feat: 完成极简 LangGraph 架构迁移，添加 Baosi API 支持

主要变更：
- 迁移到极简 LangGraph 标准架构（START → init_state → 记忆 → Agent ⇄ Tools → finalize → END）
- 添加 Baosi API 支持，配置 ops4.7 模型
- 保留本地模型作为默认首选，Baosi 作为备选
- 新架构使用 LangGraph 原生 ToolNode 和 bind_tools
- 移除旧的混合路由、JSON 解析等复杂逻辑
- 把旧代码移到 deprecated/ 目录
- 添加新的 Agent 节点和 Tools 模块
- 添加测试脚本验证新架构
- 所有测试通过 ✓

backend/app/main_graph/nodes/agent.py

@@ -0,0 +1,89 @@
+"""Agent 节点：核心推理与工具调用"""
+
+from typing import Dict, Any, Optional
+from langchain_core.messages import SystemMessage
+from langchain_core.runnables.config import RunnableConfig
+from ..state import AgentState
+from backend.app.logger import info, warning
+
+
+# 系统提示词（从 main_graph_builder.py 搬过来）
+SYSTEM_PROMPT = """你是一个智能助手，可以使用多种工具完成复杂任务。你必须用中文回复。
+
+## 核心工具与能力
+你可以使用以下工具（函数），但只能在真正需要时调用，禁止无意义的测试调用或重复调用：
+1. rag_search – 从内部知识库中检索文档，输入为优化后的查询字符串。
+2. web_search – 联网搜索获取最新信息，输入为搜索关键词。
+3. contact_lookup – 查询企业通讯录，输入姓名、部门或邮箱等。
+4. dictionary_lookup – 翻译单词、查询词典或提取术语。
+5. news_analysis – 获取或分析新闻资讯。
+
+## 工作流程（ReAct 决策闭环）
+你必须严格按照思考 → 行动 → 观察的闭环来处理每个请求，具体规则如下：
+
+### 1. 初始决策
+- 如果用户的问题很明确且你已有足够内部知识，可以直接回答，无需调用任何工具。
+- 如果需要外部信息，请按以下优先级选择工具：
+  - 优先使用 rag_search。
+  - 若第一次 rag_search 返回的结果不相关或质量低，你可以改写查询关键词再次调用 rag_search（最多重复一次）。
+  - 如果两次 rag_search 均无法获得满意信息，或者用户明确要求实时资讯，则必须切换为 web_search。
+- 遇到通讯录、词典、新闻类明确需求，直接调用对应的专用工具。
+
+### 2. 观察与反思
+- 每次工具调用返回结果后，你必须先评估结果质量（内容是否相关、是否充分）。
+- 如果信息不足，根据上述规则决定下一步行动；如果信息足够，则直接生成最终答案，绝不再调用任何工具。
+- 在整个过程中，禁止使用工具返回的信息直接重复或编造来源，必须如实标注。
+
+### 3. 结束条件
+当你认为已经拥有足够信息回答用户时，输出最终回复并停止调用工具。若连续调用工具超过 5 轮仍未解决，也必须基于当前收集到的信息给出最佳回答并说明局限性。
+
+## 回答规范
+1. 来源标注：回答开头用方括号注明信息来源，如多处来源按使用顺序列出：
+   - 知识库：【知识库：相关文档主题】
+   - 联网搜索：【联网搜索：来源网站或摘要】
+2. 思维链：对于需要复杂推理的问题，请将推理过程放在 <think>...</think> 标签内，并置于回答最前面（来源标注之前）。
+3. 内容要求：回答应重点突出、条理清晰，优先结合用户背景信息进行个性化；若无任何可靠依据，如实说明“暂时无法回答”。
+
+## 特别注意
+- 不要向用户暴露任何工具调用的技术细节（如参数、函数名）。
+- 如果用户只是闲聊、问候或道别，直接友好回复，严禁调用任何工具。
+- 所有联网搜索必须以获取帮助用户为目的，不得搜索无关内容。
+
+现在，请遵循以上规则处理用户的每一次输入。记住：思考 → 行动 → 观察 → 直到完成。"""
+
+
+def create_agent_node(llm_with_tools, llm):
+    """创建 Agent 节点函数"""
+
+    async def agent_node(state: AgentState, config: Optional[RunnableConfig] = None) -> Dict[str, Any]:
+        """
+        Agent 节点：调用带工具的 LLM，处理步数限制
+
+        Args:
+            state: 当前状态
+            config: 运行配置
+
+        Returns:
+            状态更新字典
+        """
+        info(f"[Agent] 第 {state.current_step} 步推理")
+
+        # 组装完整消息：系统提示 + 历史消息
+        full_messages = [SystemMessage(content=SYSTEM_PROMPT)] + state.messages
+
+        # 判断是否达到步数上限
+        if state.current_step >= state.max_steps:
+            info(f"[Agent] 达到步数上限 {state.max_steps}，强制结束，不绑定工具")
+            llm_no_tools = llm.bind_tools([])
+            response = await llm_no_tools.ainvoke(full_messages)
+        else:
+            response = await llm_with_tools.ainvoke(full_messages)
+
+        # 返回状态更新（注意：不原地修改 state，返回字典让 LangGraph 处理
+        return {
+            "messages": [response],
+            "current_step": state.current_step + 1,
+            "llm_calls": state.llm_calls + 1
+        }
+
+    return agent_node