chore: update agents, server routes, start script, and views

yibo
1 parent 2d4783a2
Showing 12 changed files with 128 additions and 32 deletions
server/routes/agent-chat.js
server/routes/company.js
start.sh
system/agents/digester-youtube-crawler/todo.md
system/agents/evolver-youtube-crawler/SKILL.md
system/agents/evolver-youtube-crawler/todo.md
system/agents/hunter/todo.md
system/agents/innovator/.claude/scheduled_tasks.json
system/agents/innovator/agent.md
system/agents/innovator/soul.md
system/agents/master/.claude/scheduled_tasks.json
web/src/views/CompanyDashboard.vue
@@ -664,6 +664,13 @@ async function getOrCreateProtocol(agentId, convId) {
   }
   const protocol = new ClaudeCliProtocol({ name: identity.name }, cliOptions);
+  
+  // 绑定错误监听器，防止 EventEmitter 抛出未捕获异常导致整个 Node 进程奔溃 (例如 spawn claude ENOENT)
+  protocol.on('error', (err) => {
+    console.error(`[AgentChat] 🚨 ${identity.name} 协议级异常:`, err.message);
+    sessions.delete(key); // 下次提问将重建进程
+  });
+
   await protocol.connect(null, agentDir);
   await protocol.initialize();
   await protocol.newSession({ cwd: agentDir });
@@ -713,7 +713,7 @@ router.get(&#39;/:companyId/status&#39;, (req, res) =&gt; {
     const heartbeatService = require('../services/heartbeat-service');
     const path = require('path');
     const fs = require('fs');
-    const DATA_DIR = path.resolve(__dirname, '../../data');
+    const DATA_DIR = path.resolve(__dirname, '../../data/companies');
     // 计算运行时长
     const uptimeMs = company.status === 'running' && company.startedAt
@@ -776,7 +776,7 @@ router.put(&#39;/:companyId/agents/:agentId/heartbeat&#39;, (req, res) =&gt; {
     const { intervalMinutes, enabled } = req.body;
     const path = require('path');
     const fs = require('fs');
-    const DATA_DIR = path.resolve(__dirname, '../../data');
+    const DATA_DIR = path.resolve(__dirname, '../../data/companies');
     const configPath = path.join(DATA_DIR, req.params.companyId, 'agents', req.params.agentId, 'config.json');
     if (!fs.existsSync(configPath)) {
@@ -816,7 +816,7 @@ router.post(&#39;/:companyId/agents/:agentId/heartbeat/start&#39;, (req, res) =&gt; {
   try {
     const path = require('path');
     const fs = require('fs');
-    const DATA_DIR = path.resolve(__dirname, '../../data');
+    const DATA_DIR = path.resolve(__dirname, '../../data/companies');
     const configPath = path.join(DATA_DIR, req.params.companyId, 'agents', req.params.agentId, 'config.json');
     if (!fs.existsSync(configPath)) {
@@ -846,7 +846,7 @@ router.post(&#39;/:companyId/agents/:agentId/heartbeat/stop&#39;, (req, res) =&gt; {
   try {
     const path = require('path');
     const fs = require('fs');
-    const DATA_DIR = path.resolve(__dirname, '../../data');
+    const DATA_DIR = path.resolve(__dirname, '../../data/companies');
     const configPath = path.join(DATA_DIR, req.params.companyId, 'agents', req.params.agentId, 'config.json');
     if (!fs.existsSync(configPath)) {
@@ -883,7 +883,7 @@ router.get(&#39;/:companyId/agents/:agentId/skills&#39;, (req, res) =&gt; {
   try {
     const path = require('path');
     const fs = require('fs');
-    const DATA_DIR = path.resolve(__dirname, '../../data');
+    const DATA_DIR = path.resolve(__dirname, '../../data/companies');
     const skillsDir = path.join(DATA_DIR, req.params.companyId, 'agents', req.params.agentId, 'skills');
     if (!fs.existsSync(skillsDir)) {
@@ -5,6 +5,10 @@
 set -e
+# Load NVM to ensure node is available in non-interactive shell
+export NVM_DIR="$HOME/.nvm"
+[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh"
+
 echo "🧬 LemonBoss 启动中..."
 echo "═══════════════════════════════════"
@@ -12,3 +12,4 @@
 | T-mnevj3i8 | 消化 youtube-crawler 的 knowhow.md，为 youtube-crawler Agent 模板生成 benchmark 与训练数据集。\n\n## 输入\n- knowhow.md 路径: system/templates/youtube-crawler/workspace/hunt/knowhow.md\n\n## 产出要求（写入以下目录）\n- 输出目录: system/templates/youtube-crawler/workspace/digest/\n- benchmark.md: 设计 5-8 个可量化维度，权重总和 100%，定义 0-100 分评分细则，设定及格/良好/优秀阈值，目标设计标准达到 90 分以上。\n- train.json: 训练数据集 ≥40 条样本，每条标注各维度得分与总分。\n- test.json: 测试数据集 ≥10 条样本。\n- industry_avg.json: 行业基线（设定 industry_avg_score 和 elite_avg_score）。\n\n## 验收标准\n1. JSON 文件必须合法可解析\n2. benchmark.md 中权重总和 = 100%\n3. train + test 总样本数 ≥ 50\n4. 完成后汇报文件路径和 benchmark 设计摘要 | ✅ 完成 | innovator | P1 | 2026-03-31 17:11 | - |
 | T-mnevwogv | 执行 DIGEST 阶段：消化 youtube-crawler 的 knowhow.md，生成 benchmark.md、train.json、test.json 和 industry_avg.json。输入文件: /mnt/lemonboss/system/templates/youtube-crawler/workspace/hunt/knowhow.md。产出目录: /mnt/lemonboss/system/templates/youtube-crawler/workspace/digest/。要求: 1) benchmark.md 设计 5-8 个可量化维度，权重总和100%，定义0-100分评分细则，设定及格/良好/优秀阈值，目标总分90+；2) train.json ≥40条样本，test.json ≥10条样本；3) industry_avg.json 包含 industry_avg_score 和 elite_avg_score。完成后更新任务状态并汇报。 | ✅ 完成 | innovator | P1 | 2026-03-31 17:22 | - |
 | T-mnevyvaz | 执行 DIGEST 阶段：消化 youtube-crawler 的 knowhow.md，生成 benchmark.md、train.json、test.json 和 industry_avg.json。输入文件: /mnt/lemonboss/system/templates/youtube-crawler/workspace/hunt/knowhow.md。产出目录: /mnt/lemonboss/system/templates/youtube-crawler/workspace/digest/。要求: 1) benchmark.md 设计 5-8 个可量化维度，权重总和100%，定义0-100分评分细则，设定及格/良好/优秀阈值，目标总分90+；2) train.json ≥40条样本，test.json ≥10条样本；3) industry_avg.json 包含 industry_avg_score 和 elite_avg_score。完成后更新任务状态并汇报。 | ✅ 完成 | innovator | P1 | 2026-03-31 17:23 | - |
+| T-mnj3nimu | 【FDE Phase 2: DIGEST】对 YouTube Data API v3 爬取技能进行知识消化与 Benchmark 生成。<br><br>## 目标<br>为 youtube-trending-crawler 技能生成 benchmark 评分标准和训练数据集。<br><br>## 输入文件<br>Hunter 产出的文件位于: /Users/yibo/Documents/lemonAI/lemonboss/system/agents/hunter/workspace/youtube-trending/<br>- knowhow_v2.md<br>- crawl_config.json<br><br>## 目标 Agent<br>- company: test<br>- agent: claude-youtube-skills<br><br>## Digest 任务要求<br>1. **解析 knowhow_v2.md** - 提取核心知识点和 API 调用方法论<br>2. **生成 benchmark_v2.md** - 可量化的评分标准，包含:<br>   - API 调用准确性<br>   - 数据字段完整性<br>   - 多地区/多分类支持<br>   - 错误处理健壮性<br>   - 输出格式正确性<br>   - 配额管理合理性<br>3. **生成训练数据集** (如可能):<br>   - train.json: 训练样本<br>   - test.json: 测试样本<br>4. **计算行业基线分**: industry_avg_score (建议 85-90 分)<br><br>## 输出路径<br>必须写入: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/digest/<br>- benchmark_v2.md - 量化评分标准<br>- train.json - 训练数据集<br>- test.json - 测试数据集<br>- industry_avg.json - 行业基线分数<br><br>## 重要提醒<br>- 读取已有的旧版本 benchmark.md (如存在)，合并并输出新版本 benchmark_v2.md<br>- 保留所有已有内容，追加新的评分维度 | ⬚ 未开始 | innovator | P0 | 2026-04-03 16:09 | - |
@@ -104,9 +104,9 @@ try {
 ## 经验教训 (自动沉淀)
-
-> 以下经验由系统自动从历史对话中提取沉淀，帮助你避免重复犯错。
-
 - ✅ [2026-03-31] 成功创建/修改了 3 个文件: workspace/evolve/skill_youtube_crawler.md`, workspace/evolve/evolution_log.json`, workspace/evolve/test_results.json`
 - ✅ [2026-03-31] 完成了 36 步工具调用的复杂任务 (931秒)
 - ✅ [2026-03-31] 涉及技能训练/评分/进化流程
+- ✅ [2026-04-03] 成功创建/修改了 2 个文件: workspace/evolve/evolve_report.md`, workspace/evolve/optimized_skill.md`
+- ✅ [2026-04-03] 完成了 16 步工具调用的复杂任务 (149秒)
+- ✅ [2026-04-03] 涉及技能训练/评分/进化流程
@@ -14,3 +14,4 @@
 - [x] 基础技能注入完成 (evolving + mock-env + code-refactor)
 | T-mnew8cq0 | 【自我进化任务】测试并优化你的三个核心技能（evolving、mock-env、code-refactor），确保综合 benchmark 达到 90 分以上。<br><br>## 执行步骤<br>1. **Code-Refactor 阶段**: 运行 code-refactor 技能分析 youtube_crawler.js，生成 refactor_report.md<br>2. **Mock-Env 阶段**: 运行 mock-env 技能搭建测试环境，生成 mock 数据<br>3. **Evolving 阶段**: 运行 evolving 技能执行双循环进化<br><br>## 测试目标<br>- 对 system/templates/youtube-crawler/code/youtube_crawler.js 进行代码质量分析<br>- 搭建 mock 测试环境覆盖 API/yt-dlp/异常场景<br>- 执行 benchmark 测试，目标总分 ≥ 90 分<br><br>## 输出要求<br>- workspace/evolver-youtube-crawler/refactor_report.md<br>- workspace/evolver-youtube-crawler/mock/<br>- workspace/evolver-youtube-crawler/evolution_log.md<br>- workspace/evolver-youtube-crawler/benchmark_result.json<br><br>完成后汇报最终得分和改进摘要。 | ⬚ 未开始 | innovator | P1 | 2026-03-31 17:31 | - |
 | T-mnew9pn1 | 【Phase 3 EVOLVING】youtube-crawler 技能双循环进化训练<br><br>## 任务背景<br>- Phase 1 (Hunt): ✅ 已完成，knowhow.md 位于 system/templates/youtube-crawler/workspace/hunt/<br>- Phase 2 (Digest): ✅ 已完成，benchmark.md 和 train_dataset.json 位于 system/templates/youtube-crawler/workspace/digest/<br>- 目标：训练 youtube-crawler 技能达到 90+ 分<br><br>## 输入资料<br>1. benchmark.md: system/templates/youtube-crawler/workspace/digest/benchmark.md<br>2. train_dataset.json: system/templates/youtube-crawler/workspace/digest/train_dataset.json<br>3. test_dataset.json: system/templates/youtube-crawler/workspace/digest/test_dataset.json<br>4. knowhow.md: system/templates/youtube-crawler/workspace/hunt/knowhow.md<br>5. 目标 Agent 技能目录: system/agents/youtube-crawler/.claude/skills/<br><br>## 训练要求<br>1. 执行 Small Loop（技能迭代）最多 10 轮，直到 benchmark score >= 90<br>2. 每轮分析弱维度，针对性修改 Skill 定义<br>3. 使用 mock-env 搭建测试环境<br>4. 使用 code-refactor 优化代码质量<br><br>## 产出要求<br>- 输出目录: system/templates/youtube-crawler/workspace/evolve/<br>- skill_youtube_crawler.md (最终技能定义)<br>- evolution_log.json (进化记录)<br>- test_results.json (测试结果)<br><br>## 完成标准<br>- Benchmark score >= 90 分<br>- 技能文件部署到 system/agents/youtube-crawler/.claude/skills/<br><br>完成后请调用 report_task 向 innovator 汇报。 | ✅ 完成 | innovator | P1 | 2026-03-31 17:32 | - |
+| T-mnj3s7bi | 【FDE Phase 3: EVOLVE】对 YouTube Data API v3 爬取技能进行 RL 进化训练。<br><br>## 目标<br>优化 youtube-trending-crawler 技能，使其 benchmark 得分 ≥ 90 分。<br><br>## 输入文件<br>- Benchmark: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/digest/benchmark_v2.md<br>- Train: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/digest/train.json<br>- Test: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/digest/test.json<br>- Industry Avg: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/digest/industry_avg.json<br><br>## 目标 Agent<br>- company: test<br>- agent: claude-youtube-skills<br><br>## Evolve 任务要求<br>1. **读取现有技能**: 查看 test:claude-youtube-skills 的现有 SKILL.md<br>2. **分析 benchmark**: 理解评分维度和弱项<br>3. **Small Loop 训练**: 逐个修复弱维度:<br>   - 错误处理健壮性 (当前 60分)<br>   - 配额管理合理性 (当前 65分)<br>   - 多地区多分类支持 (当前 68分)<br>4. **运行测试**: 使用 test.json 验证修复效果<br>5. **循环优化**: 直到 score ≥ 90<br><br>## 输出路径<br>必须写入: /Users/yibo/Documents/lemonAI/lemonboss/data/companies/test/agents/claude-youtube-skills/workspace/evolve/<br>- evolve_report.md - 训练报告 (包含每轮迭代的修改和得分)<br>- optimized_skill.md - 优化后的技能定义<br><br>## 验收标准<br>- 最终 benchmark 得分 ≥ 90<br>- 通过 test.json 的全部测试用例<br>- 产出优化的 SKILL.md | ✅ 完成 | innovator | P0 | 2026-04-03 16:13 | - |
@@ -45,3 +45,4 @@
 - T-mnext40u、T-mnexx9w8 (abc:trend-hunter 相关): ⚠️ 已取消 — abc 公司已于 2026-04-01 删除，目标 Agent 不存在。
 - T-mncue787 (hook-editor)、T-mncuebf1 (strategy-reflector): ⚠️ 已取消 — 目标 Agent 不存在。
 - T-mncz867y (idearrun-create)、T-mnexldk1 (lemonv:trend-hunter)、T-mnexpuii (lemonv:screenwriter): ⏸️ 暂停 — hunter 处于系统维护暂停状态，待恢复后处理。
+| T-mnj3emdx | 对 YouTube Data API v3 爬取技能进行深度调研。<br><br>## 目标<br>训练一个能够通过 Google YouTube Data API v3 抓取最热最新视频列表并输出 JSON 的技能。<br><br>## 任务要求<br>1. 调研 YouTube Data API v3 的以下端点:<br>   - 趋势视频 (trending videos)<br>   - 热门视频 (most popular videos)<br>   - 按国家/地区筛选的视频<br>   - 搜索结果 (search)<br>   - 视频详情 (videos)<br>   - 频道详情 (channels)<br><br>2. 输出数据格式要求包含:<br>   - 视频名称<br>   - 发布博主名称<br>   - 博主粉丝数<br>   - 视频热度/热度趋势<br>   - 播放量<br>   - 视频简介<br>   - 视频URL<br>   - 其他相关元数据<br><br>3. 查找现有参考 skills 文档 (参考路径: .claude/skills/)<br><br>## 产出要求<br>输出到以下路径: /Users/yibo/Documents/lemonAI/lemonboss/system/agents/hunter/workspace/youtube-trending/<br>- knowhow_v2.md - 数据源清单和技术调研报告<br>- crawl_config.json - API 爬取配置<br>- seed_data.json - 首次采集的种子数据 (≥50条)<br><br>## 重要提醒<br>- 必须读取已有的旧版本 knowhow.md (如存在)，合并并输出新版本 knowhow_v2.md<br>- 保留所有已有内容，追加新的调研发现 | ⬚ 未开始 | innovator | P0 | 2026-04-03 16:03 | - |
 {
   "tasks": [
     {
-      "id": "5547b5b6",
-      "cron": "*/10 * * * *",
-      "prompt": "读取 todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
-      "createdAt": 1774543358106,
-      "lastFiredAt": 1774981073706,
-      "recurring": true
-    },
-    {
       "id": "40f74b6a",
       "cron": "*/10 * * * *",
       "prompt": "读取 /mnt/lemonboss/system/agents/innovator/todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
       "createdAt": 1774979269375,
-      "lastFiredAt": 1774981073706,
+      "lastFiredAt": 1775234477093,
       "recurring": true
     },
     {
@@ -21,22 +13,23 @@
       "cron": "*/10 * * * *",
       "prompt": "读取 todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
       "createdAt": 1774980403987,
-      "recurring": true,
-      "lastFiredAt": 1774981073706
+      "lastFiredAt": 1775234593197,
+      "recurring": true
     },
     {
       "id": "b1b5867b",
       "cron": "*/10 * * * *",
       "prompt": "读取 todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
       "createdAt": 1774980489432,
-      "recurring": true,
-      "lastFiredAt": 1774981073706
+      "lastFiredAt": 1775234613218,
+      "recurring": true
     },
     {
       "id": "a6cda320",
       "cron": "*/10 * * * *",
       "prompt": "读取 todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
       "createdAt": 1774980660311,
+      "lastFiredAt": 1775234603208,
       "recurring": true
     },
     {
@@ -44,6 +37,7 @@
       "cron": "*/10 * * * *",
       "prompt": "读取 todo.md，检查是否有未完成的任务。如果有，按优先级执行。完成后更新状态。",
       "createdAt": 1774981030401,
+      "lastFiredAt": 1775234493105,
       "recurring": true
     }
   ]
@@ -24,11 +24,11 @@
     │
     ▼ Layer 1: HUNT (调研)
     dispatch → Hunter: 深度调研 + 数据源发现 + 爬虫 + 首次爬取
-    产出: knowhow 基础数据、crawl_config、种子数据集
+    产出: knowhow_vX.md 基础数据、crawl_config、种子数据集（若是重训，产出文件需递增版本后缀防覆盖）
     │
     ▼ Layer 2: DIGEST (消化)
-    dispatch → Digester: 构建 knowhow.md + benchmark.md + 标注数据集 + 行业基准
-    产出: 结构化知识、评分标准、train/test 数据集、industry_avg_score
+    dispatch → Digester: 构建最新版 benchmark_vX.md + 标注数据集 + 行业基准
+    产出: 融合更新的结构化知识、新版评分标准、train/test 数据集、industry_avg_score
     │
     ▼ Layer 3: EVOLVING (进化)
     dispatch → Evolver: 双循环训练直到 score ≥ industry_avg
@@ -67,6 +67,7 @@
 ## ✅ 始终要做
 - 先检查 Hunter/Digester/Evolver 是否存在，不存在先通过 agent-creator 创建
-- 每个 Phase 完成后验证产出质量
+- **切实验收产出质量**：当子 Agent 汇报某个 Phase 结束，你绝不能按目录有无文件就放行，**必须亲自调用读取工具**检视文件内容，并判定文件是否携带了新一版的后缀字样（如 `_v2`），达标后才能在 `plan.md` 打 `✅`
+- 任何 **Retrain(重训)** 第一步：进 `plan.md` 将它的所有 Phase 全部强制重置为 `⬚`！
 - 训练完成后更新 skill_list 并向上级汇报最终分数
 - 参考 docs/ 目录中的模板文件
@@ -18,4 +18,6 @@
 - **双循环** — Small Loop 优化技能，Large Loop 修正基准，永不停止学习
 ## ⚠️ 绝对规则
+- **重置复位法则（针对 Retrain）** — 一旦接收到“重新训练 (Retrain)”的指令，第一件事必定是将被重训对象的在 `plan.md` 中的旧状态全部打回未完成（例如改回 `⬚`）。决不允许再参考先前的 `✅` 状态！历史战绩必须清零，所有阶段从头踏实地跑一遍。
+- **杜绝形式主义的校验** — 每当 Hunt 或 Digest 阶段结束向你汇报时，**绝对禁止**只通过 `ls` 查验目录里是否有文件！你必须使用文件读取命令实际**查看生成的文件内容**并确认：（1）它满足本阶段要求的内容架构；（2）它的存盘名称拥有全新的迭代版本号（例如原来是 `.md` 或 `_v1.md`，本次重训必须新写了带有 `_v2.md` 后缀的全新文件）。只有满足这二者，才能将改阶段标记为 `✅`。
 - **DEPLOY 不可跳过** — 训练达标后，必须将 SKILL.md 复制到 agents/{agent}/ 目录、更新 config.json status、更新 agent.md。如果跳过这步，训练成果等于白费。
 {
-  "tasks": []
+  "tasks": [
+    {
+      "id": "fe1208ce",
+      "cron": "*/5 * * * *",
+      "prompt": "执行系统巡检：读取 plan.md 和 todo.md，检查所有任务状态。已完成的更新标记，卡住的分析原因后自主处理（重新分发或修复），未开始的按优先级立即分发。不要请示用户，直接行动。",
+      "createdAt": 1775231859266,
+      "recurring": true
+    },
+    {
+      "id": "8bff9147",
+      "cron": "*/30 * * * *",
+      "prompt": "生成系统状态日报，统计所有 Agent 任务完成率和异常情况，写入 memory/daily/ 今日文件。",
+      "createdAt": 1775231859272,
+      "recurring": true
+    }
+  ]
 }
@@ -697,6 +697,44 @@
       </div>
     </div>
+    <!-- P0 FIX: Train Modal Overlay -->
+    <div v-if="showTrainModal" class="hire-modal-overlay" @click.self="showTrainModal = false">
+      <div class="hire-modal">
+        <div class="hire-modal-header">
+          <div class="hire-header-title">
+            <span class="emoji">🎓</span>
+            <div>
+              <h3>发起 Innovator 重新训练</h3>
+              <p class="subtitle">针对 {{ targetTrainAgent }} 执行 FDE 训练流程</p>
+            </div>
+          </div>
+          <button class="btn-close-fancy" @click="showTrainModal = false">✕</button>
+        </div>
+
+        <div class="hire-modal-body" style="padding: 24px; display: flex; flex-direction: column; gap: 16px;">
+          <p style="font-size: 14px; color: var(--text-secondary); line-height: 1.5;">
+            系统级 Innovator 将基于下方指令和原数据，重新进行完整的 Hunt -> Digest -> Evolve 三循环步骤，并保留迭代版本。
+          </p>
+          <textarea
+            v-model="trainInstructions"
+            placeholder="请输入想要强化的技能要求、需要增补的数据源说明等..."
+            style="width: 100%; height: 160px; padding: 12px; border: 1px solid var(--border-primary); border-radius: 8px; background: var(--bg-overlay); color: var(--text-primary); font-size: 14px; resize: vertical;"
+          ></textarea>
+        </div>
+
+        <div class="hire-modal-footer">
+          <div class="hire-selection-info">
+          </div>
+          <div class="hire-actions">
+            <button class="btn-fancy-cancel" @click="showTrainModal = false">取消</button>
+            <button class="btn-fancy-submit" :disabled="!trainInstructions.trim() || training" @click="submitRetrain">
+              {{ training ? '⏳ 提交中...' : `🚀 开始重新训练` }}
+            </button>
+          </div>
+        </div>
+      </div>
+    </div>
+
     <!-- ═══ Templates Panel ═══ -->
     <div v-if="showTemplates" class="templates-panel">
       <div class="panel-header">
@@ -751,6 +789,10 @@ const agentSkills = ref([])
 const showHireModal = ref(false)
 const hiring = ref(false)
+const showTrainModal = ref(false)
+const targetTrainAgent = ref(null)
+const trainInstructions = ref('')
+const training = ref(false)
 const hireSearchQuery = ref('')
 const hireFilterType = ref('')
 const hireSortBy = ref('score')
@@ -1143,18 +1185,46 @@ async function toggleAgentSkills(agentId) {
   expandedAgent.value = agentId
 }
-async function triggerTrain(agentId) {
+function triggerTrain(agentId) {
   if (!selectedCompany.value) return
+  targetTrainAgent.value = agentId
+  trainInstructions.value = ''
+  showTrainModal.value = true
+}
+
+async function submitRetrain() {
+  if (!selectedCompany.value || !targetTrainAgent.value) return
+
+  const agentId = targetTrainAgent.value
   const namespacedId = `${selectedCompany.value.id}:${agentId}`
-  if (!confirm(`确定要对 ${agentId} 发起 Innovator 训练？这将触发 agent-creator 重新定义并由 Innovator 训练该 Agent。`)) return
+
+  training.value = true
   try {
-    await axios.post(`/api/agent/${selectedCompany.value.id}:ceo/chat`, {
-      message: `请安排 Innovator 对 ${namespacedId} 进行一次完整的技能训练/再训练。要求：1)评估当前技能缺口 2)使用 Innovator 进行 FDE 训练 3)训练完成后汇报结果`,
-      conversationId: `train-${agentId}-${Date.now().toString(36)}`,
+    const message = `请使用 FDE pipeline 对公司 ${selectedCompany.value.id} 的员工 ${agentId} (ID: ${namespacedId}) 进行**完整的重新训练 (Retrain)**。
+用户的重新训练补充要求/提示词如下：
+"""
+${trainInstructions.value}
+"""
+核心要求：
+1. 你必须结合该 Agent 已有的训练数据，重新开启 Hunt -> Digest -> Evolve 的全新三步流程。不要偷懒跳过前面的阶段。
+2. 在委派给 Hunter 和 Digester 时，明确告诉他们读取旧版本文件，并输出带有新版本后缀的合并文件（务必保留 hunt、digest 所有内容的版本号，例如输出为 knowhow_v2.md, benchmark_v2.md 等，不要直接覆盖现有文件）。
+3. 使用更新后的标准调用 Evolver 进行训练。完成全部 FDE 后向上级汇报最终结果。`
+
+    // 发送请求，但不阻塞 UI
+    axios.post(`/api/agent/innovator/chat`, {
+      message,
+      conversationId: `train-${selectedCompany.value.id}-${agentId}-${Date.now().toString(36)}`,
+    }).catch(e => {
+      console.error('Retrain task error:', e)
+      alert(`❌ 训练任务异常结束: ${e.message}`)
     })
-    alert(`✅ 训练指令已发送给 CEO，CEO 将安排 Innovator 训练 ${agentId}`)
+
+    alert(`✅ 训练指令已发送给 Innovator，将开始在后台进行自动评估和重训 ${agentId}\n您可以在 Agent 的实时状态面板中观察进展。`)
+    showTrainModal.value = false
   } catch (e) {
     alert(`❌ 发送训练指令失败: ${e.message}`)
+  } finally {
+    training.value = false
   }
 }