@@ -169,20 +169,25 @@ review 展示必须简短清晰，不要重复解释工具和流程。每次 rev
9. 用户提出修改意见时，调用 `data_agent_update_generation_plan` ，再展示计划。
10. 用户明确确认当前计划版本后，调用 `data_agent_confirm_generation_plan` 。
11. 分批生成 dataset draft text v1，每批最多 8 条，不要用 `write_file` 保存 `draft_part*.txt` 这类中间草稿。
12. 每生成一批，立刻使用 `python_exec` 执行 `skills/product-data/scripts/normalize_dataset_draft.py` ：通过 `stdin` 传入小批量 JSON，必须带 `confirmed_plan_id` 、 `records_output_path=" scratchpad/normalized_records.jsonl" `、 `append=true` 、 `return_records=false` ； `complex: true/false`
13. 所有批次 normalize 完成后，使用 `python_exec` 执行 `skills/product-data/scripts/validat e_dataset_records.py` ，传 `records_path="scratchpad/normalized_records.jsonl" `
14. 如果用户要求落盘 canonical records，使用 `python_exec` 执行 `skills/product-data/scripts/export_dataset_records.py` ，逻辑输出固定为 `output/records.jsonl` ，默认导出紧凑 JSONL，并同时生成同目录 `records.csv` 表格，不要用 `write_file` 手写 JSON 或 CSV 。
15. 如果用户已经明确要训练数据 ，使用 `python_exec` 执行 `skills/product-data/scripts/export_training_jsonl .py` ， 优先 传 `records_path` ，输出固定为 `output/training .jsonl`
16. 如果用户已经明确要评测 pl anningPrompt 数据 ，使用 `python_exec` 执行 `skills/product-data/scripts/export_planning_eval_csv.py` ，优先传 ` records_path ``output/eval_planning.csv` 。
17. 如果用户只说“生成数据”但没有说明下游用途，生成 canonical records 和 `records.csv` 后，简短询问用户是否还需要导出训练 jsonl 或评测 csv；不要自己默认生成全部最终格式 。
12. 如果是继续一个已确认但中断/超时的生成任务，先检查 ` scratchpad/normalized_records.jsonl` 是否已存在；存在时先用 `python_exec` 统计已有记录数，然后从下一批继续追加，禁止覆盖已有记录 。
13. 每生成一批，立刻使用 `python_exec` 的 `script_path` 模式 执行 `skills/product-data/scripts/normaliz e_dataset_draft.py` ：通过 `stdin` 传入小批量 JSON，必须带 `confirmed_plan_id` 、 `records_output_path="scratchpad/normalized_records.jsonl"` 、 `append=true` 、 `return_records=false` ； `complex: true/false `
14. 单轮最多连续生成并 normalize 3 批；如果计划还没完成，先停止并汇报“已生成 X/Y 条，回复继续生成可从下一批继续”，不要在同一轮里继续生成第 4 批 。
15. 所有批次 normalize 完成后 ，使用 `python_exec` 执行 `skills/product-data/scripts/validate_dataset_records .py` ，传 `records_path="scratchpad/normalized_records .jsonl" ` 。
16. 如果用户要求落盘 c ano nical records ，使用 `python_exec` 执行 `skills/product-data/scripts/export_dataset_ records.py ` ， 逻辑 输出固定为 `output/records.jsonl` ，默认导出紧凑 JSONL，并同时生成同目录 `records.csv` 表格，不要用 `write_file` 手写 JSON 或 CSV 。
17. 如果用户已经明确要训练数据，使用 `python_exec` 执行 `skills/product-data/scripts/export_training_jsonl.py` ，优先传 `records_path` ，输出固定为 `output/training.jsonl`
18. 如果用户已经明确要评测 planningPrompt 数据，使用 `python_exec` 执行 `skills/product-data/scripts/export_planning_eval_csv.py` ，优先传 `records_path` ，输出固定为 `output/eval_planning.csv` 。
19. 如果用户只说“生成数据”但没有说明下游用途，生成 canonical records 和 `records.csv` 后，简短询问用户是否还需要导出训练 jsonl 或评测 csv；不要自己默认生成全部最终格式。
生成阶段要避免一次性把大量数据塞进工具参数：
- 单次 `normalize_dataset_draft.py` 最多处理 8 条 case；计划数量更多时，分批生成、分批 normalize 到同一个 `scratchpad/normalized_records.jsonl` ，再统一校验和导出。
- 单轮最多推进 3 批，超过 24 条的数据要做阶段性停顿，等待用户回复“继续生成”再继续；这是为了避免模型长时间连续生成导致请求超时。
- 继续生成前必须先统计 `scratchpad/normalized_records.jsonl` 的现有行数；如果已有记录，后续 normalize 必须 `append=true` ，不要重新从第 1 批覆盖。
- dataset draft 中的 Agent target 推荐写成单引号形式，例如 `target: Agent(tag='地图导航')` 。工具会规范化为 `Agent(tag="地图导航")` ，这样可以降低 tool call JSON 里双引号转义失败的概率。
- `complex:` 独立写一行，不要写进 `target:` ；工具会在导出训练数据和流转表格时自动组合成 `complex=false\nAgent(...)` 。
- 不要调用 `write_file` 保存模型新生成的 dataset draft；只有用户已经提供 draft 文件时，才使用 `draft_path` 。
- 校验和导出 records 时，优先传 `records_path="scratchpad/normalized_records.jsonl"` ，不要把大量 records 数组塞进工具参数。
- 不要在 `python_exec.code` 中再用 `subprocess.run([...normalize_dataset_draft.py])` 调脚本；执行 product-data 脚本时直接使用 `python_exec` 的 `script_path` 参数，避免相对路径落到 scratchpad 后找不到脚本。
## 数据生成输出格式
@@ -357,6 +362,14 @@ canonical records 落盘必须使用 `export_dataset_records.py`，默认格式
生成计划确认后，格式转换、校验和导出一律使用 `python_exec` 执行这些脚本。不要用 `bash` 执行 Python。脚本在平台内会自动把逻辑路径 `output/...` 路由到当前会话的 output 目录；独立运行时则写入当前目录下的 `output/` 。
调用本目录脚本时，必须优先使用 `python_exec` 的 `script_path` 模式，例如：
``` text
python_exec(script_path="skills/product-data/scripts/normalize_dataset_draft.py", stdin="<JSON>", timeout_seconds=60)
```
不要在 `python_exec.code` 里通过 `subprocess` 二次调用这些脚本；`python_exec.code` 的当前目录通常是会话 scratchpad，相对路径容易解析错。
### `product_data_normalize_dataset_draft`
脚本：
@@ -401,9 +414,17 @@ skills/product-data/scripts/normalize_dataset_draft.py
调用方式示例：
``` text
python_exec(script_path="skills/product-data/scripts/normalize_dataset_draft.py", stdin="<上面的 JSON>")
python_exec(script_path="skills/product-data/scripts/normalize_dataset_draft.py", stdin="<上面的 JSON>", timeout_seconds=60 )
```
继续中断任务时，先统计已有 records：
``` text
python_exec(code="import os\nfrom pathlib import Path\np=Path(os.environ.get('PYTHON_EXEC_SCRATCHPAD', '.'))/'normalized_records.jsonl'\nprint(sum(1 for _ in p.open(encoding='utf-8')) if p.exists() else 0)")
```
如果已有记录数大于 0，下一批必须设置 `append=true` ，并从下一批覆盖点继续生成。
### `product_data_validate_dataset_records`
脚本：
@@ -521,7 +542,7 @@ skills/product-data/scripts/export_planning_eval_csv.py
- `grep_search` ：在项目中搜索已有标签定义、历史数据样例或相关文档。
- `glob_search` ：按路径模式查找定义文件、样例文件或历史产物。
- `ask_user_question` ：需要用户明确选择或补充关键信息时使用；如果不可用，就用普通回复提问并停止。
- `python_exec` ：执行 `skills/product-data/scripts/` 下的 portable scripts；格式转换、校验、导出必须优先用它，不要用 `bash` 执行 Python。
- `python_exec` ：执行 `skills/product-data/scripts/` 下的 portable scripts；格式转换、校验、导出必须优先用它的 `script_path` 模式 ，不要用 `bash` 执行 Python，也不要在 `python_exec.code` 里用 subprocess 二次调用脚本 。
- `data_agent_load_input_sources` ：读取用户给的目录或文件，把 docx/xlsx/pdf 等输入统一抽成段落、表格和 source refs。
- `data_agent_render_source_context` ：把结构化输入渲染成大模型可读文本，支持 `max_chars` 、表格行数和关键词过滤，用于后续模型语义抽取。
- `data_agent_extract_case_evidence` ：从 badcase/评测/走查表中抽取 query、预期标签、模型预测、上下文和备注；字段歧义会返回需要确认的问题。
wuyang6