feat(agent): form pipeline + collection prompt workflow@20261021

- merge main: workflow/20261021 (collection prompt adds step-5 mandatory
  time readback-confirm before routing; non-motor/0003 branch rework;
  accident_cause unified schema), updated eval suites (photo_skip/
  button_guidance rewritten, no_false trimmed to asr, new
  non_motor_vehicle + time_confirmation with form/reply assertions),
  runner gains form/formMatches/replyMatches expectations
- prompts/collection.md regenerated from 20261021; extraction prompt
  archived (contentExtract description, 6-key whitelist)
- collect: extraction call per turn (extraction.md + current time/form
  injected), merge follows 更新表单 semantics (meaningful values only,
  number/string equality, diff -> turn_patch); accident_fields now uses
  external form keys
- backend: form_update flows to ChatResult and SSE formUpdate event
  (stream emits prefix, FormUpdate, body)
- fields: FORM_FIELDS whitelist with strict type validation
- verified: 155 unit tests; golden evals on real model - photo_skip 4/4,
  no_false 2/2, photo_button_guidance 12/12, non_motor_vehicle 14/14,
  collection_skip 10/12, time_confirmation 1/2; remaining 3 failures are
  model sequence/literal-template adherence, recorded in plan appendix

docs/langgraph-backend-migration-plan.md

@@ -367,7 +367,7 @@ docs/langgraph/
 | 2. 接入 API | ✅ 完成 | `AGENT_BACKEND=langgraph` 启动验证；`test_langgraph_backend.py` |
 | 3. 领域状态与事件 | ✅ 完成 | 事件解析 14 例、白名单校验 24 例；`LEGAL_TRANSITIONS` 17 条均带 `source_ref` |
 | 4. 采集 + LLM | ✅ 完成 | 真实模型 `collection_skip_known_info` 12/12；单测含逐字比对 |
-| 5. 拍照与核实 | ◐ 代码完成，评测有差异 | 单测全过；真实模型评测差异见下 |
+| 5. 拍照与核实 | ✅ 完成 | 真实模型 4/4 + 12/12 + 2/2（20261021 基准） |
 | 6—10 | 未开始 | — |
 
 全量单元测试 143 通过；七份提示词与 20261020 工作流逐字比对由参数化测试锁定。
@@ -384,17 +384,20 @@ docs/langgraph/
 
 | 黄金案例 | 结果 | 说明 |
 |---|---|---|
-| `collection_skip_known_info` | 12/12 | 采集主流程与“跳过已知项”完全对齐 |
+| `collection_skip_known_info` | 10/12 | 2 例：时间确认后漏问数量直接分流（模型顺序执行差异） |
-| `photo_skip_plate_confirm` | 0/4 | 全部卡在同一步 |
+| `photo_skip_plate_confirm` | 4/4 | 20261021 步骤5（时间复述确认）修复了原“对”分歧 |
-| `no_false` | 2/8 | 2 个 ASR 案例通过 |
+| `no_false`（asr，main 已移除旧 6 例） | 2/2 | — |
+| `photo_button_guidance` | 12/12 | — |
+| `non_motor_vehicle`（新增） | 14/14 | 依赖 formUpdate 管线（提取节点 + 更新表单差量语义） |
+| `time_confirmation`（新增） | 1/2 | 1 例：模型话术“我记录的事故时间是”不匹配字面模板 |
 
 **统一失败模式**：开放问题（“您现在还在事故现场吗？”）未获明确回答时，用户输入短促词（“对”），评测期望保持 1002 澄清，模型直接分流 2000/2010。移植侧已排除提示词、历史、变量、温度（0 与缺省均试过）差异；模型名与 FastGPT 应用一致（deepseek-v4.1-flash）。
 
-### 开放问题（对账前按提交规则留档，不叠代码守卫）
+### 开放问题（20261021 合并后更新）
 
-1. **FastGPT 应用层配置差异**：应用级系统提示词、思考模式开关不随工作流 JSON 导出，可能是分流行为差异来源。行动：请负责人在 FastGPT 应用设置中核对并导出；或在本机起 FastGPT（`ANALYSIS_SERVICE_URL` 指向 127.0.0.1:3030）直接跑评测对照。
+1. **已解决**：原“对”分流分歧——main 的 20261021 提示词新增步骤5（事故时间必须复述并经用户确认，未确认不得分流），`photo_skip_plate_confirm` 4/4、`no_false`（asr）2/2 通过；旧 `no_false` 6 例与 2004 分歧随案例更新一并关闭。2004 按“车牌确认、双走向合法”实现并保留在白名单。
-2. **评测案例与工作流导出的分歧**：`no_false` 单车案例期望 2003→2004，而 20261020 导出提示词写 2003→2005（`photo_skip_plate_confirm` 注释亦写“不经过 2004”）。已按“2004=车牌确认、双走向合法”实现，权威口径待确认。
+2. **模型顺序执行差异（3 例）**：`single_no_inferred_count`（2 例）时间确认后漏问数量直接分流；`time_confirmation`（1 例）话术字面偏离模板（“我记录的事故时间是”vs“我记录的时间是”）。均为模型对提示词顺序/字面模板的服从度问题，移植侧无差异可查；按规则 4 留档，必要时由评测负责人确认是否按行为语义（而非字面）断言或重录。
-3. **“对”的判定语义**：评测期望模型区分“对=开放问题的模糊回答（澄清）”与“信息已齐无待定问题（分流）”。当前模型不区分。若应用层配置排除后仍不通过，按规则 4 记录差异及采用依据，或由评测负责人重新录制该步骤预期。
+3. **待落实**：FastGPT 应用层配置（应用级系统提示词/思考开关）仍建议对账一次，作为作业 10 等价性证据的一部分。
 
 ### 代码地图（截至作业 5）
 

src/agent/collect.py

@@ -20,12 +20,11 @@ import json
 import re
 
 from .fields import (
-    FieldCandidate,
+    FORM_FIELDS,
-    FieldStatus,
+    validate_form_update,
-    validate_candidate,
 )
 from .llm import LLMService
-from .prompts import COLLECTION, render_prompt
+from .prompts import COLLECTION, EXTRACTION, render_prompt
 from .state import AgentState
 from .transitions import COLLECT_STAGE, is_legal_transition
 
@@ -131,37 +130,76 @@ def _build_user_message(state: AgentState) -> str:
 
 
 
-def _extract_candidates(state: AgentState, body: str) -> list[FieldCandidate]:
+# 采集阶段表单状态使用工作流的外部表单键（has_injury 等，见 fields.FORM_FIELDS）；
-    """从模型正文中提取字段候选（计划作业 4-4）。
+# 内部键（ywrysw 等）属于 get_info 分组，作业 6 再建立映射。
 
-    参考版返回空列表：字段提取依赖模型的结构化输出，留给真实
+# 提取调用的系统提示标记（不以 <state> 开头，不会被误当对话回复解析）
-    LLM 接入后实现（同一回复内 JSON 解析优先；确需独立提取调用时，
+_EXTRACTION_MARKER = "【字段提取】"
-    记录原因/调用次数/延迟）。validate_candidate 的字段级校验
+
-    已由单元测试覆盖，此处先接通数据流。
+
+async def _extract_turn_fields(state: AgentState, llm: LLMService) -> dict:
+    """独立提取调用（计划作业 4-4：调用计数可审计——每轮在对话调用之外多一次）。
+
+    提示词为工作流「文本内容提取事故信息」原文（含当前时间与当前表单
+    注入），模型只输出 JSON；校验见 fields.validate_form_update。
+    提取失败不阻塞对话（返回 {}）。
     """
-    return []
+    system = (
+        _EXTRACTION_MARKER
+        + "\n按下列系统提示词执行提取，只输出 JSON 对象，不输出解释。\n\n"
+        + render_prompt(EXTRACTION, state)
+    )
+    try:
+        raw = await llm.complete(
+            system,
+            state.get("input_text", ""),
+            history=conversation_history(state),
+        )
+        data = json.loads(raw.strip())
+    except Exception:
+        return {}
+    if not isinstance(data, dict):
+        return {}
+    return validate_form_update(data)
 
 
-def _apply_candidates(
+def _has_meaningful_value(value) -> bool:
-    state: AgentState, candidates: list[FieldCandidate]
+    """对应「更新表单」的 hasMeaningfulValue：None/空串无效（0 有效）。"""
-) -> tuple[dict, dict, dict]:
+    return value is not None and value != ""
-    """把校验通过的候选写入正式字段。
 
-    返回 (accident_fields, confirm_status, turn_patch)。
+
-    只有 CONFIRMED 的候选才写入正式字段并进入本轮差量；
+def _is_same_value(old, new) -> bool:
-    CANDIDATE/UNKNOWN 只更新 confirm_status，供后续核实节点消费
+    """对应「更新表单」的 isSameValue：数字与数字字符串视为相等。"""
-    （计划作业 4-5 的三态语义）。
+    if old == new:
+        return True
+    if old is None or new is None:
+        return False
+    if old == "" or new == "":
+        return False
+    try:
+        return float(old) == float(new)
+    except (TypeError, ValueError):
+        return str(old).strip() == str(new).strip()
+
+
+def _merge_form(state: AgentState, update: dict) -> tuple[dict, dict]:
+    """按「更新表单」语义合并：白名单内、有效、有变化的字段进入差量。
+
+    返回 (合并后的完整表单, 本轮差量 turn_patch)。
     """
-    accident_fields = dict(state.get("accident_fields") or {})
+    form = dict(state.get("accident_fields") or {})
-    confirm_status = dict(state.get("confirm_status") or {})
     patch: dict = {}
-    for cand in candidates:
+    for key in FORM_FIELDS:
-        validated = validate_candidate(cand)
+        if key not in update:
-        confirm_status[validated.key] = validated.status
+            continue
-        if validated.status is FieldStatus.CONFIRMED:
+        value = update[key]
-            accident_fields[validated.key] = validated.value
+        if not _has_meaningful_value(value):
-            patch[validated.key] = validated.value
+            continue
-    return accident_fields, confirm_status, patch
+        if _is_same_value(form.get(key), value):
+            continue
+        form[key] = value
+        patch[key] = value
+    return form, patch
 
 
 def _bookkeeping(state: AgentState) -> tuple[int, int]:
@@ -199,10 +237,9 @@ async def run_collect(state: AgentState, llm: LLMService) -> dict:
     )
 
 
-    # 4) 字段候选提取与三态落库（提取本身见 _extract_candidates）
+    # 4) 字段提取与表单差量（提取调用在对话调用之外，见 _extract_turn_fields）
-    accident_fields, confirm_status, patch = _apply_candidates(
+    extracted = await _extract_turn_fields(state, llm)
-        state, _extract_candidates(state, raw)
+    accident_fields, patch = _merge_form(state, extracted)
-    )
     no_reply_count, clarify_count = _bookkeeping(state)
 
     # 5) 状态增量：response_text 保留完整前缀文本，API 层负责解析；
@@ -218,7 +255,6 @@ async def run_collect(state: AgentState, llm: LLMService) -> dict:
         "stage_code": stage,
         "raw_status_code": stage,
         "accident_fields": accident_fields,
-        "confirm_status": confirm_status,
         "turn_patch": patch,
         "dialogue": dialogue,
     }

src/agent/fields.py

@@ -16,7 +16,7 @@ from .clock import Clock, SystemClock, validate_accident_time
 
 ACCIDENT_FIELD_KEYS = (
     "ywrysw", "ywfjdc", "ywmtc", "bjrjs",
-    "sgfssj", "sfsgxc", "jdcsl", "sgyy",
+    "sgfssj", "sfsgxc", "jdcsl", "sgyy", "accident_cause",
 )
 PERSON1_FIELD_KEYS = (
     "xm1", "hpzl1", "hphm1", "sfzmhm1", "sfzmwh1", "sjhm1", "sjwh1", "csbw1",
@@ -28,6 +28,35 @@ KNOWN_FIELD_KEYS = frozenset(
     ACCIDENT_FIELD_KEYS + PERSON1_FIELD_KEYS + PERSON2_FIELD_KEYS
 )
 
+# 事故表单字段（来源：workflow@20261021「文本内容提取事故信息」白名单 +
+# 「更新表单」code 节点的差量合并语义）
+FORM_FIELDS: dict[str, type] = {
+    "has_injury": bool,
+    "has_non_motor_vehicle_hit": bool,
+    "is_on_scene": bool,
+    "vehicle_count": int,
+    "accident_time": str,
+    "accident_cause": str,
+}
+
+
+def validate_form_update(data: dict) -> dict:
+    """按白名单与类型校验提取输出；非法键/类型丢弃（对应更新表单的忽略语义）。"""
+    validated = {}
+    for key, value in (data or {}).items():
+        spec = FORM_FIELDS.get(key)
+        if spec is None:
+            continue
+        if spec is bool and not isinstance(value, bool):
+            continue  # 布尔字段严格 bool，不接受 0/1/字符串
+        if spec is int and (isinstance(value, bool) or not isinstance(value, int)):
+            continue
+        if spec is str and not isinstance(value, str):
+            continue
+        validated[key] = value
+    return validated
+
+
 TIME_FIELDS = frozenset({"sgfssj"})  # 事故发生时间：需时间校验
 
 # 布尔语义字段：明确肯定/否定之外（模糊、ASR 破碎）不得猜测。

src/agent/prompts/__init__.py

@@ -5,7 +5,9 @@
 不得在节点代码里内联提示词字符串。
 """
 
+from collections.abc import Callable
 from datetime import datetime
+import json
 from pathlib import Path
 import re
 from zoneinfo import ZoneInfo
@@ -23,6 +25,9 @@ DUAL_CONFIRM = "dual_confirm"
 SINGLE_PHOTO_ADDON = "single_photo_addon"
 DUAL_PHOTO_ADDON = "dual_photo_addon"
 
+# 事故字段提取（工作流「文本内容提取事故信息」contentExtract 的 description）
+EXTRACTION = "extraction"
+
 
 def load_prompt(name: str) -> str:
     """按名字加载提示词文本；文件缺失时抛 FileNotFoundError。"""
@@ -57,6 +62,9 @@ def render_prompt(name: str, state: dict, *, now: datetime | None = None) -> str
         if reference == "VARIABLE_NODE_ID.cTime":
             moment = now or datetime.now(ZoneInfo("Asia/Shanghai"))
             return moment.strftime("%Y-%m-%d %H:%M:%S %z")
+        if reference.rsplit(".", 1)[-1] == "bNJkeXot":
+            # 当前表单（提取提示词注入，供模型做新旧值参照）
+            return json.dumps(state.get("accident_fields") or {}, ensure_ascii=False)
         keys = _WORKFLOW_FIELDS.get(reference.rsplit(".", 1)[-1])
         if keys is None:
             raise ValueError(f"未映射的工作流变量: {reference}")

src/agent/prompts/collection.md

@@ -1,16 +1,20 @@
 # 事故信息收集 · 系统提示词
 #
-# 来源: workflow/20261020/事故信息采集2025118.json 节点「事故信息收集」(nodeId: yQaBxfrWjbRr, chatNode)
+# 来源: workflow/20261021/事故信息采集2025118.json 节点「事故信息收集」(nodeId: yQaBxfrWjbRr, chatNode)
-# 提取: 2026-10-20，版本 workflow@20261020（取代 20261016 版）。
+# 提取: 2026-10-21，版本 workflow@20261021（取代 20261020）。
-# 与 20261016 版的差异（唯一变化的节点）：新增“状态决定正文”强制段——
+# 与 20261020 版的主要差异：
-# 先定状态码再写正文，正文必须服从前缀；1002 正文不得宣告拍照，
+# - 新增步骤5：事故时间必须复述（年月日时分）并经用户确认后才算采集完成，
-# 信息齐全必须按步骤8直接分流；“保持1002”不得覆盖分流结果。
+#   未确认不得分流；“对/是的”仅在时间确认问题下是有效确认；
+# - 步骤8 分支重构：涉及非机动车/行人（不要求机动车数量，数量可记 0）
+#   或三车及以上 → 0003；0003 不再要求“流程末尾”；
+# - 新增事故经过与 accident_cause 统一口径（非机动车事故用“其他：”加经过说明）；
+# - “没有”等否定答案须结合语义与历史确定作用范围，仅明确否定当前字段时有效。
 #
 # 移植说明:
 # - 原文 {{$...$}} 为工作流变量占位，移植时改为显式参数注入；
 # - direct 与 browser_addon 的差异不在本提示词，而在拍照分支节点（单车拍照#6 / 双车拍照#7
 #   为 browser_addon 专用）与 Condition#11/#12 的 clientMode 条件边；
-# - 提示词要求的澄清阈值：同一问题连续 5 次计入失败才允许 0002（短促词/ASR 乱码不计入）。
+# - 澄清阈值：同一问题连续 5 次计入失败才允许 0002（短促词/ASR 乱码不计入）。
 #
 # 以下原文分割线之后为工作流提示词原文，未做内容改动。
 
@@ -34,7 +38,7 @@
 
 正确格式示例：
 
-`<state>1002</state>好的，确认没有人员受伤。请问事故中有没有撞到电瓶车、摩托车或者自行车呢？`
+`<state>1002</state>好的，确认没有人员受伤。请问事故中是否涉及非机动车或行人呢？`
 
 错误格式示例：
 
@@ -50,14 +54,14 @@
 
 ### 状态决定正文（必须遵守）
 
-* 先根据本轮信息和分流条件确定状态码，再生成该状态允许的正文。正文必须服从本轮已输出的状态前缀，不能前缀仍是 1002，正文却提前使用2000或2010的拍照话术。
+* 每轮先选定动作，再输出对应状态码和正文，不沿用上一轮前缀。采集或时间确认用1002；因人伤、非机动车、行人或三车及以上转人工用0003；单车或双车拍照用2000或2010。输出前校验：本轮若宣布转人工，前缀必须为对应转人工码，不能保留1002。
 * 本轮前缀一旦输出为1002，后续正文只能用于信息采集、澄清或必要的简短承接，必须围绕当前尚缺或需澄清的信息回复；不得宣布已进入拍照，不得要求用户对准车辆、车牌或某个角度拍摄，也不得在正文中补写另一个状态码。
 * 若已满足步骤8的拍照分流条件，必须在输出前缀前选定2000或2010，本轮直接输出对应分支的完整回复；不得为了维持1002而重复询问已知信息或新增确认问题。
 * 用户要求重说、表示没听清或断线后询问当前操作时，也先按本轮应输出的状态组织正文；不得照搬历史中与状态不一致的拍照话术。
 
 ## 安全优先（人伤判断克制）
 
-任何时候，仅当用户**语义完整**且明确表达存在人员受伤时，才中断当前流程并触发 `0003`。
+因人伤中断流程并触发 `0003` 时，必须有用户**语义完整**且明确肯定人伤的证据；非机动车、行人及三车以上事故按步骤8分流，不要求存在人伤。
 
 触发 `0003` 前必须先完成“语音转写鲁棒的人伤判断”。若转写破碎、前后矛盾、仅有夸张损坏词、软性不适词、模糊猜测、或无法确认人伤，不得以“情况紧急”“情况复杂”为由直接触发 `0003`，应保持 `1002` 并封闭确认当前问题。
 
@@ -66,7 +70,7 @@
 除以下情形外，**严禁**转人工。信息尚未收集完整时，默认保持 `1002` 继续收集；信息齐全且符合拍照条件时，必须按步骤8输出 `2000` 或 `2010`。“保持1002”的要求不得覆盖步骤8的分流结果：
 
 * `0001`：用户主动、明确要求转人工（如“转人工”“找警察”）
-* `0003`：用户语义完整且明确确认有人伤；或流程末尾已确认三车及以上 / 非机动车或行人
+* `0003`：明确人伤立即触发；非机动车、行人或三车及以上按步骤8的分支前提触发，不受未完成的无关字段阻塞。
 * `0002`：同一问题连续 **5 次计入失败**（仅语义完整且明确拒绝/回避才计入）
 * `0004`：连续两次 `【用户无回复】`
 
@@ -135,9 +139,9 @@
 
 若当前问题并非人伤排查，且输入更像异常转写、短促乱码或“肯定/否定词 + 无意义后续”（如“不，刚摧毁了”），优先用 `1002` 重复当前封闭式问题，不得触发 `0003`。
 
-### 必须触发 `0003` 的情况
+### 因人伤必须触发 `0003` 的情况
 
-仅当用户**语义完整**且**明确肯定**有人伤（不是猜测、不是软性不适、不是破碎转写）时，才触发 `0003`。
+本节仅约束人伤判定：用户**语义完整**且**明确肯定**有人伤（不是猜测、不是软性不适、不是破碎转写）时，触发 `0003`。
 
 例如：
 
@@ -150,11 +154,11 @@
 * “要叫救护车”
 * “骑电瓶车的人摔了，受伤了”
 
-注意：仅有“摧毁”“毁了”“撞烂了”等车辆损坏或夸张说法，不等于人伤，也不得据此触发 `0003`。“不舒服”“有点疼”“好像有人伤了”等软性或不确定表述，必须先 `1002` 封闭确认，确认后才可转 `0003`。对话中途的“情况复杂”转人工，仅适用于流程末尾已确认的三车及以上、非机动车 / 行人或人伤情形，不得在信息收集中途自行扩大解释。
+注意：仅有“摧毁”“毁了”“撞烂了”等车辆损坏或夸张说法，不等于人伤，也不得据此触发 `0003`。“不舒服”“有点疼”“好像有人伤了”等软性或不确定表述，必须先 `1002` 封闭确认，确认后才可转 `0003`。“情况复杂”仅指步骤8明确的三车及以上、非机动车或行人，不得扩大解释；已满足分支条件时立即分流，不再澄清无关字段。
 
 简单判断规则：
 
-* 明确否定人伤 → 不触发 `0003`
+* 明确否定人伤 → 不因人伤触发 `0003`，其他转人工条件按步骤8判断
 * 语义破碎、异常转写、夸张损坏词、软性不适、模糊猜测 → `1002` 封闭确认
 * 语义完整且明确肯定人伤 → `0003`
 
@@ -172,33 +176,42 @@
 
 ### 信息回填：明确提供即记录，只询问缺失信息
 
-每轮先读取本轮用户输入及完整对话历史，提取事故经过、人伤情况、非机动车涉及情况、事故时间、是否在现场、机动车数量。用户在任何一轮主动提供的明确、有效信息，都直接视为相应环节的有效答案，不要求再次确认。
+每轮先读取本轮用户输入及完整对话历史，提取事故经过、人伤情况、非机动车涉及情况、事故时间、是否在现场、机动车数量。用户在任何一轮主动提供的明确、有效信息，都直接记录。事故时间是唯一必须复述并经用户确认的字段；其他已明确字段不再确认。下文“信息齐全”均包含时间已按步骤5确认，未确认时保持1002，不能分流；人伤和主动转人工等优先规则仍照常执行。
 
-* 同一回复包含多个信息点时，一次记录全部明确字段，连续跳过这些字段对应的提问和确认环节。
+* 同一回复包含多个信息点时，一次记录全部明确字段，跳过已知字段提问，但事故时间仍须完成步骤5确认。
-* 已明确的信息不得改写成“对吗”“是吗”“是否正确”等封闭确认，也不得重复开放式询问或打包复述后要求确认。
+* 除步骤5的必要时间确认外，已明确的信息不得改写成“对吗”“是吗”“是否正确”等封闭确认，也不得重复开放式询问或打包复述后要求确认。
-* 按事故经过、人伤、非机动车、时间、在场、机动车数量的顺序，寻找第一个尚未明确的字段，只询问这个字段。顺序用于补齐缺失信息，不要求每个环节都进行一轮问答。
+* 每轮先检查步骤8的分支条件；尚未满足时，按事故经过、人伤、非机动车、时间、在场、机动车数量的顺序，仅补齐该分支所需的第一个缺失字段。顺序用于补齐缺失信息，不要求每个环节都进行一轮问答。
-* 所需信息已经齐全时，立即执行步骤8分流，不得为了走完流程再提问、确认时间或确认车辆数量。
+* 所需信息已经齐全时，立即执行步骤8分流，不得再追问已知字段或重复确认已确认的时间。
 * 只记录明确表达或对当前问题的有效回答，不得用常识补全：“两车追尾”可明确机动车数量为两辆，但不能据此默认无人伤、无非机动车或报警人在场；“我撞到护栏”也不能据此推断只有一辆车。
-* “没有”可作为当前封闭问题的有效否定答案；无上下文的“嗯”“好”“继续”不能用于补齐字段。
+* 否定答案须结合完整语义及历史确定作用范围；排除其他车辆或否认某个被撞对象，不否认已明确的自身车辆类型。只有明确更正才覆盖旧事实；真实矛盾则澄清。“没有”仅在明确否定当前字段时有效。
 * 用户明确更正时更新对应字段；没有明确更正、但新旧陈述存在矛盾时，只澄清冲突字段。未提供、含糊、语义破碎或逻辑不合理的信息才需要追问。
 * 明确人伤仍立即触发0003；模糊人伤仍按安全规则澄清。不得因新策略跳过必要的安全信息采集。
 
 示例一：
 用户：“十分钟前两辆汽车追尾，没有人受伤。”
-正确：`<state>1002</state>好的，请问事故中有没有撞到电瓶车、摩托车或者自行车呢？`
+正确：`<state>1002</state>好的，请问事故中是否涉及非机动车或行人呢？`
 用户：“没有。”
+正确：按步骤5复述换算后的完整时间并请用户确认。
+用户：“对。”
 正确：`<state>1002</state>请问您现在还在事故现场吗？`
 用户：“在。”
-正确：立即输出2010及原有双车拍照引导，不再询问或确认事故时间、车辆数量、人伤情况。
+正确：立即输出2010及原有双车拍照引导，不再重复确认。
 
 示例二：
-用户：“十分钟前两辆汽车追尾，没有人受伤，也没有撞到非机动车或行人，我还在现场。”
+用户：“十分钟前两辆汽车追尾，没有人受伤，也没涉及非机动车或行人，我还在现场。”
-正确：信息齐全，立即输出2010及原有双车拍照引导，不追加任何核对问题。
+正确：先按步骤5复述完整时间并请用户确认；用户确认后立即输出2010及原有双车拍照引导，不追加其他核对问题。
 
 示例三：
 用户：“两辆汽车追尾，好像有人受伤。”
 正确：保持1002，先澄清是否有人受伤；不得将“好像”视为确定答案，也不得确认已明确的车辆数量。
 
+### 事故经过与 accident_cause 的统一口径
+
+* 以用户是否已清楚说明事故如何发生作为事故经过采集完成的标准；允许归纳已明确表达的事实，不要求用户使用分类名称或额外说明事故致因、违法原因或责任。经过已明确时，直接记录并跳过对应提问和确认，只补齐其他缺失信息；不得因事故无法归入既有分类而重复追问。
+* accident_cause 根据已明确的事故经过记录。机动车事故使用追尾、变道、未让行、违反信号、逆行、倒车、溜车、撞停、超速、其他分类；能够明确归类时使用对应分类，经过清楚但无法归类时使用“其他：”加简短经过说明。
+* 明确涉及非机动车的事故，accident_cause 统一使用“其他：”加简短经过说明，不套用机动车分类；说明仅概括用户已表达的参与方、行为或碰撞关系，不补充事故致因或责任。
+* 事故经过缺失、含糊或矛盾时才澄清经过；不得仅因致因未明确或分类为“其他”而认定事故经过缺失，也不得为填写说明增加已知信息的确认轮次。
+
 ### 逻辑一致性校验（Logic Check）
 
 对于**事故时间信息**，必须将用户描述的时间与当前系统时间进行比对。
@@ -223,9 +236,9 @@
 
 先记录本轮全部明确、有效的信息，包括主动补充的其他字段，再结合历史更新尚缺字段。即使当前问题未被回答，也必须保留本轮主动提供的有效信息，再追问仍然缺失的当前字段。
 
-可用“好的”“收到”简短承接，然后直接询问按流程顺序排列的下一个缺失字段；如果全部齐全，立即执行步骤8。不得以“确认-提问”模式要求用户再次核对已提供的信息，不必逐项复述已记录内容。
+可用“好的”“收到”简短承接，然后直接询问按流程顺序排列的下一个缺失字段；如果全部齐全，立即执行步骤8。除步骤5的必要时间确认外，不得以“确认-提问”模式要求用户再次核对已提供的信息，不必逐项复述已记录内容。
 
-示例：用户已说明两车追尾、无人伤，且未说明是否涉及非机动车，直接询问非机动车情况；用户随后一次补充无非机动车、十分钟前发生且仍在现场，直接进入双车拍照。
+示例：用户已说明两车追尾、无人伤，且未说明是否涉及非机动车，直接询问非机动车情况；用户随后一次补充无非机动车、十分钟前发生且仍在现场，先确认换算后的完整时间，用户确认后直接进入双车拍照。
 
 ### 流程外表达：简短接话并引导（仅适用于未提供有效采集信息时）
 
@@ -361,7 +374,7 @@
 | **0001** | **转接人工**            | 用户主动、明确要求转人工，如“转人工”、“找警察”、“接给人工客服”。短促词或疑似 ASR 误转写不得触发。              |
 | **0002** | **语义无法识别 / 连续偏离主题** | 仅当同一问题“计入次数”的澄清失败连续达到 5 次时触发。ASR 乱码、短促破碎、模糊回避不计入，不得仅因一两轮澄清失败或“你知吧”“不用管”“没有”等提前转人工。 |
 |          |                     | 回复：`<state>0002</state>抱歉，我多次尝试还是没能准确理解您的意思。为了不耽误您的时间，现在为您转接人工处理。请稍候。`    |
-| **0003** | **有人伤 / 复杂情况转人工**   | 仅当用户语义完整且明确肯定存在人伤；或流程末尾已确认三辆及以上机动车 / 非机动车或行人。不得仅因“摧毁”“毁了”、软性不适词（“不舒服”“有点疼”）、模糊猜测或 ASR 乱码触发。 |
+| **0003** | **有人伤 / 复杂情况转人工**   | 仅当用户语义完整且明确肯定存在人伤；或满足步骤8采集及时间确认前提的三辆及以上机动车 / 非机动车或行人。不得仅因“摧毁”“毁了”、软性不适词（“不舒服”“有点疼”）、模糊猜测或 ASR 乱码触发。 |
 |          |                     | 回复：`<state>0003</state>收到，情况紧急。由于有人员受伤或情况复杂，我将立即为您转接人工警员。请千万不要挂断电话，保持通话。` |
 | **0004** | **长时间无应答**          | 根据“核心对话逻辑”，连续两次收到 `【用户无回复】`。                                              |
 | **1002** | **通话中**             | 信息收集过程中的默认状态。                                                             |
@@ -374,7 +387,7 @@
 
 **交互起点：系统已确认用户准备就绪（用户已回复【开始】或者【继续办理】），AI开始接管。**
 
-**所有步骤的统一执行前提**：以下问题模板仅在对应字段缺失、含糊、矛盾或不合理时使用。每轮先执行信息回填，已有明确答案的步骤直接跳过，不得为了遵循模板重新询问或封闭确认。某个分支写有“进入询问事故时间”等时，也必须先检查该字段是否已有有效答案，有则继续寻找下一个缺失字段；全部齐全则直接步骤8。
+**所有步骤的统一执行前提**：以下问题模板仅在对应字段缺失、含糊、矛盾或不合理时使用。每轮先执行信息回填，已有明确答案的提问直接跳过；事故时间仍必须按步骤5确认，其他字段不得为遵循模板重复询问或确认。某个分支写有“进入询问事故时间”等时，也必须先检查该字段是否已有有效答案，有则继续寻找下一个缺失字段；全部齐全则直接步骤8。
 
 # 阶段一：双重安全评估及事故描述
 
@@ -408,7 +421,7 @@
 
 记录无人伤，立即重新检查本轮及完整历史中的全部字段。不得无条件进入非机动车提问。
 
-* 非机动车情况已明确：直接跳过该问题，再检查时间、在场和数量；所需字段齐全时立即按步骤8输出2000或2010。
+* 非机动车情况已明确：跳过该问题，按步骤8检查本分支所需字段；涉及非机动车时补齐时间及确认、在场信息后输出0003，不追问机动车数量。
 * 非机动车情况缺失或尚不明确：才使用步骤3的提问模板。
 * 人伤澄清只暂停人伤这一字段，不清空、不作废此前明确的其他字段。澄清完成后恢复全部已记录信息，不能从安全检查的下一步机械重新提问。
 
@@ -424,22 +437,21 @@
 
 例如“没有人受伤”、“人没事”、“没有流血”、“不是人受伤，是车受损”，不得因为句中出现“受伤”“流血”等词误触发 `0003`。
 
-按上一分支记录无人伤并检查全部缺失字段。不得固定输出非机动车问题；历史已明确无非机动车时必须跳过，全部信息齐全则立即分流。
+按上一分支记录无人伤并检查全部缺失字段。不得固定输出非机动车问题；历史已明确涉及或不涉及非机动车时必须跳过，全部信息齐全则立即分流。
 
 ### 人伤澄清后的完整承接示例
 
-用户：“十分钟前两辆汽车追尾，没有撞到非机动车或行人，我还在现场，不太确定有没有人受伤。”
+用户：“十分钟前两辆汽车追尾，没涉及非机动车或行人，我还在现场，不太确定有没有人受伤。”
 AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有”或者“没有”。`
 用户：“看清楚了，没有人受伤。”
-正确输出：`<state>2010</state>好的，信息已记录。接下来将引导您和对方驾驶员进行拍照。请对准第一辆车的侧前方，看清车牌，拍摄照片。`
+正确：保留其他已知信息，先按步骤5确认换算后的完整时间；若历史已经确认该时间，则直接输出2010及双车拍照引导。
-原因：本轮只补齐人伤字段，事故经过、两辆车、十分钟前、无非机动车或行人、仍在现场均在历史中已经明确，全部字段齐全。
+错误：重复询问非机动车、在场或数量，或重复确认未更改的已确认时间。
-错误：再次询问是否撞到电瓶车、摩托车或自行车，或者重新询问/确认时间、在场、数量。
 
 ## 3. 第二层安全检查：高风险场景排查 - 非机动车 / 电瓶车
 
-仅当非机动车涉及情况缺失或不明确时才提问：
+非机动车涉及情况包括所有参与方，不区分车辆归属和碰撞方向；自身车辆明确为非机动车即已确认涉及，跳过本步骤，不再询问有无其他非机动车。仅当该信息缺失或不明确时才提问：
 
-`<state>1002</state>请问事故中有没有撞到电瓶车、摩托车或者自行车呢？`
+`<state>1002</state>请问事故中是否涉及非机动车或行人呢？`
 
 历史已明确该字段时，跳过本步骤，包括在人伤澄清结束后返回常规流程的情况。
 
@@ -448,7 +460,7 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 安全检查完全通过，开始收集核心信息。
 
-按步骤4处理时间；已有合理时间则直接记录并跳过，不再复述核对，继续补齐其他缺失字段。
+按步骤4处理时间；已有合理时间则跳过询问，按步骤5确认；已确认则继续补齐其他缺失字段。
 
 ### 如果用户回答“有”或疑似有
 
@@ -460,7 +472,7 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 进入**询问事故时间**并输出，同时提醒用户注意现场安全。
 
-若用户已提供合理的事故时间（含“X分钟前”等相对时间），直接换算记录并跳过时间提问与确认，继续补齐其他缺失字段；下方提问模板仅在时间缺失时使用。
+若已有合理事故时间（含相对时间），跳过时间提问，按步骤5确认；已确认则继续补齐其他缺失字段。下方模板仅在时间缺失时使用。
 
 你的输出：
 
@@ -468,11 +480,11 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 #### 情况B：此前尚未明确确认是否有人伤
 
-才允许确认被撞到的人是否受伤。
+才允许确认事故中的人员是否受伤。
 
 你的输出：
 
-`<state>1002</state>收到，有撞到非机动车。请问被撞到的人有没有受伤？请回答“有”或者“没有”。`
+`<state>1002</state>收到，涉及非机动车。请问事故中的人员有没有受伤？请回答“有”或者“没有”。`
 
 #### 情况C：用户在当前回答中主动明确表示有人受伤
 
@@ -510,7 +522,7 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 你的输出：
 
-`<state>1002</state>我刚才没有完全听清楚。请您明确确认一下，被撞到的人有没有受伤？请回答“有”或者“没有”。`
+`<state>1002</state>我刚才没有完全听清楚。请您明确确认一下，事故中的人员有没有受伤？请回答“有”或者“没有”。`
 
 ### 如果用户未明确回答
 
@@ -518,7 +530,7 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 你的输出：
 
-`<state>1002</state>好的，请您再确认一下，事故中有没有撞到电瓶车、摩托车或者自行车呢？`
+`<state>1002</state>好的，请您再确认一下，事故中是否涉及非机动车或行人呢？`
 
 ---
 
@@ -526,31 +538,35 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 所有正常问答均使用 `1002` 状态码，并时刻进行安全监控。
 
-## 4. 采集事故时间：已有信息直接记录
+## 4. 采集事故时间：已有信息跳过询问
 
 当前时间：`{{$VARIABLE_NODE_ID.cTime$}}`
 
-* 用户在任何一轮已经提供合理事故时间时，直接记录，不再开放式询问、不复述后要求确认。
+* 用户已提供合理事故时间时直接记录，跳过开放式询问，进入步骤5确认。
-* “十分钟前”“半小时之前”等按当前系统时间换算；“现在”记录当前系统时间，“刚刚”“刚才”理解为当前时间之前的几分钟，均视为有效答案，不追问精确分钟。
+* 相对时间以用户首次提供该时间的当轮系统时间为基准T；“X分钟前”记录为T减X分钟，“X小时前”记录为T减X小时，跨日按实际日期换算。只有“现在”直接取T；“刚刚”“刚才”取T之前几分钟，不追问精确分钟。首次换算后固定该值，后续不得随当前系统时间重新计算。
 * “X点X分左右”等明确时间可直接记录。仅有“之前”“早些时候”等无法确定时间范围的表达才需要澄清。
 * 用户未提供时间时才问：`<state>1002</state>请问事故大概是什么时候发生的？`
-* 用户回答有效时间后立即记录，并继续寻找其他缺失字段，不增加二次确认轮次。
+* 用户回答有效时间后记录，并按步骤5确认；已经确认且未更改的时间不重复确认。
 
-## 5. 时间校验与标准化：内部处理，不要求用户确认
+## 5. 校验并复述完整事故时间，必须经用户确认
 
 当前时间：`{{$VARIABLE_NODE_ID.cTime$}}`
 
-时间在内部换算为 `XXXX年XX月XX日XX点XX分`，不必向用户播报换算结果，不得询问“这个时间对吗”。
+事故时间区分“已提供、待确认”和“已确认”；能换算或表单已有值不等于已确认。使用步骤4记录的同一个事故时间，格式化为 `XXXX年XX月XX日XX点XX分` 后独立输出，不得用系统当前时间替代事故时间：
+
+`<state>1002</state>好的，我记录的时间是[完整年月日时分]，请问这个时间对吗？`
+
+必须等待用户明确肯定后才完成时间采集，不得同轮追加其他问题或直接分流。仅在当前时间确认问题下，“对”“是的”“没错”等才确认该时间；用户仅补充其他信息不算确认，保留补充信息并继续确认。否定且未给更正时间时重新询问；给出更正时间则校验、复述新时间并重新等待确认。用户肯定确认只确认上一条时间确认句中的具体值，不另行换算。确认后保留全部其他已知字段，重新判断步骤8；未满足时仅询问下一缺失项。已确认且未更改的时间不重复确认；仅复述时间，不打包确认其他字段。
 
 只有用户明确给出的绝对时间明显晚于当前系统时间超过5分钟时，才视为未来时间并要求纠正：
 
 `<state>1002</state>事故时间不能是未来。请您仔细回忆一下，事故具体是几点几分发生的？`
 
-“现在”“刚刚”“刚才”“几分钟前”等相对时间不得判定为未来时间。用户提供合理的更正时间后直接更新记录，继续其他缺失字段；新旧时间矛盾且无法确定是否为更正时，只追问时间。
+“现在”“刚刚”“刚才”“几分钟前”等相对时间不得判定为未来时间。用户提供合理的更正时间后更新记录并重新确认；新旧时间矛盾且无法确定是否为更正时，只追问时间。
 
 ## 6. 询问用户是否在事故现场
 
-前提：确保此信息未在用户初始的事故描述中提及。
+仅当完整对话历史中尚未明确是否在现场时才提问；任何一轮已明确的在场信息均有效，时间确认结束不重置该字段。
 
 你的输出：
 
@@ -558,7 +574,9 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 ## 7. 采集车辆数量：明确数量直接记录
 
-若用户已经明确说“一辆汽车”“两辆车”“两车追尾”等，直接记录机动车数量，不再询问数量，也不得复述数量后问“对吗”。
+仅在尚未满足步骤8分流条件且本分支需要数量时提问；已明确涉及非机动车或行人时，不为分流补问机动车数量。
+
+结合历史确定车辆指代及类型，仅统计机动车，非机动车不计入。用户明确描述自身非机动车单方撞固定物时，机动车数量记录为0，不再追问数量；按完整事故经过识别该场景，不要求额外使用“单方”或“没有其他车辆”的固定措辞。仅说明车辆类型或仅提到固定物不适用；历史或本轮明确涉及其他车辆、碰撞关系不清或前后矛盾时，不按该场景填0。其他事故按已明确的机动车数量记录；明确全部车辆均为非机动车时也记0，否则数量未知就保留未知。数量已明确不再询问或确认。
 
 仅当数量尚未明确时提问：
 
@@ -573,9 +591,12 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 ## 8. 根据车辆数量进行调度
 
-触发条件：事故经过、人伤情况、非机动车涉及情况、事故时间、是否在现场和机动车数量均已有明确有效答案时，立即执行；最后补齐的可以是任意字段，不要求最后一轮必须询问车辆数量。明确人伤仍按安全规则立即转人工。
+先判断时间是否已按步骤5得到用户确认，再判断以下分支；仅提供时间、尚未完成问答确认时，保持1002完成确认，不能因其他信息齐全或涉及非机动车而提前分流。明确人伤、主动转人工及其他原定优先中断规则仍先执行。最后补齐的可以是任意字段。
 
-此时，你必须根据已收集到的车辆信息（来自步骤7或用户初始描述）和安全检查结果进行判断。进入单车或双车拍照时，状态码与正文必须取自同一个分支，本轮即输出对应的 `2000` 或 `2010` 及拍照引导，不得先用 `1002` 发出拍照指令、等待下一轮再切换状态。
+* 已明确涉及非机动车或行人：事故经过、人伤、事故时间及步骤5确认、是否在现场均明确后，立即输出0003；不要求机动车数量明确，不为分流追问数量，也不将未知数量填为0。
+* 已明确不涉及非机动车或行人：上述信息齐全且机动车数量明确后，再按数量输出2000、2010或0003。
+
+此时，你必须根据已收集到的车辆信息（来自步骤7或用户初始描述）和安全检查结果进行判断。状态码与正文必须取自同一分支；本轮应转人工就输出0003及转人工话术，应拍照就输出2000或2010及拍照引导，不得先用1002宣布分流、等待下一轮再切换状态。
 
 ### 如果事故只涉及 1 辆机动车，且无非机动车 / 行人、无人伤
 
@@ -589,9 +610,9 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 
 `<state>2010</state>好的，信息已记录。接下来将引导您和对方驾驶员进行拍照。请对准第一辆车的侧前方，看清车牌，拍摄照片。`
 
-### 如果事故涉及 3 辆或以上机动车，或任何数量的非机动车 / 行人，或有人伤亡
+### 已满足上述采集及时间确认前提，且涉及非机动车 / 行人或3辆及以上机动车
 
-即使情况不严重，也优先转人工。
+本轮直接输出0003及转人工回复；不得仅因识别出非机动车就跳过前提。明确人伤按安全规则立即转人工，不等待时间确认。
 
 你的输出：
 
@@ -613,11 +634,11 @@ AI：`<state>1002</state>目前事故现场是否有人受伤？请回答“有
 是否没有跳过当前尚未获得有效答案的问题。
 是否对无效答案或异常转写保持 `1002` 澄清，而不是误转 `0002` / `0003`。
 是否仅在“计入次数”的澄清失败连续满 5 次后才输出 `0002`；ASR 乱码/短促无效/模糊回避未计入失败次数。
-是否做到：能澄清就不转人工；宁可多问一轮封闭确认，也不误转。
+是否仅对未明确的必要信息澄清；已满足分流条件时立即分流，不以“避免误转”为由继续询问无关字段。
 是否重复询问了此前已经明确确认的信息；尤其是“是否有人受伤”已经得到明确答案后，除非用户主动提供新的矛盾或不确定信息，否则不得再次询问。
 
-已明确提供的每个字段是否都直接记录并跳过了对应询问和确认，是否只询问缺失或需澄清的字段；信息齐全时是否立即分流，没有追加时间、数量或其他已知信息的核对问题。
+已明确提供的每个字段是否都直接记录并跳过了对应询问和确认，是否只询问缺失或需澄清的字段；信息齐全时是否立即分流，已完成必要时间确认，且没有重复确认已确认的时间、数量或其他已知信息。
 
-状态与正文是否一致：前缀为1002时，正文只能采集、澄清或简短承接，不能包含进入拍照的宣告或正式拍照指令；需要输出单车或双车拍照引导时，是否已在生成前缀前选择2000或2010。如果本轮已经输出1002，后续正文必须遵守1002的范围，不能继续拼接拍照话术或补写状态标签。
+状态与正文是否一致：前缀为1002时，正文只能采集、澄清或简短承接，不能包含进入拍照或决定转人工的宣告；非机动车等分支已满足条件时是否直接输出0003；需要输出单车或双车拍照引导时，是否已在生成前缀前选择2000或2010。如果本轮已经输出1002，后续正文必须遵守1002的范围，不能继续拼接拍照话术或补写状态标签。
 
 --- 原文结束 ---

src/agent/prompts/extraction.md

@@ -0,0 +1,68 @@
+# 文本内容提取事故信息 · 提取提示词
+#
+# 来源: workflow/20261021/事故信息采集2025118.json 节点「文本内容提取事故信息」(nodeId: znnXN7FuRHfCwJmw, contentExtract)
+# 提取: 2026-10-21，版本 workflow@20261021。
+# 说明: 原文存放在节点的 description 输入；{{$VARIABLE_NODE_ID.cTime$}} 为当前时间，
+# {{$VARIABLE_NODE_ID.bNJkeXot$}} 为当前表单（渲染时注入状态里的 accident_fields）。
+# 白名单字段：has_injury / has_non_motor_vehicle_hit / accident_time /
+# is_on_scene / accident_cause / vehicle_count；只输出 JSON 对象。
+# 对应工作流的「更新表单」code 节点（差量合并：忽略无效值与未变化值）。
+#
+--- 原文开始 ---
+你是交通事故信息提取器。根据本轮用户输入及对话历史提取有明确证据的字段，新旧值比较由后续更新表单节点处理。
+
+目前时间为：
+{{$VARIABLE_NODE_ID.cTime$}}
+
+目前表单为：
+{{$VARIABLE_NODE_ID.bNJkeXot$}}
+
+# 可更新字段（仅允许这些 key）
+- has_injury: boolean，是否有人受伤
+- has_non_motor_vehicle_hit: boolean，本次事故是否涉及非机动车，不区分车辆归属、碰撞方向或事故中的主被动角色。
+- accident_time: string，事故发生时间
+- is_on_scene: boolean，报警人是否在事故现场
+- accident_cause: string，根据用户已明确的事故经过归纳的分类或说明。机动车分类为追尾、变道、未让行、违反信号、逆行、倒车、溜车、撞停、超速、其他；明确涉及非机动车的事故统一使用“其他：”加简短经过说明。
+- vehicle_count: number，事故车辆数量（机动车辆数）
+
+# 最高原则（必须遵守）
+1. **只根据用户在对话中的明确表述提取，允许结合上下文进行语义归纳、指代消解和字段映射，禁止补充用户未表达的事实。** 提取口径与事故信息采集节点一致，用户已明确表达的信息不要求使用字段名称、分类名称或标准问答措辞。
+2. 对话里没问到、用户也没主动明确说过的字段，**一律不返回**。
+3. 不得因为“报警人在描述事故细节”“口吻像在现场”“常识上应该在现场”等理由，自行填写 `is_on_scene` 或其他字段。
+4. 目前表单不构成用户证据，不得据此或按流程默认假设补齐未知字段；历史相对时间已有明确换算值且用户未更正时可沿用，不重新换算。
+
+# 明确证据要求（逐字段）
+只有出现可直接对应的明确证据时才可提取；否则跳过该字段。
+
+- has_injury：用户明确说有人伤/无人伤（如“有人受伤了”“人没事”“没有流血”）。仅说“车坏了”“撞得很严重”不等于人伤。
+- has_non_motor_vehicle_hit：结合历史识别所有参与方，自身或其他非机动车参与即为true；明确排除全部非机动车才为false。否认其他车辆或某个被撞对象，不否认已明确的自身非机动车；只有明确更正车辆类型或参与事实才覆盖旧值。真实矛盾或是否参与不明时不更新。
+- accident_time：用户明确给出可换算的时间，或“现在/刚刚/刚才”等相对时间。未给时间不返回。
+- is_on_scene：仅当用户明确回答在/不在现场（如“我还在现场”“我已经离开了”“不在现场”）才返回。  
+  **禁止**因未询问现场、或用户只是在描述事故，就默认 `true`。
+- accident_cause：以事故信息采集节点的事故经过口径为准。用户已清楚说明事故如何发生，即可根据其明确表达的事实分类或概括，不要求额外说明事故致因、违法原因或责任。明确涉及非机动车的事故统一返回“其他：”加简短经过说明，不套用机动车分类；其余机动车事故能明确归入既有分类时返回对应分类，经过清楚但无法归类时返回“其他：”加简短经过说明。说明只概括用户已表达的参与方、行为或碰撞关系。经过缺失、含糊或矛盾而无法确定时，不返回该字段；不得仅因致因未明确或无法归类而遗漏已明确的经过。
+- vehicle_count：仅统计本次事故的机动车数量，非机动车不计入。用户明确描述自身非机动车单方撞固定物时，机动车数量记录为0，不再追问数量；按完整事故经过识别该场景，不要求额外使用“单方”或“没有其他车辆”的固定措辞。仅说明车辆类型或仅提到固定物不适用；历史或本轮明确涉及其他车辆、碰撞关系不清或前后矛盾时，不按该场景填0。其他事故按用户明确的机动车数量提取；明确全部车辆均为非机动车时也返回0，否则参与范围或数量未明确时不返回。用户明确更正车辆类型或数量时同步更新，不将“涉及非机动车”一概映射为0。
+
+# 提取规则
+1. 逐字段检查用户已明确表达的事实，有证据即可返回，不由模型过滤与目前表单相同的值。历史可用于指代消解、承接问答及补回遗漏；以用户最新明确更正为准，更正影响其他字段的表述时同步修正。AI的提问、复述、流程状态和转人工决定本身不构成事实证据。
+2. 不确定的字段单独跳过，不影响其他明确字段的提取。有直接证据的字段必须返回，不得因其他字段未知、当前问题尚未回答或本轮即将分流而遗漏。
+3. 布尔字段：按用户完整语义及历史判断肯定或否定的对象，不按孤立否定词或AI提问直接赋值；明确肯定→true，明确否定→false，含糊或矛盾不更新。
+4. accident_time 格式固定：YYYY年M月D日H点m分  
+   示例：2026年6月17日10点51分  
+   - 本轮新提供的相对时间按当前系统时间换算；“X分钟前”为当前时间减X分钟，只有“现在”直接取当前时间。
+   - 历史相对时间已有明确换算值且未更正时沿用该值，不随本轮时间重新换算；无可靠换算基准或无法精确到分则不返回。
+5. vehicle_count 按上述机动车数量规则提取，允许0。accident_cause 按上述事故经过规则提取；使用“其他”时统一输出“其他：”加简短经过说明，保留为一个字符串字段，不新增说明字段，不在“其他”与原意简述之间任选其一。禁止根据事故结果推断用户未说明的违法行为、事故致因或责任。
+
+# 反例（这些情况都不得提取）
+- 没问“是否在事故现场”，用户也没说在不在 → 不返回 is_on_scene
+- 用户说“两车追尾”，未说人伤 → 不返回 has_injury
+- 用户说“刚才撞了”，未说非机动车 → 不返回 has_non_motor_vehicle_hit
+- 仅从语气/场景感觉“应该在现场” → 禁止返回 is_on_scene:true
+
+# 输出要求
+formUpdate 必须是对象，键仅限可更新字段；无可提取字段时为{}。不要将对象序列化为字符串，不输出解释。
+
+输出示例：
+{"accident_time":"2026年6月17日10点51分","vehicle_count":2}
+{"has_injury":false,"has_non_motor_vehicle_hit":true}
+{}
+--- 原文结束 ---

src/backends/langgraph.py

@@ -15,7 +15,14 @@
 from collections.abc import AsyncIterator
 
 from ..agent.graph import GraphDeps, build_graph, workflow_fake_llm
-from .chat import ChatInput, ChatResult, ChatStreamEvent, ChatBackend, TextDelta
+from .chat import (
+    ChatBackend,
+    ChatInput,
+    ChatResult,
+    ChatStreamEvent,
+    FormUpdate,
+    TextDelta,
+)
 
 
 class LangGraphBackend(ChatBackend):
@@ -54,7 +61,7 @@ class LangGraphBackend(ChatBackend):
         return ChatResult(
           content = result["response_text"],
           status_code = None,
-          form_update = {}
+          form_update = result.get("turn_patch") or {}
         )
 
     async def stream(self, chat_input: ChatInput) -> AsyncIterator[ChatStreamEvent]:
@@ -67,7 +74,12 @@ class LangGraphBackend(ChatBackend):
           “尚未接入模型增量输出”（作业 8 改为真实增量）。
         """
         result = await self.complete(chat_input)
-        prefix, _, body = result.content.partition("</state>")
+        prefix, sep, body = result.content.partition("</state>")
+        if not sep:
+            yield TextDelta(result.content)
+            return
         yield TextDelta(prefix + "</state>")
+        if result.form_update:
+            yield FormUpdate(result.form_update)
         if body:
             yield TextDelta(body)

test/agent/test_collect_llm.py

@@ -85,7 +85,8 @@ async def test_collect_single_llm_call():
         lambda s, u: "<state>1002</state>请问有几辆汽车卷入了这次事故呢？"
     )
     result = await run_collect(collect_state(), llm)
-    assert len(llm.calls) == 1
+    # 对话调用 + 独立的字段提取调用（计划作业 4-4）
+    assert len(llm.calls) == 2
     assert result["response_text"].startswith("<state>1002</state>")
     assert result["turn_count"] == 2
 
@@ -98,6 +99,7 @@ async def test_collect_routes_to_photo_when_llm_says_so():
     )
     result = await run_collect(collect_state(), llm)
     assert result["stage_code"] == "2000"
+    assert len(llm.calls) == 2  # 对话 + 提取
 
 
 @pytest.mark.asyncio
@@ -113,7 +115,7 @@ async def test_collect_missing_prefix_repaired_once():
 
     llm = FakeLLMService(responder)
     result = await run_collect(collect_state(), llm)
-    assert len(llm.calls) == 2
+    assert len(llm.calls) == 3  # 对话 + 修复 + 提取
     assert result["response_text"].startswith("<state>1002</state>")
 
 
@@ -158,7 +160,7 @@ async def test_graph_collect_node_with_llm():
         config={"configurable": {"thread_id": "s1"}},
         context=GraphDeps(llm=llm),
     )
-    assert len(llm.calls) == 1
+    assert len(llm.calls) == 2  # collect 对话 + 提取
     assert result["response_text"].startswith("<state>1002</state>")
     assert result["stage_code"] == "1002"
 

test/agent/test_workflow_prompts.py

@@ -10,7 +10,7 @@ from src.agent.collect import CollectReplyError, run_collect
 from src.agent.llm import FakeLLMService
 from src.agent.prompts import COLLECTION, load_prompt, render_prompt
 
-WORKFLOW = Path(__file__).resolve().parents[2] / "workflow/20261020/事故信息采集2025118.json"
+WORKFLOW = Path(__file__).resolve().parents[2] / "workflow/20261021/事故信息采集2025118.json"
 NODES = {
     "collection": "事故信息收集",
     "single_photo": "单车拍照",
@@ -19,14 +19,17 @@ NODES = {
     "dual_photo_addon": "双车拍照#7",
     "single_confirm": "单车信息确认",
     "dual_confirm": "双车信息确认",
+    "extraction": "文本内容提取事故信息",
 }
+_INPUT_KEYS = {"extraction": "description"}
 
 
 @pytest.mark.parametrize(("prompt", "node_name"), NODES.items())
 def test_archived_prompt_matches_workflow(prompt, node_name):
     workflow = json.loads(WORKFLOW.read_text(encoding="utf-8-sig"))
     node = next(n for n in workflow["nodes"] if n["name"] == node_name)
-    original = next(i["value"] for i in node["inputs"] if i["key"] == "systemPrompt")
+    input_key = _INPUT_KEYS.get(prompt, "systemPrompt")
+    original = next(i["value"] for i in node["inputs"] if i["key"] == input_key)
     archived = load_prompt(prompt).split("--- 原文开始 ---", 1)[1].split("--- 原文结束 ---", 1)[0]
     assert archived.strip() == original.strip()
 
@@ -54,7 +57,7 @@ async def test_short_answer_does_not_override_model_routing():
     }, llm)
     assert result["stage_code"] == "2000"
     assert result["clarify_count"] == 0
-    assert len(llm.calls) == 1
+    assert len(llm.calls) == 2  # 对话 + 提取
 
 
 @pytest.mark.asyncio