refactor(agent): 移除 rag_summary_tools，改为路由层注入 RAG 上下文

- 从 agent 默认工具中移除 rag_summary_tools
- get_agent_stream_response 新增 rag_context 参数
- 更新 system prompt：有 RAG 上下文时注入参考资料，无则使用默认 prompt
- 更新 main_prompt.txt：从'优先检索'改为'基于资料回答'

Author: RMA-MUN

backend/app/agent/agent.py

@@ -18,7 +18,6 @@
     get_today_reviews_tool,
     get_user_info_tools,
     mark_reviewed_tool,
-    rag_summary_tools,
     search_notes_tool,
     set_current_user_id,
     set_thinking_callback,
@@ -63,7 +62,6 @@ def __init__(
     def _get_default_tools() -> list[BaseTool]:
         """获取默认工具列表"""
         return [
-            rag_summary_tools,
             what_time_is_now,
             get_user_info_tools,
             search_notes_tool,
@@ -253,6 +251,7 @@ async def get_agent_stream_response(
         session_id: str,
         user_id: str,
         custom_tools: list[BaseTool] | None = None,
+        rag_context: str = "",
         **kwargs
 ) -> AsyncGenerator[str, None]:
     """
@@ -261,6 +260,7 @@ async def get_agent_stream_response(
     :param session_id: 会话 ID
     :param user_id: 用户 ID
     :param custom_tools: 自定义工具（可选）
+    :param rag_context: 预检索的 RAG 上下文（由路由层注入，为空则跳过）
     :param kwargs: 其他参数
     :return: 流式响应生成器
     """
@@ -292,12 +292,23 @@ async def run_agent():
 
             agent_executor = agent_factory.create_agent_executor(custom_tools=custom_tools, **kwargs)
 
+            # 根据是否有 RAG 上下文决定 system prompt 内容
+            if rag_context:
+                system_prompt = f"""你是用户的智能助手。
+
+以下是与用户问题相关的参考资料：
+{rag_context}
+
+请基于以上资料回答用户的问题。如果资料中没有相关信息，请如实告知。"""
+            else:
+                system_prompt = agent_factory.default_system_prompt
+
             full_response = []
 
             async for chunk in agent_executor.astream({
                 "input": query,
                 "chat_history": chat_history,
-                "system_prompt": agent_factory.default_system_prompt
+                "system_prompt": system_prompt
             }):
                 if "output" in chunk:
                     full_response.append(chunk["output"])

backend/app/agent/agent_tools.py

@@ -7,7 +7,6 @@
 from app.core.background_init import init_manager
 from app.core.logger_handler import logger
 from app.db.db_config import AsyncSessionLocal
-from app.rag.rag_service import RagService
 from app.services.review_service import review_service
 from app.utils.auth_utils import decode_django_jwt
 
@@ -30,29 +29,6 @@ def get_thinking_callback_from_context():
     """从上下文获取思考过程回调"""
     return thinking_callback_var.get()
 
-@tool(description=(
-    "用于从向量数据库里检索文档并生成摘要，返回包含文档列表和摘要的结果。"
-    "返回格式为：'摘要: [摘要内容]\n\n检索到的文档列表:\n1. [文档1内容]\n2. [文档2内容]\n...'。"
-    "注意：文档已经过自动重排序，无需再调用重排序工具"
-))
-async def rag_summary_tools(query: str, user_id: str = None) -> str:
-    """RAG 摘要工具"""
-    effective_user_id = user_id or get_current_user_id_from_context()
-    if not effective_user_id:
-        return "错误: 无法确定用户身份，请提供有效的user_id"
-
-    thinking_callback = get_thinking_callback_from_context()
-    result = await RagService(effective_user_id, thinking_callback=thinking_callback).get_documents_and_summary(query)
-    documents = result.get("documents", [])
-    summary = result.get("summary", "")
-
-    formatted_result = f"摘要: {summary}\n\n"
-    formatted_result += "检索到的文档列表（已重排序）:\n"
-    for i, doc in enumerate(documents, 1):
-        formatted_result += f"{i}. {doc}\n"
-
-    return formatted_result
-
 @tool(description="当用户明确问自己的ID和用户名时，从JWT中获取当前用户ID和用户名，参数为完整的JWT token字符串")
 async def get_user_info_tools(token: str) -> str:
     """获取用户信息工具"""

backend/app/prompt/main_prompt.txt

@@ -1,15 +1,14 @@
-你是一个智能笔记助手，核心能力是帮助用户管理笔记并**优先根据笔记内容和知识库内容**来回答问题。你具备RAG能力（可以检索用户上传的文档或用户写的笔记），也具备笔记管理能力（搜索、统计、创建、回顾）。
+你是一个智能笔记助手，核心能力是帮助用户管理笔记并回答问题。你具备笔记管理能力（搜索、统计、创建、回顾），也具备知识问答能力。
 
 你说话简单直接，不说废话。
 
 ## 核心任务
-1. **优先检索原则**：回答任何问题前，**必须优先**使用 `rag_summary_tools` 从知识库和笔记中检索相关内容，基于检索结果进行回答
-2. **笔记相关**：用户询问笔记时，使用 `search_notes_tool` 搜索笔记，或用 `get_note_stats_tool` 查看笔记统计
-3. **RAG检索**：需要从知识库或笔记中获取详细知识时，使用 `rag_summary_tools` 检索并生成摘要
-4. **每日回顾**：用户问"今天要回顾什么"时，使用 `get_today_reviews_tool`；回顾完成后用 `mark_reviewed_tool` 标记
-5. **创建笔记**：用户想让AI帮忙写笔记时，使用 `create_note_tool`
-6. **关联推荐**：用户想找相似笔记或相关资料时，使用 `get_related_notes_tool`
-7. **直接回答**：只有在确认知识库和笔记中完全没有相关内容时，才对常识性问题直接回答
+1. **基于资料回答**：如果系统提供了参考资料，请基于资料内容回答，并引用来源（如「根据你的笔记…」「根据知识库…」）。资料中没有的信息，如实告知用户
+2. **笔记管理**：搜索笔记用 `search_notes_tool`，查看统计用 `get_note_stats_tool`
+3. **每日回顾**：用户问"今天要回顾什么"时，使用 `get_today_reviews_tool`；回顾完成后用 `mark_reviewed_tool` 标记
+4. **创建笔记**：用户想让AI帮忙写笔记时，使用 `create_note_tool`
+5. **关联推荐**：用户想找相似笔记或相关资料时，使用 `get_related_notes_tool`
+6. **直接回答**：当没有提供参考资料时，基于你的知识直接回答用户问题
 
 ## 工具使用规则
 1. 每次调用工具前，必须输出真实的自然语言思考过程