先从真实工作中发现值得 Agent 化的流程，再把证据、低效点、介入方案和风险沉淀为可审计报告。它解决的是 Agent 设计之前的机会发现问题，而不只是生成一张营销图。
- 从公开证据或内置证据池形成候选工作流，避免凭想象选题。
- 用真实性、流程连续性、低效程度和 Agent 价值统一评分。
- 候选必须经过 Human lock 才能进入深度拆解，业务决策仍由人完成。
- 输出原流程、Agent 流程、风险审查、指标、Trace 和最终报告。
- 实时搜索失败时明确标记
source_mode，不把兜底结果伪装成实时数据。
flowchart LR
UI[Web 工作台] --> ORCH[状态机 / LangGraph]
ORCH --> MODEL[StepFun Adapter]
ORCH --> EVIDENCE[搜索与证据池]
ORCH --> ARTIFACTS[Trace / Metrics / Report]
核心模块位于 src/restaurant_workflow_discovery/，同时保留稳定状态机和可选 LangGraph runner。每次运行生成 run_id、节点级 Trace、健康状态和模型用量记录。
要求 Python 3.11–3.13。
python -m venv .venv
.\.venv\Scripts\python -m pip install -r requirements-langgraph.txt
.\.venv\Scripts\python -m src.restaurant_workflow_discovery.web_demo打开 http://127.0.0.1:7860，健康检查为 http://127.0.0.1:7860/api/health。未配置模型时可运行证据驱动的本地降级链路；真实 StepFun 调用需要在进程环境中提供 STEPFUN_API_KEY。
.\.venv\Scripts\python -m unittest discover -s tests -v
npm run qa:model当前本地结果：12 项测试中 10 项通过，LangGraph 可选依赖与真实模型各跳过 1 项。npm run qa:model 会核验 StepFun provider token usage、候选工作流、trace 和报告，并生成不入库的 MODEL_QA_RUN.json；缺少密钥时该验收应失败。