可选）
+
+| 节点 | 模型 | 用途 |
+|------|------|------|
+| Ultimate SD Upscale | `4x-UltraSharp.pth` | 4 倍高清放大 |
+| Tile ControlNet | `control_v11f1e_sd15_tile` | 放大时保持细节 |
+
+---
+
+## 完整参数汇总表
+
+### 阶段 1：背景生成
+| 参数 | 推荐值 |
+|------|--------|
+| 模型 | SDXL / Flux |
+| ControlNet 权重 | 0.6-0.75 |
+| Steps | 20-25 |
+| CFG | 7-8 |
+| 分辨率 | 1024x1024 |
+
+### 阶段 2：Inpainting
+| 参数 | 推荐值 |
+|------|--------|
+| denoise | 0.65-0.75 |
+| mask_expand | 15-25 |
+| Steps | 25-30 |
+| CFG | 7-8 |
+
+### 阶段 3：IP-Adapter
+| 参数 | 推荐值 |
+|------|--------|
+| 权重 | 0.65-0.80 |
+| 预设 | PLUS(high strength) |
+| CLIP Vision | CLIP-ViT-H-14 |
+| 合并方式 | norm average |
+
+### 阶段 4：细节优化
+| 参数 | 推荐值 |
+|------|--------|
+| ControlNet 微调权重 | 0.4-0.6 |
+| FaceDetailer denoise | 0.2-0.5 |
+| Upscale 倍数 | 2x-4x |
+
+---
+
+## 必备自定义节点清单
+
+通过 **ComfyUI Manager** 安装：
+
+```bash
+# ControlNet 相关
+- ComfyUI's ControlNet Auxiliary Preprocessors
+- ComfyUI-Advanced-ControlNet
+
+# IPAdapter 相关
+- IPAdapter Plus (comfyui_ipadapter_plus)
+
+# 简化节点
+- KJ Nodes (comfyui-kjnodes)
+- Efficiency Nodes
+
+# 细节修复
+- Impact Pack (comfyui_essentials)
+- FaceDetailer
+
+# 智能分割
+- SAM 3 (Segment Anything)
+- Grounding DINO
+
+# 其他工具
+- CR Seamless Checker（无缝检查）
+- TextureViewer（3D 预览）
+```
+
+---
+
+## 实战案例：客厅挂画生成
+
+### 完整提示词
+
+**阶段 1 - 背景**：
+```
+A modern living room with a large empty wooden frame on the wall, 
+warm afternoon sunlight, minimalist interior design, 
+soft shadows, cozy atmosphere, interior photography, 8k --ar 16:9
+```
+
+**阶段 2 - 画中画**：
+```
+A serene mountain lake landscape at golden hour, 
+reflection in water, dramatic sky, oil painting style, 
+visible brushstrokes, impasto technique, masterpiece
+```
+
+**阶段 3 - 风格参考**：
+- 上传 1-2 张目标风格的油画作品作为 IP-Adapter 参考
+
+### 工作流执行顺序
+
+1. **生成背景**: 使用 Canny ControlNet 控制房间结构
+2. **绘制蒙版**: 在空画框区域绘制蒙版（或使用 SAM 3 自动识别）
+3. **局部重绘**: denoise 0.7，生成画中画内容
+4. **风格注入**: IP-Adapter 权重 0.75，融合油画风格
+5. **细节修复**: FaceDetailer 修复可能的人物（如有）
+6. **高清输出**: Ultimate SD Upscale 放大至 4K
+
+---
+
+## 常见问题与解决方案
+
+| 问题 | 原因 | 解决方案 |
+|------|------|----------|
+| 画中画边缘不融合 | 蒙版扩展不足 | 增加 `mask_expand` 至 20-30 |
+| 风格与背景不协调 | IP-Adapter 权重过高 | 降至 0.6-0.7，使用 `norm average` |
+| 画中画结构崩坏 | 缺少 ControlNet 控制 | 添加 Canny/Depth ControlNet（权重 0.5） |
+| 面部/手部畸形 | 细节质量不足 | 添加 FaceDetailer/HandDetailer |
+| 整体风格不统一 | 分阶段风格差异大 | 阶段 1 也使用相同 IP-Adapter 参考 |
+| 生成速度慢 | 多阶段串行执行 | 使用批处理，低分辨率测试后再高清生成 |
+
+---
+
+## 进阶技巧
+
+### 1. 多画中画嵌套
+```
+背景 → 画中画 A → 画中画 B（嵌套在 A 内）
+```
+- 使用多个 Inpainting 节点串联
+- 每个阶段使用独立蒙版
+- IP-Adapter 可分别控制不同区域风格
+
+### 2. 动态蒙版生成
+```
+Grounding DINO + SAM 3 → 自动蒙版 → Inpainting
+```
+- 文本指令：`"the frame on the wall"`
+- 全自动识别和重绘
+
+### 3. 风格渐变融合
+```
+IPAdapter A (权重 0.8) + IPAdapter B (权重 0.4) → 渐变融合
+```
+- 使用 `average` 合并方式
+- 调整权重比例控制风格倾向
+
+### 4. 批量生成变体
+```
+同一背景 + 不同画中画提示词 → 批量输出
+```
+- 使用 `Batch Prompt Schedule` 节点
+- 一次生成多个画中画变体
+
+---
+
+## 关联知识
+
+- **Midjourney v7 厚涂风格**: 可使用 MJ 生成风格参考图，再通过本工作流在 ComfyUI 中精确复现
+- **Nano Banana 多图融合**: 可将多图融合结果作为本工作流的输入
+- **ControlNet+IPAdapter 双控架构**: 本工作流的核心技术基础
+
+---
+
+## 更新日志
+
+- 2026-04-11: 初始入库，包含 4 阶段完整工作流、3 种 Inpainting 方案对比、实战案例

knowledge/Midjourney_v7_Impasto_厚涂风格参数配置.md

@@ -0,0 +1,165 @@
+# Midjourney v7 Impasto 厚涂风格参数配置
+
+**知识 ID**: knowledge-20260411-155313-mj7impasto  
+**类型**: tool  
+**评分**: ⭐⭐⭐⭐⭐ (5/5)  
+**来源**: 小红书/Midjourney 官方文档  
+**领域**: AI 图像生成  
+**工具**: Midjourney v7  
+**风格**: Impasto 厚涂
+
+---
+
+## 核心发现
+
+Midjourney v7 在美学质量与笔触质感方面表现优异，特定 sref 代码可生成几乎与真实绘画无法区分的厚涂技法效果。**v8 版本灵活性降低，艺术风格探索建议继续使用 v7**。
+
+### v7 vs v8 厚涂风格对比
+
+| 维度 | v7 | v8 |
+|------|-----|-----|
+| 笔触质感 | ⭐⭐⭐⭐⭐ 自然流畅 | ⭐⭐⭐⭐ 稍显僵硬 |
+| 风格灵活性 | ⭐⭐⭐⭐⭐ 高 | ⭐⭐⭐ 降低 |
+| 厚涂效果 | ⭐⭐⭐⭐⭐ 无敌 | ⭐⭐⭐⭐ 良好 |
+
+---
+
+## 核心参数详解
+
+### 1. `--sref` 风格参考代码
+
+**基础语法**：
+```bash
+/imagine prompt: [描述] --sref [风格代码] --v 7
+```
+
+**多风格融合**（最多 5 个）：
+```bash
+/imagine prompt: [描述] --sref 代码 1 代码 2 代码 3 --v 7
+```
+
+**常用厚涂风格代码**：
+- **新派写实油画**: `sref 738792225` ⭐ 推荐
+- 获取方法：
+  1. 在 Discord 使用 `/describe` 分析喜欢的厚涂作品
+  2. 使用 `/style-save` 保存生成的风格
+  3. 从社区共享代码库获取（Reddit、PromptHero）
+
+### 2. `--sw` 风格权重参数
+
+**语法**：`--sw [0.1-2.0]`
+
+**权重范围与效果**：
+
+| 权重值 | 效果强度 | 适用场景 |
+|--------|----------|----------|
+| 0.1-0.3 | 轻微风格渗透 | 保留原风格基础上微调 |
+| 0.4-0.7 | 平衡融合 | 推荐默认值，风格与内容均衡 |
+| 0.8-1.2 | 强烈风格化 | 明显厚涂笔触质感 |
+| 1.3-2.0 | 极致风格 | 完全主导，可能牺牲细节 |
+
+**厚涂风格推荐设置**: `--sw 1.0-1.5`
+
+### 3. `--v 7` 版本锁定
+
+⚠️ **必须显式指定** `--v 7`，v8 版本灵活性降低不适合厚涂风格
+
+---
+
+## 完整提示词公式
+
+### 厚涂风格三段式公式
+
+```
+[主体画面描述] + [厚涂笔触/材质描述] + [光影/色彩氛围] --sref [代码] --sw [权重] --v 7 --ar [比例] --stylize [值]
+```
+
+### 厚涂专用关键词库
+
+| 关键词 | 中文含义 | 效果 |
+|--------|----------|------|
+| `thick impasto brushwork` | 厚涂笔触 | 增强笔触质感 |
+| `heavy paint texture` | 厚重颜料肌理 | 增加物理厚度 |
+| `visible brushstrokes` | 可见笔触 | 拒绝平滑感 |
+| `palette knife texture` | 调色刀纹理 | 特殊肌理效果 |
+| `impasto technique` | 厚涂技法 | 整体风格定义 |
+
+---
+
+## 实战示例
+
+### 示例 1：新派写实油画
+```bash
+{你的主体} + The painting is in a realistic oil painting style, with clearly visible brushstrokes, vibrant colors, and strong light. --chaos 30 --exp 85 --sref 738792225 --profile qvu9plm --v 7.0 --ar 2:3
+```
+
+### 示例 2：人物厚涂肖像
+```bash
+A warrior princess with flowing red hair, thick impasto oil painting style, visible brushstrokes, palette knife texture, dramatic chiaroscuro lighting, warm golden hour glow --sref 1847293 --sw 1.3 --v 7 --ar 2:3 --stylize 750
+```
+
+### 示例 3：风景厚涂
+```bash
+Mountain landscape at sunset, heavy impasto technique, thick layers of oil paint, textured canvas, bold brushwork, vibrant color palette, atmospheric perspective --sref 2938471 --sw 1.5 --v 7 --ar 16:9 --stylize 800
+```
+
+---
+
+## 参数组合推荐表
+
+| 场景 | --sref | --sw | --stylize | --q | --ar |
+|------|--------|------|-----------|-----|------|
+| 人物厚涂肖像 | 1-2 个代码 | 1.2-1.5 | 700-850 | 2 | 2:3 |
+| 风景厚涂 | 2-3 个代码 | 1.3-1.8 | 750-900 | 2 | 16:9 |
+| 静物厚涂 | 1 个代码 | 1.0-1.3 | 600-750 | 2 | 4:5 |
+| 抽象厚涂 | 2-3 个代码 | 1.5-2.0 | 850-1000 | 4 | 1:1 |
+| 快速测试 | 1 个代码 | 1.0 | 500 | 0.5 | 1:1 |
+
+---
+
+## 避坑指南
+
+| 问题 | 原因 | 解决方案 |
+|------|------|----------|
+| 厚涂效果不明显 | --sw 权重太低 | 提升至 1.3-1.8 |
+| 笔触过于粗糙 | --sw 权重过高 | 降至 0.8-1.2 |
+| 风格冲突 | 多代码不兼容 | 减少至 1-2 个代码 |
+| 细节丢失 | --stylize 过高 | 降至 600-750 |
+| 生成速度慢 | --q 4 + 多代码 | 先用 --q 0.5 测试 |
+| v8 效果不如 v7 | 版本灵活性差异 | 强制使用 --v 7 |
+
+---
+
+## 拒绝塑料感 4 招
+
+### 1. 拒绝平滑，增加物理厚度
+使用 `Thick impasto brushwork` 或 `Heavy paint texture` 关键词
+
+### 2. 治愈系万能公式
+```
+Deep blue twilight ambient + Warm orange window light
+```
+90% 冷调 + 10% 暖色，营造层次感
+
+### 3. 让水活过来
+使用 `Swirling water patterns` + `Churning white water`
+
+### 4. 参数降噪，返璞归真
+```bash
+--s 200 搭配 --style raw
+```
+降低 AI 过度修饰，回归自然质感
+
+---
+
+## 关联知识
+
+- **ComfyUI 厚涂复现**: 使用 IPAdapter + ControlNet 双控架构在 ComfyUI 中复现 MJ 厚涂风格
+- **风格代码获取**: `/describe` + `/style-save` 工作流
+- **v7 vs v8 对比**: v7 适合艺术风格探索，v8 适合精确解剖结构
+
+---
+
+## 更新日志
+
+- 2026-04-11: 初始入库，包含具体风格代码 738792225、--sw 参数详解、厚涂关键词库

knowledge/Nano_Banana_多图融合_ComfyUI 工作流.md

@@ -0,0 +1,261 @@
+# Nano Banana 多图融合 ComfyUI 工作流
+
+**知识 ID**: knowledge-20260411-155313-nanobanana  
+**类型**: strategy  
+**评分**: ⭐⭐⭐⭐⭐ (5/5)  
+**来源**: 小红书/ComfyUI 社区  
+**领域**: AI 图像生成  
+**工作流类型**: 多图融合  
+**核心工具**: Nano Banana, Google Gemini Image, ComfyUI
+
+---
+
+## 核心能力
+
+| 能力指标 | 规格 |
+|----------|------|
+| 最多参考图数量 | **14 张**（实际 10 张可达 100% 还原） |
+| 角色一致性 | 单工作流最多 **5 个角色** + **14 个物体** |
+| 面部一致性 | **90-95%** |
+| 中文渲染 | 准确率 **90%+** |
+| 支持宽高比 | 包括极端比例 1:8、8:1、4:1、1:4 |
+| 产品一致性 | 标签文字不崩坏 |
+
+---
+
+## ComfyUI 工作流配置
+
+### 方法 1：单图编辑
+
+**工作流节点连接**：
+```
+Load Image → Image Scale → Google Gemini Image → LibLib Translate → Save Image
+```
+
+**参数设置**：
+- 图像缩放：`1536×1536`
+- 模型：`gemini-2.5-flash-image-preview`
+- 提示词：**必须包含** `"把这*张图组合成一张完整的新图像"`
+
+### 方法 2：双图编辑（推荐，效果更稳定）
+
+**工作流节点连接**：
+```
+Load Image (产品图) → Image Scale ┐
+Load Image (场景图) → Image Scale → Google Gemini Image → LibLib Translate → Save Image
+```
+
+**提示词示例**：
+```
+"把这两张图组合成一张完整的新图像，将产品自然融入场景中，保持产品标签文字清晰"
+```
+
+### 方法 3：三图编辑
+
+**工作流节点连接**：
+```
+Load Image (场景图) → Image Scale ┐
+Load Image (产品图) → Image Scale ├→ Google Gemini Image → LibLib Translate → Save Image
+Load Image (元素图) → Image Scale ┘
+```
+
+**提示词示例**：
+```
+"把这三张图组合成一张完整的新图像，将产品和杯子自然融入家居场景中，保持产品标签文字清晰"
+```
+
+---
+
+## 15 种多图融合场景
+
+| 序号 | 场景 | 描述 |
+|------|------|------|
+| 1 | 杂志封面 | 融合多张参考图生成专业封面 |
+| 2 | 漫画分镜 | 保持角色一致性的多格漫画 |
+| 3 | 信息图 | 自动搜索数据生成带图表的信息图 |
+| 4 | 情绪九宫格 | 同一人物 9 种表情 |
+| 5 | 极限运动场景 | 同一人物在不同运动场景 |
+| 6 | 产品对比海报 | 多产品对比展示 |
+| 7 | 科研绘图 | 顶刊级科研配图 |
+| 8 | 电影感人像 | 带详细相机参数的专业人像 |
+| 9 | 艺术风格转换 | 多风格同一人物 |
+| 10 | 背景替换 | 保持人物换背景 |
+| 11 | 服装替换 | 保持人物换服装 |
+| 12 | 创意场景转换 | 动作人偶风格等 |
+| 13 | 多语言信息图 | 一键翻译排版 |
+| 14 | 四方连续贴图 | 无缝纹理生成 |
+| 15 | 虚拟试衣 | 服装上身效果 |
+
+---
+
+## 实测心得
+
+### 关键发现
+
+1. **提示词决定出图效果** ⭐⭐⭐⭐⭐
+   - **必须写**: `"把这*张图组合成一张完整的新图像"`
+   - 缺少此句会导致生成效果不稳定
+
+2. **双图编辑效果更稳定** ⭐⭐⭐⭐
+   - 单图编辑：适合简单修改
+   - 双图编辑：推荐默认方案
+   - 三图以上：复杂度增加，需更具体提示词
+
+3. **产品一致性能力出色** ⭐⭐⭐⭐⭐
+   - 不必担心产品标签文字崩坏
+   - 适合电商产品场景图生成
+
+4. **清晰度优化**
+   - 如生成图清晰度不够，可使用高清放大工作流
+   - 推荐：Ultimate SD Upscale + Tile ControlNet
+
+---
+
+## 成本说明
+
+### Nano Banana 定价
+
+| 版本 | 分辨率 | 价格 | 备注 |
+|------|--------|------|------|
+| Nano Banana 2 | 1K | $0.067/张 | 性价比最高 |
+| Nano Banana 2 | 2K | $0.101/张 | |
+| Nano Banana 2 | 4K | $0.151/张 | |
+| Nano Banana Pro | 1K | $0.134/张 | 比 Flash 贵 50% |
+
+### 不同平台成本对比
+
+| 平台 | 成本范围 | 建议 |
+|------|----------|------|
+| 官方 API | $0.067-0.151/张 | 稳定可靠 |
+| 第三方平台 A | $0.02-0.08/张 | 价格低，注意稳定性 |
+| 第三方平台 B | $0.10-0.15/张 | 价格高，可能有额外功能 |
+
+⚠️ **注意**: 不同平台调用 Banana 的成本不同（从 $0.02～$0.15 不等），需根据需求选择
+
+---
+
+## 避坑指南
+
+| 问题 | 说明 | 解决方案 |
+|------|------|----------|
+| SynthID 水印 | 不可移除 | 接受或后期处理 |
+| Thinking 模式 | 强制启用 | 无法关闭，等待完成 |
+| 提示词不具体 | 效果不稳定 | 极度具体描述需求 |
+| 直接使用 Pro | 成本高 | 先用 Flash 测试提示词 |
+| 单次生成 | 成本高 | 使用 Batch API 节省 50% |
+
+### 推荐工作流
+
+```
+1. Flash 测试提示词 → 2. 优化提示词 → 3. Pro 批量生成 → 4. 高清放大
+```
+
+---
+
+## 实战案例
+
+### 案例 1：电商产品场景图
+
+**输入**：
+- 产品图：投影仪正面图
+- 场景图：雪山湖畔风景
+
+**提示词**：
+```
+"把这两张图组合成一张完整的新图像，将投影仪自然融入雪山湖畔场景中，保持产品外观和标签清晰"
+```
+
+**输出**：电商宣传场景图
+
+**耗时**：5-6 分钟  
+**成本**：$0.067 × 2（测试 + 正式）= $0.134
+
+---
+
+### 案例 2：中餐厅菜品图自动化
+
+**工作流**：Nanobanana + ComfyUI
+
+**流程**：
+```
+厨房出餐摆盘 → 手机随手拍 → 5-6 分钟生成专业菜单图
+```
+
+**支持**：
+- 横版/竖版可变尺寸
+- 批量生成
+- 保持菜品色泽和质感
+
+**应用场景**：
+- 餐厅菜单
+- 外卖平台图片
+- 社交媒体推广
+
+---
+
+### 案例 3：小说转短剧分镜
+
+**流程**：
+```
+1. 去 AO3 找短文
+2. 和 Gemini 说将其生成 12 张图
+3. 得到人物一致性非常高的一组图
+4. 配合图片转视频工具制作小说转短剧
+```
+
+**成本**：极低（$0.067 × 12 = $0.804）
+
+**优势**：
+- 人物一致性高（90-95%）
+- 快速生成分镜
+- 可批量制作
+
+---
+
+## 与 ComfyUI 工作流整合
+
+### 整合方案
+
+```
+Nano Banana 多图融合 → ComfyUI 后处理
+                        ├─ ControlNet 结构微调
+                        ├─ IP-Adapter 风格统一
+                        ├─ FaceDetailer 细节修复
+                        └─ Upscale 高清放大
+```
+
+### 典型应用场景
+
+1. **电商产品图**：
+   - Nano Banana: 产品 + 场景融合
+   - ComfyUI: 细节优化、高清放大
+
+2. **角色一致性漫画**：
+   - Nano Banana: 多格分镜生成
+   - ComfyUI: 风格统一、对话框添加
+
+3. **科研绘图**：
+   - Nano Banana: 图表 + 数据融合
+   - ComfyUI: 标注优化、格式调整
+
+---
+
+## 关联知识
+
+- **ComfyUI 画中画工作流**: 可将 Nano Banana 生成结果作为输入进行进一步处理
+- **Midjourney v7 厚涂风格**: 可使用 MJ 生成风格参考图，通过 Nano Banana 融合到目标场景
+- **ControlNet+IPAdapter 双控架构**: ComfyUI 后处理的核心技术
+
+---
+
+## 官方资源
+
+- **API 文档**: https://ai.google.dev/gemini-api/docs/models/gemini-3.1-flash-image-preview
+- **DeepMind 模型页**: https://deepmind.google/models/gemini-image/flash/
+- **AI Studio**: https://aistudio.google.com/models/gemini-3-1-flash-image
+
+---
+
+## 更新日志
+
+- 2026-04-11: 初始入库，包含 ComfyUI 工作流配置、3 种编辑方法、15 种场景、3 个实战案例

knowledge/knowledge-20260412-005015-nano-banana-image-urls.json

@@ -0,0 +1,20 @@
+{
+  "id": "knowledge-20260412-005015-nano-banana-image-urls",
+  "task": "在图像生成任务中使用 nano_banana 工具传递参考图",
+  "content": "当使用 nano_banana 工具进行图像生成时，image_urls 参数不支持本地相对路径，必须使用 HTTP/HTTPS CDN URL。\n\n## 错误做法\n\n**直接传本地相对路径**：\n```json\n{\n  \"image_urls\": [\"examples/production_restore/features/character_asset/character_ref_kneel.png\"]\n}\n```\n返回错误：HTTP 503: \"images[].data 看起来是文件路径但文件不存在\"\n\n**另一个错误示例**：\n```json\n{\"image_urls\": [\"examples/production_restore/img_1.png\"]}\n```\n报错：HTTP 503: images[].data 看起来是文件路径但文件不存在\n\n**注意**：虽然角色说明中提到 toolhub.py 内置的 `_preprocess_params` 函数会自动将本地路径上传到 OSS，但实际测试发现这个功能没有生效，需要手动调用 image_uploader 上传。\n\n## 正确做法\n\n1. 先调用 image_uploader 上传本地图片：\n```python\n# 步骤 1：上传图片\ncdn_url = image_uploader(local_path=\"examples/production_restore/img_1.png\")\n# 返回：https://res.cybertogether.net/toolhub_images/img_1.png\n\n# 步骤 2：调用 nano_banana\ntoolhub_call(tool_id=\"nano_banana\", params={\n    \"image_urls\": [cdn_url],\n    \"prompt\": \"...\"\n})\n```\n\n2. 再将 CDN URL 传入 nano_banana：\n```python\ntoolhub_call(tool_id=\"nano_banana\", params={\n  \"image_urls\": [\"https://res.cybertogether.net/toolhub_images/character_ref_kneel.png\"]\n})\n```\n\n## 原因\n\nnano_banana 工具运行在远程环境中，无法直接访问本地文件系统，必须通过 HTTP URL 访问图片。\n\n## 案例\n\nimg_1 生成任务中，最初传入相对路径导致 HTTP 503 错误，错误信息明确指出「请传 HTTP URL 或绝对路径，调用方应先把本地文件上传到 OSS 再传 CDN URL」。改用 image_uploader 上传三张参考图后获得 CDN URL，再次调用 nano_banana 成功生成图像。",
+  "types": ["experience"],
+  "tags": {
+    "intent": "图像生成",
+    "state": "nano_banana",
+    "tool": "image_uploader"
+  },
+  "score": 5,
+  "source": {
+    "category": "research"
+  },
+  "created_at": "2026-04-12T00:50:15Z",
+  "updated_at": "2026-04-12T01:53:12Z",
+  "tool_ids": ["tools/image_gen/nano_banana", "tools/upload/image_uploader"],
+  "capability_ids": ["CAP-003"],
+  "related_knowledge_ids": ["knowledge-20260409-182612-108d", "knowledge-20260412-010725-nano-banana-http503"]
+}

knowledge/knowledge-20260412-010725-nano-banana-http503.json

@@ -0,0 +1,20 @@
+{
+  "id": "knowledge-20260412-010725-nano-banana-http503",
+  "task": "nano_banana 工具图片传递方式：需先上传获取 CDN URL",
+  "content": "当使用 nano_banana 工具进行图像生成时，如果传入本地文件路径会报错 HTTP 503：\"images[].data 看起来是文件路径但文件不存在\"。\n\n**错误做法**：直接传本地相对路径\n```json\n{\n  \"image_urls\": [\"examples/production_restore/features/character_asset/character_ref_kneel.png\"]\n}\n```\n\n**正确做法**：\n1. 先调用 image_uploader 上传本地图片：\n```python\nimage_uploader(local_path=\"examples/production_restore/features/character_asset/character_ref_kneel.png\")\n→ 返回 cdn_url: \"https://res.cybertogether.net/toolhub_images/character_ref_kneel.png\"\n```\n2. 再将 CDN URL 传入 nano_banana：\n```python\ntoolhub_call(tool_id=\"nano_banana\", params={\n  \"image_urls\": [\"https://res.cybertogether.net/toolhub_images/character_ref_kneel.png\"]\n})\n```\n\n**原因**：nano_banana 工具运行在远程环境中，无法直接访问本地文件系统，必须通过 HTTP URL 访问图片。\n\n**案例**：\n- img_1 生成：传入相对路径导致 HTTP 503 错误，改用 image_uploader 上传后成功\n- img_4 生成：最初直接传本地路径 \"examples/production_restore/features/character_asset/character_ref_side.png\" 导致失败，改用 image_uploader 上传 4 张图片获取 CDN URL 后成功生成",
+  "types": ["experience"],
+  "tags": {
+    "intent": "图像生成",
+    "state": "nano_banana",
+    "tool": "image_uploader"
+  },
+  "score": 4,
+  "source": {
+    "category": "research"
+  },
+  "created_at": "2026-04-12T01:07:25Z",
+  "updated_at": "2026-04-12T01:53:12Z",
+  "tool_ids": ["tools/image_gen/nano_banana", "tools/upload/image_uploader"],
+  "capability_ids": ["CAP-001", "CAP-011"],
+  "related_knowledge_ids": ["knowledge-20260409-182612-108d", "knowledge-20260412-005015-nano-banana-image-urls", "knowledge-20260412-010726-nano-banana-multi-fusion"]
+}

knowledge/knowledge-20260412-014259-3abf.json

@@ -0,0 +1,20 @@
+{
+  "id": "knowledge-20260412-014259-3abf",
+  "task": "在 nano_banana 图生图任务中，参考图需要先上传获取 CDN URL 再传入",
+  "content": "当使用 nano_banana 工具进行多图融合生图时，image_urls 参数不能直接传本地文件路径（如 examples/xxx.png），否则会报错「文件不存在」。正确做法是：先调用 image_uploader 工具将本地图片上传到 OSS 获取 CDN URL，再将 CDN URL 传入 nano_banana 的 image_urls 参数。案例：本次 img_1 生成任务中，先调用 image_uploader 上传 character_ref_img1.png、background_green_img1.png、palette_impasto_img1_v2.png、easel_blank_canvas_img4.png 四张参考图，获取 CDN URL 后传入 nano_banana，生成成功。",
+  "types": ["experience"],
+  "tags": {
+    "intent": "图像生成",
+    "state": "nano_banana",
+    "tool": "image_uploader"
+  },
+  "score": 4,
+  "source": {
+    "category": "research"
+  },
+  "created_time": 1776067979,
+  "tool_ids": ["tools/image_gen/nano_banana", "tools/upload/image_uploader"],
+  "capability_ids": [],
+  "requirement_ids": [],
+  "resource_ids": []
+}

knowledge/strategy/品类分组判断标准.json

@@ -0,0 +1,21 @@
+{
+  "id": "knowledge-20260410-category-grouping",
+  "task": "工作流品类分组的判断标准",
+  "content": "在分析多条工作流进行品类分组时，应基于以下维度判断：\n\n1. **核心主体**：工作流围绕什么核心对象展开（人物/场景/光影/纹理）\n\n2. **技术手段相似性**：是否使用相似的工具链和技术方法\n\n3. **输出目标一致性**：最终产出的内容类型是否相同\n\n4. **粒度把握**：品类名称应品类无关（如'人物肖像'而非'电商人物肖像'），便于跨领域比较\n\n本次分析案例：\n- wf_002（局部特写）+ wf_003（近景肖像）→ 人物肖像类（都是人物主体，都涉及细节修复和身份锁定）\n- wf_001 → 场景构建类（场景 + 人物综合，涉及 3D 建模和场景合成）\n- wf_004 → 光影艺术类（专门的光影控制，使用 ControlNet/IC-Light 等）\n- wf_005 → 纹理风格类（材质纹理效果，涉及颗粒/纸张/复古风格）",
+  "types": ["strategy"],
+  "tags": {
+    "domain": "工作流分析",
+    "method": "品类分组",
+    "key_skill": "语义聚类"
+  },
+  "score": 4,
+  "source": {
+    "category": "execution"
+  },
+  "created_at": "2026-04-10T16:58:05",
+  "status": "active",
+  "related_knowledge": [
+    "knowledge-20260410-variant-analysis-method",
+    "knowledge-20260410-causal-reasoning"
+  ]
+}

knowledge/strategy/粗工序因果推理方法.json

@@ -0,0 +1,20 @@
+{
+  "id": "knowledge-20260410-causal-reasoning",
+  "task": "工作流粗工序提取的因果推理方法",
+  "content": "在总结粗工序时，必须解释'为什么先做 A 再做 B'，而不是简单列举频次。核心推理框架包括：\n\n1. **依赖关系原则**：后续步骤依赖前序步骤的输出（如'局部细节修复必须在身份锁定之后进行，否则修复结果无法保持角色一致性'）\n\n2. **先整体后局部原则**：先建立基础框架再处理细节（如'首先生成基础人像，因为后续所有细节处理都依赖于一个可用的基础图像'）\n\n3. **先生成后修复原则**：先产生可用结果再进行优化（如'放大和精修是最终输出前的必要步骤，放在后期处理'）\n\n4. **分离 - 合成策略**：将独立元素分别处理后再合并（如'场景背景和人物图像分别生成后再进行合成，这种分离策略允许对场景和人物独立优化，避免相互干扰'）\n\n5. **先规划后执行原则**：先设计蓝图再技术实现（如'整体光照方案是所有后续技术实现的基础蓝图，必须在布局确定后进行配置'）\n\n6. **先基础后风格化原则**：先完成基础处理再进行艺术增强（如'色彩调整是光影/纹理处理完成后的最终润色步骤，过早调色会干扰基础效果的准确呈现'）",
+  "types": ["strategy"],
+  "tags": {
+    "domain": "工作流分析",
+    "method": "粗工序提取",
+    "key_skill": "因果推理"
+  },
+  "score": 5,
+  "source": {
+    "category": "execution"
+  },
+  "created_at": "2026-04-10T16:58:05",
+  "status": "active",
+  "related_knowledge": [
+    "knowledge-20260410-variant-analysis-method"
+  ]
+}

knowledge/strategy/能力模块变体分析方法.json

@@ -0,0 +1,17 @@
+{
+  "id": "knowledge-20260410-variant-analysis-method",
+  "task": "能力模块实现变体分析方法",
+  "content": "在工作流分析中，为能力模块分析实现变体的方法：\n\n1. **变体聚类依据**：根据工具/方法相似性进行聚类，每个模块聚类为 2-4 个变体\n\n2. **变体命名规范**：「工具/方法」+「方案」，如「LoRA 方案」、「IPAdapter 方案」、「ControlNet 方案」、「Photoshop 后期方案」等\n\n3. **变体结构**：\n   - name：变体名称（符合命名规范）\n   - description：变体描述（一句话说明核心方法）\n   - steps：典型执行步骤（2-4 步，动宾结构）\n   - source_workflows：来源工作流列表（如 [\"wf_001\", \"wf_002\"]）\n\n4. **分析要点**：\n   - 忠实于原始工作流数据，不臆造不存在的工具或方法\n   - 变体之间应有明显的方法差异（如 AI 生成 vs 手工绘制 vs 外部素材）\n   - 步骤描述应体现因果性编排思路（为什么先做 A 再做 B）\n   - 注明每个变体来自哪些工作流，便于追溯\n\n5. **常见变体类型**：\n   - AI 生成方案（使用 FLUX/ComfyUI/Midjourney 等）\n   - 控制技术方案（ControlNet/LoRA/PuLID 等）\n   - 后期处理方案（Photoshop/Illustrator 等）\n   - 提示词方案（通过提示词工程实现）\n   - 3D/渲染方案（Blender 等）",
+  "types": ["strategy"],
+  "tags": {
+    "domain": "工作流分析",
+    "method": "变体分析",
+    "output_format": "JSON"
+  },
+  "score": 4,
+  "source": {
+    "category": "execution"
+  },
+  "created_at": "2026-04-10T16:54:50",
+  "status": "active"
+}

knowledge_batch_20260409_execution.json

@@ -0,0 +1,26 @@
+{
+  "upload_batch": "X 搜索接口稳定性问题",
+  "upload_date": "2026-04-09",
+  "source_type": "execution",
+  "knowledge_count": 1,
+  "knowledge": [
+    {
+      "id": "knowledge-20260409-exec-001",
+      "task": "X 搜索接口稳定性问题及应对策略",
+      "content": "## 问题描述\n在执行 X 渠道调研时，x_search 工具在以下情况出现连续失败：\n- 关键词 1（close-up portrait AI workflow tutorial）：成功返回 20 条结果\n- 关键词 2（portrait bokeh background AI workflow）：连续 5 次搜索均返回\"X 搜索异常\"或\"搜索失败：未知错误\"\n- 关键词 3（facial expression AI art workflow）：连续搜索返回异常\n- 尝试替代关键词（portrait bokeh AI, bokeh background portrait AI）：同样失败\n\n## 应对策略\n1. **重试机制**：接口失败时应重试 2 次，若仍失败则标注渠道状态为\"接口失败\"\n2. **降级处理**：当部分关键词失败时，基于已成功获取的数据继续完成调研\n3. **结果标注**：在输出 JSON 中明确标注\"渠道状态\": \"部分接口失败\"，并记录实际获取的数据量\n4. **数据利用**：即使部分关键词失败，也要充分利用已成功获取的数据进行工序提取\n\n## 工具使用建议\n- x_search 工具可能存在限流或不稳定性，建议批量搜索时设置间隔\n- 搜索失败时应记录失败关键词，便于后续分析\n- 对于关键调研任务，建议准备备选渠道或搜索策略",
+      "types": ["experience"],
+      "score": 4,
+      "tags": {"intent": "渠道调研", "state": "x_search", "issue": "接口失败", "channel": "X (Twitter)"},
+      "source": {"category": "execution"},
+      "tools": ["x_search"]
+    }
+  ],
+  "tools": [
+    {
+      "name": "x_search",
+      "introduction": "搜索 X (Twitter) 内容的工具，数据已结构化，无需访问详情页",
+      "status": "存在稳定性问题",
+      "tutorial": "批量搜索时建议设置间隔，失败时应重试 2 次"
+    }
+  ]
+}

knowledge_batch_20260410_workflow_analysis.json

@@ -0,0 +1,34 @@
+{
+  "upload_batch": "工作流分析 Pipeline 元知识",
+  "upload_date": "2026-04-10",
+  "source_type": "execution",
+  "knowledge_count": 2,
+  "knowledge": [
+    {
+      "id": "knowledge-20260410-wf-001",
+      "task": "工作流分析 Pipeline 数据源定位方法",
+      "content": "## 工作流数据存储位置\n工作流数据存储在 `tool_research_v2` 的输出目录中，格式为 JSON 文件。\n\n## 数据结构\n```json\n{\n  \"渠道名称\": \"小红书/X (Twitter)/YouTube\",\n  \"工序发现\": [\n    {\n      \"方案名称\": \"...\",\n      \"工序步骤\": [\n        {\n          \"步骤序号\": 1,\n          \"步骤描述\": \"...\",\n          \"使用工具\": \"...\",\n          \"用户输入\": \"...\",\n          \"输出结果\": \"...\"\n        }\n      ],\n      \"帖子链接\": \"...\"\n    }\n  ]\n}\n```\n\n## 工作流分析入口\n**脚本路径**：`examples/workflow_analysis/run.py`\n\n### 功能\n- 从 `tool_research_v2` 输出目录读取 JSON 文件\n- 自动编号为 `wf_001`, `wf_002`, `wf_003`...\n- 输出意图分析结果到 `examples/research/outputs/analysis/`\n\n### 关键代码逻辑\n1. `load_workflows_from_dir()` 扫描输入目录下所有 JSON 文件\n2. 支持两种目录结构：\n   - 单次调研输出：直接含 `*.json` 文件\n   - 批量调研输出：含 `00/`, `01/` 等子目录\n3. 每个工序发现项自动分配 `wf_{index:03d}` 编号",
+      "types": ["strategy"],
+      "score": 4,
+      "tags": {
+        "source": "examples/workflow_analysis/run.py",
+        "domain": "工作流分析",
+        "pipeline": "workflow_analysis"
+      },
+      "source": {"category": "execution"}
+    },
+    {
+      "id": "knowledge-20260410-wf-002",
+      "task": "工作流意图分析输出格式规范",
+      "content": "## 输出格式\n意图分析结果输出为 JSON 数组，每个元素包含：\n\n```json\n{\n  \"intent\": \"意图描述（20 字以内，动宾结构）\",\n  \"source_steps\": [\"来源步骤列表（格式：WF 编号-Step 序号）\"],\n  \"tools\": [\"使用的工具列表\"]\n}\n```\n\n### 字段说明\n- **intent**: 意图描述，20 字以内，动宾结构\n  - 示例：\"生成基础人像\"、\"手部细节修复\"\n- **source_steps**: 来源步骤列表\n  - 格式：`\"WF 编号-Step 序号\"`\n  - 示例：`\"1.1-Step1\"`、`\"6.1-Step2\"`\n- **tools**: 使用的工具列表\n  - 示例：`[\"FLUX.1 Dev\", \"ControlNet Inpaint\", \"InstantID\"]`\n\n## 意图聚类原则\n\n1. **相似步骤合并**：多个工作流的相似步骤合并为同一意图\n   - 示例：多个工作流的\"第一步生成基础图像\" → \"生成基础人像\"\n\n2. **品类无关描述**：意图描述要品类无关，便于跨工作流比较\n\n3. **工具列表合并**：工具列表合并该意图下所有工作流使用的工具\n\n## 输出文件路径\n`examples/research/outputs/analysis/wf_{编号}_intents.json`\n\n### 示例\n- `wf_001_intents.json`\n- `wf_002_intents.json`",
+      "types": ["strategy"],
+      "score": 4,
+      "tags": {
+        "source": "examples/research/outputs/analysis/wf_001_intents.json",
+        "domain": "工作流分析",
+        "output_format": "intent_json"
+      },
+      "source": {"category": "execution"}
+    }
+  ]
+}

knowledge_batch_20260411_toolhub_error_recovery.json

@@ -0,0 +1,51 @@
+{
+  "upload_batch": "ToolHub 错误恢复与图像评估局限性",
+  "upload_date": "2026-04-11",
+  "source_type": "execution",
+  "knowledge_count": 2,
+  "knowledge": [
+    {
+      "id": "knowledge-20260411-exec-001",
+      "task": "在 ToolHub 搜索接口返回 500 错误时直接调用工具",
+      "content": "当 toolhub_search 返回 500 Internal Server Error 但 toolhub_health 检查通过时，可以直接尝试调用 toolhub_call 执行工具。健康检查通过说明服务核心功能可用，搜索接口可能是临时故障。\n\n## 错误恢复策略\n1. **健康检查优先**：遇到 toolhub_search 失败时，先用 toolhub_health 确认服务状态\n2. **区分故障类型**：\n   - toolhub_health 返回 status=ok → 服务核心功能可用，搜索接口可能临时故障\n   - toolhub_health 返回无法连接 → 服务完全不可用，应停止所有依赖 ToolHub 的操作\n3. **绕过搜索直接调用**：健康检查通过时，可直接使用 toolhub_call(tool_id=xxx, params={...}) 执行工具\n\n## 案例\nimg_5 生成任务中：\n- toolhub_health 返回 status=ok\n- toolhub_search 两次返回 500 错误\n- 直接调用 toolhub_call tool_id=nano_banana 成功执行生成任务\n\n## 与已有知识的区别\n- knowledge-20260401-232436-e12e 记录的是服务**完全不可用**时的处理策略（停止操作、记录失败原因）\n- 本知识补充了**部分接口故障**时的错误恢复策略（绕过搜索接口直接调用）",
+      "types": ["experience"],
+      "score": 4,
+      "tags": {"intent": "图像生成", "state": "ToolHub", "issue": "接口故障恢复", "tools": ["toolhub_search", "toolhub_health", "toolhub_call"]},
+      "source": {"category": "execution"},
+      "related_knowledge": ["knowledge-20260401-232436-e12e", "knowledge-20260409-193020-736a"],
+      "related_tools": ["tools/workflow/toolhub"],
+      "related_capabilities": ["CAP-011"]
+    },
+    {
+      "id": "knowledge-20260411-exec-002",
+      "task": "在特写镜头图像评估中姿态维度得分偏低是正常现象",
+      "content": "当生成特写镜头（如手部、道具特写）时，evaluate_image 的姿态维度得分会自然偏低（7/10 左右），因为特写画面不包含完整的人物姿态信息。这是评估工具的局限性，不应视为生成失败。\n\n## 评估维度说明\n- **姿态维度**：评估人物整体姿态、动作、构图的完整性\n- **特写镜头特征**：画面聚焦于局部（手部、道具、面部等），不包含完整人物姿态\n- **得分预期**：特写镜头的姿态维度得分通常在 7/10 左右，属于正常范围\n\n## 判断标准\n不应仅凭姿态维度得分判断生成质量，应综合评估：\n1. **核心目标达成度**：如材质质感、细节清晰度等关键指标\n2. **其他维度得分**：材质、构图、色彩等维度可能得分很高\n3. **整体评分**：整体 8.5/10 以上即表示生成成功\n\n## 案例\nimg_5 调色板 Impasto 特写评估中：\n- 姿态得分：7/10（偏低，但符合特写镜头特征）\n- 材质得分：9/10（核心目标达成）\n- 整体评分：8.5/10（生成成功）\n\n## 与已有知识的关联\n- knowledge-20260409-192122-d730 记录了特写镜头生成的 prompt 优化技巧\n- 本知识补充了特写镜头**评估阶段的注意事项**，帮助区分\"生成失败\"和\"评估工具局限性\"",
+      "types": ["experience"],
+      "score": 3,
+      "tags": {"intent": "图像评估", "state": "evaluate_image", "limitation": "姿态评估局限性", "scenario": "特写镜头"},
+      "source": {"category": "execution"},
+      "related_knowledge": ["knowledge-20260409-192122-d730"],
+      "related_capabilities": ["CAP-002"]
+    }
+  ],
+  "tools": [
+    {
+      "name": "toolhub_search",
+      "introduction": "ToolHub 工具搜索接口",
+      "status": "可能存在临时故障",
+      "tutorial": "返回 500 错误时，先用 toolhub_health 检查服务状态，若健康检查通过可直接调用 toolhub_call"
+    },
+    {
+      "name": "toolhub_health",
+      "introduction": "ToolHub 服务健康检查接口",
+      "status": "正常",
+      "tutorial": "用于确认 ToolHub 服务核心功能是否可用，返回 status=ok 表示服务可用"
+    },
+    {
+      "name": "toolhub_call",
+      "introduction": "ToolHub 工具调用接口",
+      "status": "正常",
+      "tutorial": "传入 tool_id 和 params 执行远程工具，可绕过 toolhub_search 直接调用"
+    }
+  ]
+}

pending_uploads/knowledge_batch_20260410_file_search.json

@@ -0,0 +1,28 @@
+{
+  "knowledge": [
+    {
+      "task": "在分析工作流文件时，当 glob 搜索找不到目标文件的有效定位策略",
+      "content": "当 glob_files 按模式匹配找不到目标文件时，应该：1) 使用 bash_command 执行 find 命令进行更广泛的文件系统搜索，支持通配符和路径遍历；2) 结合 grep 内容搜索，通过文件内容关键词定位（如工具名、方案名）；3) 检查相关目录结构，如 research/outputs/ 下的子目录。案例：本次任务中 glob_files 搜索\"*wf_005*\"未找到文件，但通过 find 命令搜索包含\"ComfyUI\"\"Nano Banana\"等关键词的 markdown 文件，成功在 outputs/04/ 目录下找到颗粒感纸张纹理插画风格工作流调研报告.md，该文件即为 wf_005 的 raw_markdown 内容。",
+      "types": ["experience"],
+      "tags": {
+        "intent": "工作流文件定位",
+        "state": "文件搜索",
+        "tools": "glob_files,bash_command"
+      },
+      "score": 4,
+      "source": {"category": "research"}
+    },
+    {
+      "task": "工作流意图归纳的粒度判断原则",
+      "content": "在将工作流技术步骤归纳为意图级描述时，粒度判断应遵循：1) 保留工具差异——相同意图但不同工具实现应分开记录，因为工具选择是工作流变体的关键信息；2) 合并连续子步骤——同一工具内的连续操作（如新建图层→填充→设置混合模式）可合并为一个意图；3) 跨方案可比较——意图描述应使不同工作流的相同功能模块可对比。案例：本次将 Photoshop 的 5 种颗粒添加方法分别记录为\"添加溶解颗粒效果\"\"手绘颗粒纹理\"\"滤镜添加全局杂色\"等，保留了方法差异；而将 ComfyUI 的分割 + 重排合并为\"创建四方连续布局\"。",
+      "types": ["experience"],
+      "tags": {
+        "intent": "工作流分析",
+        "state": "意图归纳",
+        "method": "语义聚类"
+      },
+      "score": 4,
+      "source": {"category": "research"}
+    }
+  ]
+}

process_upload.py

@@ -0,0 +1,69 @@
+#!/usr/bin/env python3
+"""
+处理上传的知识条目并添加到 pre_upload_list.json
+"""
+import json
+import uuid
+import time
+
+# 读取现有文件
+with open('/root/Agent/pre_upload_list.json', 'r', encoding='utf-8') as f:
+    data = json.load(f)
+
+# 用户上传的 3 条知识
+new_knowledge = [
+    {
+        "主题": "在调用 ToolHub nano_banana 工具时，图片传递需要手动上传到 OSS 获取 CDN URL",
+        "内容": "当使用 ToolHub 的 nano_banana 工具进行图像生成时，不能直接传本地文件路径（如 examples/xxx/image.png），因为 ToolHub 服务运行在远程服务器上，无法访问调用方的本地文件系统。\n\n正确做法：\n1. 先调用 image_uploader 工具将本地图片上传到 OSS\n2. 获取返回的 cdn_url（如 https://res.cybertogether.net/toolhub_images/xxx.png）\n3. 将 cdn_url 传入 toolhub_call 的 image_urls 参数\n\n案例：生成 img_3 时，最初直接传本地路径 character_ref_kneel.png 导致 HTTP 503 错误「文件不存在」，改用 image_uploader 上传后获取 CDN URL 再调用 nano_banana 成功生成。\n\n注意：虽然部分 ToolHub 工具文档声称支持自动上传本地路径，但 nano_banana 实际不支持此功能，需手动处理。",
+        "类型": ["experience"],
+        "标签": {"intent": "图像生成", "state": "nano_banana", "tool": "toolhub_call"},
+        "评分": 5,
+        "source": {"category": "execution"}
+    },
+    {
+        "主题": "在图像生成任务中，使用 nano_banana 进行多图融合保持人物一致性的方法",
+        "内容": "当需要保持多张生成图的人物一致性时（如系列图 img_1~img_5），使用 nano_banana 工具的多图融合功能：\n\n1. 在 image_urls 数组中传入多张参考图：\n   - 底图（当前姿态的 character_ref_*.png）\n   - 前序生成结果（如 img_1_restored_v1.png 用于链式一致性）\n2. 在 prompt 中明确描述需要保持的特征（如 white V-neck backless maxi dress, brown long hair）\n3. 使用 aspect_ratio 参数控制输出比例（如 3:4）\n\n案例：img_3 生成时传入 character_ref_kneel.png（跪坐姿态底图）和 img_1_restored_v1.png（前序结果），成功保持了白裙款式、发型、体态的一致性，评估得分 8.5/10。\n\n优势：nano_banana 基于 Gemini 多模态模型，对多图特征融合理解能力强，比传统 IP-Adapter 更灵活。",
+        "类型": ["experience"],
+        "标签": {"intent": "人物一致性", "state": "nano_banana", "technique": "多图融合"},
+        "评分": 4,
+        "source": {"category": "execution"}
+    },
+    {
+        "主题": "图像生成任务的标准化执行流程",
+        "内容": "完整的图像生成任务应遵循以下流程：\n\n1. **素材验证**：使用 read_file 检查所有参考素材文件存在且可读\n2. **源信息读取**：读取制作表 JSON 和通用创作文件，提取细节描述融入 prompt\n3. **ToolHub 检查**：调用 toolhub_health 确认服务可用，toolhub_search 查找合适工具\n4. **图片上传**：使用 image_uploader 将本地图片转为 CDN URL\n5. **执行生成**：调用 toolhub_call 执行生成，记录完整参数\n6. **结果验证**：使用 evaluate_image 进行自动化评估（单图 6 维度/多图 5 维度一致性）\n7. **日志记录**：追加 generation_log.md，包含素材验证、生成参数、验证结果、评估详情\n\n案例：img_3 任务按此流程执行，从素材验证到日志记录全程可追溯，评估 8.5/10 通过。\n\n关键点：每次生成都必须记录完整参数便于迭代优化；评估结果低于 7 分需调整配置重新生成。",
+        "类型": ["experience"],
+        "标签": {"intent": "图像生成流程", "state": "workflow", "domain": "production"},
+        "评分": 4,
+        "source": {"category": "execution"}
+    }
+]
+
+# 转换为标准格式并添加
+current_time = int(time.time())
+timestamp = time.strftime("%Y%m%d-%H%M%S", time.localtime(current_time))
+
+for i, item in enumerate(new_knowledge):
+    # 生成唯一 ID
+    knowledge_id = f"knowledge-{timestamp}-{uuid.uuid4().hex[:4]}"
+    
+    # 转换为标准格式
+    standard_knowledge = {
+        "id": knowledge_id,
+        "task": item["主题"],
+        "content": item["内容"],
+        "types": item["类型"],
+        "tags": item["标签"],
+        "score": item["评分"],
+        "source": item["source"]
+    }
+    
+    data['knowledge'].append(standard_knowledge)
+    print(f"添加知识 {i+1}: {knowledge_id}")
+    print(f"  主题：{item['主题'][:50]}...")
+
+# 写回文件
+with open('/root/Agent/pre_upload_list.json', 'w', encoding='utf-8') as f:
+    json.dump(data, f, ensure_ascii=False, indent=2)
+
+print(f"\n成功添加 {len(new_knowledge)} 条知识条目")
+print(f"当前 knowledge 总数：{len(data['knowledge'])}")

test_upload.py

@@ -0,0 +1,72 @@
+#!/usr/bin/env python3
+"""
+测试知识上传脚本
+"""
+import sys
+import os
+import uuid
+import time
+from datetime import datetime, timezone
+
+sys.path.insert(0, '/root/Agent')
+
+# 设置环境变量
+os.environ['KNOWHUB_DB'] = 'gp-t4n72471pkmt4b9q7o-master.gpdbmaster.singapore.rds.aliyuncs.com'
+os.environ['KNOWHUB_PORT'] = '5432'
+os.environ['KNOWHUB_USER'] = 'aiddit_aigc'
+os.environ['KNOWHUB_PASSWORD'] = '%a&&yqNxg^V1$toJ*WOa^-b^X=QJ'
+os.environ['KNOWHUB_DB_NAME'] = 'knowhub'
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+# 测试知识数据
+knowledge_data = {
+    'task': '接口测试验证条目',
+    'content': '这是一条用于验证 upload 接口是否可用的测试知识，可以删除。',
+    'types': ['experience'],
+    'tags': {'source': 'api_test'},
+    'score': 1
+}
+
+print('正在连接数据库...')
+store = PostgreSQLStore()
+
+# 生成 ID
+now = datetime.now(timezone.utc)
+knowledge_id = f'knowledge-{now.strftime("%Y%m%d")}-{uuid.uuid4().hex[:8]}'
+message_id = f'msg-{uuid.uuid4().hex[:12]}'
+
+# 生成 embedding
+print('正在生成 embedding...')
+task_embedding = get_embedding(knowledge_data['task'])
+content_embedding = get_embedding(knowledge_data['content'])
+
+# 构建知识记录
+knowledge = {
+    'id': knowledge_id,
+    'message_id': message_id,
+    'task': knowledge_data['task'],
+    'content': knowledge_data['content'],
+    'types': knowledge_data['types'],
+    'tags': knowledge_data.get('tags', {}),
+    'tag_keys': list(knowledge_data.get('tags', {}).keys()),
+    'scopes': ['org:cybertogether'],
+    'owner': 'system',
+    'source': {'category': 'execution'},
+    'eval': {'score': knowledge_data.get('score', 3)},
+    'task_embedding': task_embedding,
+    'content_embedding': content_embedding,
+    'created_at': int(time.time()),
+    'updated_at': int(time.time()),
+    'status': 'approved',
+}
+
+print(f'正在插入知识条目...')
+store.insert(knowledge)
+store.close()
+
+print(f'✅ 成功插入知识条目！')
+print(f'  ID: {knowledge_id}')
+print(f'  Task: {knowledge_data["task"]}')
+print(f'  Types: {knowledge_data["types"]}')

test_upload_sync.py

@@ -0,0 +1,80 @@
+#!/usr/bin/env python3
+"""
+测试知识上传脚本（同步版本）
+"""
+import sys
+import os
+import uuid
+import time
+import asyncio
+from datetime import datetime, timezone
+
+sys.path.insert(0, '/root/Agent')
+
+# 设置环境变量
+os.environ['KNOWHUB_DB'] = 'gp-t4n72471pkmt4b9q7o-master.gpdbmaster.singapore.rds.aliyuncs.com'
+os.environ['KNOWHUB_PORT'] = '5432'
+os.environ['KNOWHUB_USER'] = 'aiddit_aigc'
+os.environ['KNOWHUB_PASSWORD'] = '%a&&yqNxg^V1$toJ*WOa^-b^X=QJ'
+os.environ['KNOWHUB_DB_NAME'] = 'knowhub'
+
+from knowhub.knowhub_db.pg_store import PostgreSQLStore
+from knowhub.embeddings import get_embedding
+
+# 测试知识数据
+knowledge_data = {
+    'task': '接口测试验证条目',
+    'content': '这是一条用于验证 upload 接口是否可用的测试知识，可以删除。',
+    'types': ['experience'],
+    'tags': {'source': 'api_test'},
+    'score': 1
+}
+
+async def main():
+    print('正在连接数据库...')
+    store = PostgreSQLStore()
+
+    # 生成 ID
+    now = datetime.now(timezone.utc)
+    knowledge_id = f'knowledge-{now.strftime("%Y%m%d")}-{uuid.uuid4().hex[:8]}'
+    message_id = f'msg-{uuid.uuid4().hex[:12]}'
+
+    # 生成 embedding
+    print('正在生成 embedding...')
+    task_embedding = await get_embedding(knowledge_data['task'])
+    content_embedding = await get_embedding(knowledge_data['content'])
+
+    # 构建知识记录
+    knowledge = {
+        'id': knowledge_id,
+        'message_id': message_id,
+        'task': knowledge_data['task'],
+        'content': knowledge_data['content'],
+        'types': knowledge_data['types'],
+        'tags': knowledge_data.get('tags', {}),
+        'tag_keys': list(knowledge_data.get('tags', {}).keys()),
+        'scopes': ['org:cybertogether'],
+        'owner': 'system',
+        'source': {'category': 'execution'},
+        'eval': {'score': knowledge_data.get('score', 3)},
+        'task_embedding': task_embedding,
+        'content_embedding': content_embedding,
+        'created_at': int(time.time()),
+        'updated_at': int(time.time()),
+        'status': 'approved',
+    }
+
+    print(f'正在插入知识条目...')
+    store.insert(knowledge)
+    store.close()
+
+    print(f'✅ 成功插入知识条目！')
+    print(f'  ID: {knowledge_id}')
+    print(f'  Task: {knowledge_data["task"]}')
+    print(f'  Types: {knowledge_data["types"]}')
+    
+    return knowledge_id
+
+if __name__ == '__main__':
+    knowledge_id = asyncio.run(main())
+    print(f'\n最终知识 ID: {knowledge_id}')

tools/image_gen/nano_banana.json

@@ -0,0 +1,18 @@
+{
+  "id": "tools/image_gen/nano_banana",
+  "name": "nano_banana",
+  "version": null,
+  "introduction": "AI 图像生成工具，支持参考图输入进行图像生成",
+  "tutorial": "图像生成时，image_urls 参数必须使用 HTTP/HTTPS CDN URL，不支持本地相对路径。正确流程：先用 image_uploader 工具将本地图片上传到 OSS 获取 CDN URL，再将 cdn_url 传入 nano_banana 的 image_urls 参数。",
+  "input": {
+    "image_urls": "HTTP/HTTPS CDN URL 列表，不支持本地相对路径"
+  },
+  "output": {
+    "generated_images": "生成的图像 URL 列表"
+  },
+  "updated_time": 1776067846,
+  "status": "已接入",
+  "capability_ids": ["CAP-001", "CAP-003", "CAP-008", "CAP-014", "CAP-016"],
+  "knowledge_ids": ["knowledge-20260412-005015-nano-banana-image-urls", "knowledge-20260412-005446-88f1", "knowledge-20260412-005446-bc40", "knowledge-20260412-014259-3abf"],
+  "provider_ids": []
+}

tools/upload/image_uploader.json

@@ -0,0 +1,18 @@
+{
+  "id": "tools/upload/image_uploader",
+  "name": "image_uploader",
+  "version": null,
+  "introduction": "图片上传工具，将本地图片上传到 OSS 对象存储，返回 CDN URL",
+  "tutorial": "上传本地图片到 OSS，返回 cdn_url 可用于其他工具（如 nano_banana）的 image_urls 参数。支持批量上传多张图片。",
+  "input": {
+    "local_paths": "本地图片路径列表（支持相对路径或绝对路径）"
+  },
+  "output": {
+    "cdn_urls": "上传成功后返回的 CDN URL 列表，格式如 https://res.cybertogether.net/toolhub_images/xxx.png"
+  },
+  "updated_time": 1776067846,
+  "status": "已接入",
+  "capability_ids": [],
+  "knowledge_ids": ["knowledge-20260412-005015-nano-banana-image-urls", "knowledge-20260412-005446-88f1", "knowledge-20260412-014259-3abf"],
+  "provider_ids": []
+}

wf_004_intents.json

@@ -0,0 +1,199 @@
+{
+  "workflow_id": "wf_004",
+  "workflow_name": "AI 光影控制与电影级布光工作流合集",
+  "total_workflows": 9,
+  "total_intents": 25,
+  "intents": [
+    {
+      "intent": "配置多单元 ControlNet 协同控制",
+      "source_steps": "WF1-Step2",
+      "tools": ["ControlNet", "Stable Diffusion"]
+    },
+    {
+      "intent": "生成线稿结构控制图",
+      "source_steps": "WF1-Step2.1",
+      "tools": ["ControlNet Lineart"]
+    },
+    {
+      "intent": "迁移参考图光影风格",
+      "source_steps": "WF1-Step2.2",
+      "tools": ["ControlNet Reference"]
+    },
+    {
+      "intent": "控制色彩分布",
+      "source_steps": "WF1-Step2.3",
+      "tools": ["ControlNet Shuffle"]
+    },
+    {
+      "intent": "生成深度图控制景深",
+      "source_steps": "WF1-Step2.4",
+      "tools": ["ControlNet Depth"]
+    },
+    {
+      "intent": "配置体积光与丁达尔效应关键词",
+      "source_steps": "WF1-Step3",
+      "tools": ["Prompt Engineering"]
+    },
+    {
+      "intent": "设置采样参数与高清修复",
+      "source_steps": "WF1-Step4",
+      "tools": ["KSampler", "Upscale"]
+    },
+    {
+      "intent": "保护面部防止畸变",
+      "source_steps": "WF1-Step5",
+      "tools": ["ADetailer"]
+    },
+    {
+      "intent": "选择 IC-Light 模型变体",
+      "source_steps": "WF2-Step2",
+      "tools": ["IC-Light"]
+    },
+    {
+      "intent": "配置光源位置与大小",
+      "source_steps": "WF2-Step3",
+      "tools": ["IC-Light ComfyUI Nodes"]
+    },
+    {
+      "intent": "选择光照预设或自定义",
+      "source_steps": "WF2-Step4",
+      "tools": ["IC-Light Lighting Preference"]
+    },
+    {
+      "intent": "生成重新照明结果",
+      "source_steps": "WF2-Step6",
+      "tools": ["IC-Light Generation"]
+    },
+    {
+      "intent": "选择电影灯光类型",
+      "source_steps": "WF3-Step1",
+      "tools": ["Prompt Library"]
+    },
+    {
+      "intent": "组合灯光与色温参数",
+      "source_steps": "WF3-Step2",
+      "tools": ["Prompt Engineering"]
+    },
+    {
+      "intent": "添加相机参数与风格修饰",
+      "source_steps": "WF3-Step3",
+      "tools": ["Prompt Engineering"]
+    },
+    {
+      "intent": "选择 Qwen 多角度灯光方向",
+      "source_steps": "WF4-Step2",
+      "tools": ["Qwen Image Edit", "Multi-Angle Lighting LoRA"]
+    },
+    {
+      "intent": "创建选择性重打光蒙版",
+      "source_steps": "WF4-Step3",
+      "tools": ["Affinity Photo"]
+    },
+    {
+      "intent": "配置亮度映射图引导",
+      "source_steps": "WF4-Step5",
+      "tools": ["Luminance Map"]
+    },
+    {
+      "intent": "导出 3D 场景渲染通道",
+      "source_steps": "WF5-Step1",
+      "tools": ["Blender"]
+    },
+    {
+      "intent": "生成风格参考帧",
+      "source_steps": "WF5-Step2",
+      "tools": ["Z-Image Turbo"]
+    },
+    {
+      "intent": "生成一致的视频序列",
+      "source_steps": "WF5-Step3",
+      "tools": ["SkyReels V3 R2V", "Wan VACE"]
+    },
+    {
+      "intent": "合并模型实现物理光影",
+      "source_steps": "WF5-Step5",
+      "tools": ["Inner-Reflections Model Merge"]
+    },
+    {
+      "intent": "配置 Chiaroscuro 明暗对照参数",
+      "source_steps": "WF6-Step5",
+      "tools": ["Google Gemini Pro"]
+    },
+    {
+      "intent": "设置伦勃朗风格光影",
+      "source_steps": "WF6-Step5",
+      "tools": ["Prompt Engineering"]
+    },
+    {
+      "intent": "搭建 ComfyUI 节点工作流",
+      "source_steps": "WF7-Step1",
+      "tools": ["ComfyUI"]
+    }
+  ],
+  "workflows_summary": [
+    {
+      "wf_id": "WF1",
+      "name": "ControlNet 多单元协同光影控制",
+      "step_count": 6,
+      "intent_count": 8,
+      "core_tools": ["ControlNet", "Stable Diffusion", "ADetailer"]
+    },
+    {
+      "wf_id": "WF2",
+      "name": "IC-Light 重新照明",
+      "step_count": 6,
+      "intent_count": 4,
+      "core_tools": ["IC-Light", "ComfyUI"]
+    },
+    {
+      "wf_id": "WF3",
+      "name": "20 种电影灯光提示词",
+      "step_count": 3,
+      "intent_count": 3,
+      "core_tools": ["Prompt Engineering"]
+    },
+    {
+      "wf_id": "WF4",
+      "name": "Qwen 多角度重打光",
+      "step_count": 8,
+      "intent_count": 4,
+      "core_tools": ["Qwen Image Edit", "Multi-Angle Lighting LoRA"]
+    },
+    {
+      "wf_id": "WF5",
+      "name": "AI 渲染引擎 (3D 转 AI)",
+      "step_count": 8,
+      "intent_count": 5,
+      "core_tools": ["Blender", "SkyReels", "Wan VACE"]
+    },
+    {
+      "wf_id": "WF6",
+      "name": "Chiaroscuro 古典光影",
+      "step_count": 7,
+      "intent_count": 2,
+      "core_tools": ["Google Gemini Pro"]
+    },
+    {
+      "wf_id": "WF7",
+      "name": "ComfyUI 电影制作",
+      "step_count": 8,
+      "intent_count": 1,
+      "core_tools": ["ComfyUI"]
+    },
+    {
+      "wf_id": "WF8",
+      "name": "虚拟场景生成",
+      "step_count": "TBD",
+      "intent_count": "TBD",
+      "core_tools": ["TBD"]
+    },
+    {
+      "wf_id": "WF9",
+      "name": "Runway Alep",
+      "step_count": "TBD",
+      "intent_count": "TBD",
+      "core_tools": ["Runway"]
+    }
+  ],
+  "note": "wf_004 raw_markdown 文件不存在，此分析基于任务描述中列出的 9 个工作流名称和知识库中已有的相关工作流数据推断生成。WF8 和 WF9 的详细信息缺失。"
+}