01痛点：一份维护方案 = 3 天重复劳动
规划「动态维护」要反复做同一套流程：读 GDB 数据 → 校验 → 算 26 项指标 → 出两张附表 → 写 Word 报告。流程固定，但每次都要人做——这正是 AI 该接管的事。
02判断：全交给 Agent 不行，全写成死代码也不行
已验证的 SOP 要确定性可审计（图执行，一步不乱）；探索性需求要灵活性（Agent 自主编排）。所以核心设计是：让两条路共存，且软技能跑通后会沉淀为硬技能。
PROJECT 02 — 产品设计 + 独立开发 · 生产运行中
说一句话，让 AI 完成原来 3 天的规划维护作业——Agent 与确定性流程共存的业务自动化实践。
规划「动态维护」要反复做同一套流程：读 GDB 数据 → 校验 → 算 26 项指标 → 出两张附表 → 写 Word 报告。流程固定，但每次都要人做——这正是 AI 该接管的事。
已验证的 SOP 要确定性可审计（图执行，一步不乱）；探索性需求要灵活性（Agent 自主编排）。所以核心设计是：让两条路共存，且软技能跑通后会沉淀为硬技能。
前端 Vue3 三栏交互（聊天 SSE · 工作空间 · 动态表单） │ 接口层 FastAPI · 7 组路由 · SSE 流式（校验 / 指标 / 报告全程可视） │ 编排层 顶层 LangGraph 图 · 智能路由决定走哪条路 ├─ 硬技能子图：StateGraph 确定性执行（步骤 = 节点，checkpoint = 条件边，失败自动降级 Agent） └─ Agent 子图：create_agent 自主编排工具（checkpointer 记忆 · 按项目会话隔离） │ 服务层 工具自动注册（__init_subclass__，新增工具零改动）· 技能沉淀（序列挖掘 → 候选 → 人工升级）· 记忆与同步 │ 数据层 10+ 个 GIS 工具（arcpy 执行）· config.yaml 技能定义 · 双 SQLite（状态主存储 / 查询库）
已验证 SOP 走 LangGraph StateGraph 保证可审计；探索性流程交给 create_agent 保灵活。失败条件边让硬技能出错时自动降级给 Agent 兜底。
从操作历史里挖掘频繁成功序列 → 生成候选技能 → 人工确认升级为硬技能——软技能多次跑通后自动固化，系统的确定性覆盖面随使用扩大。
__init_subclass__ 钩子自动注册 + Pydantic 动态生成参数 Schema——放一个 .py 文件进目录，Agent 与技能体系立刻可用，注册表是唯一真相源。
凭证(.env) / 运行参数(config.yaml) / 业务模板(templates) 三层分离；业务模板带 pytest schema 校验，业务侧改参数出错立刻暴露。
报告生成从 人工 3 天压缩到 1 小时内；异步化改造让单次任务从 5 分钟降到 30 秒（10 倍）。维护方案产出附表 + Word 报告一键交付，10+ 业务人员日常使用。
经历一轮完整的外部代码审查驱动的工程化整改：16 项缺陷逐一修复（异步 Checkpointer / 流式透传 / 操作记录幂等），沉淀出「改工具执行层必须同时验证技能路径与 Agent 路径」这类可复用的工程经验。