fix feishu reauth for online docs

backend/api/server.py

@@ -1132,6 +1132,7 @@ class SessionUpdate(BaseModel):
 
 class FeishuAccountRequest(BaseModel):
     account_id: str | None = None
+    force: bool = False
 
 
 class FeishuOnlineDocRequest(BaseModel):
@@ -1616,7 +1617,7 @@ def create_app(state: AgentState) -> FastAPI:
 
     @app.post('/api/integrations/feishu/login')
     async def feishu_login(payload: FeishuAccountRequest) -> dict[str, Any]:
-        return _start_feishu_login(state, payload.account_id)
+        return _start_feishu_login(state, payload.account_id, force=payload.force)
 
     @app.post('/api/integrations/feishu/logout')
     async def feishu_logout(payload: FeishuAccountRequest) -> dict[str, Any]:
@@ -1684,6 +1685,20 @@ def create_app(state: AgentState) -> FastAPI:
         except OSError as exc:
             raise HTTPException(status_code=400, detail=f'读取文件失败: {exc}')
         except Exception as exc:
+            if _is_feishu_auth_error(str(exc)):
+                _stop_feishu_login(payload.account_id)
+                logout_result = _run_feishu_cli(paths, ['logout'], timeout_seconds=30)
+                status = _feishu_status_payload(state, payload.account_id)
+                status['logout_output'] = logout_result.get('output')
+                raise HTTPException(
+                    status_code=409,
+                    detail={
+                        'code': 'feishu_auth_expired',
+                        'message': '飞书登录已过期或未登录，请重新授权后再转换。',
+                        'force_login': True,
+                        'status': status,
+                    },
+                )
             target_name = '飞书表格' if kind == 'sheet' else '飞书文档'
             raise HTTPException(status_code=502, detail=f'{target_name}创建失败: {exc}')
         url = _extract_first_url(rendered)
@@ -4379,16 +4394,36 @@ def _run_feishu_cli(
         }
 
 
+def _is_feishu_auth_error(text: str) -> bool:
+    lowered = text.lower()
+    markers = (
+        'not logged in',
+        'no credentials',
+        'unauthorized',
+        'unauthenticated',
+        'login expired',
+        'token expired',
+        'invalid token',
+        'access token expired',
+        'refresh token expired',
+        '登录已过期',
+        '授权已过期',
+        '未登录',
+        '未授权',
+        '凭证已过期',
+        '认证失败',
+        '请重新登录',
+        '重新授权',
+    )
+    return any(marker in lowered for marker in markers)
+
+
 def _feishu_status_payload(state: AgentState, account_id: str | None) -> dict[str, Any]:
     paths = _feishu_paths(state, account_id)
     _reap_feishu_login(account_id)
     result = _run_feishu_cli(paths, ['status'], timeout_seconds=30)
     output = str(result.get('output') or '')
-    lowered = output.lower()
+    logged_in = result.get('returncode') == 0 and not _is_feishu_auth_error(output)
-    logged_in = result.get('returncode') == 0 and not any(
-        marker in lowered
-        for marker in ('not logged in', '未登录', 'no credentials')
-    )
     pending = _feishu_login_snapshot(account_id)
     payload: dict[str, Any] = {
         'logged_in': logged_in,
@@ -4405,7 +4440,13 @@ def _feishu_status_payload(state: AgentState, account_id: str | None) -> dict[st
     return payload
 
 
-def _start_feishu_login(state: AgentState, account_id: str | None) -> dict[str, Any]:
+def _start_feishu_login(
+    state: AgentState,
+    account_id: str | None,
+    *,
+    force: bool = False,
+) -> dict[str, Any]:
+    if not force:
         status = _feishu_status_payload(state, account_id)
         if status.get('logged_in'):
             return status
@@ -4413,7 +4454,7 @@ def _start_feishu_login(state: AgentState, account_id: str | None) -> dict[str,
     key = _feishu_login_key(account_id)
     with _FEISHU_LOGIN_LOCK:
         existing = _FEISHU_LOGIN_PROCESSES.get(key)
-        if existing is not None and existing.process.poll() is None:
+        if not force and existing is not None and existing.process.poll() is None:
             return {
                 'logged_in': False,
                 'status': 'login_pending',
@@ -4422,6 +4463,8 @@ def _start_feishu_login(state: AgentState, account_id: str | None) -> dict[str,
         _FEISHU_LOGIN_PROCESSES.pop(key, None)
 
     paths = _feishu_paths(state, account_id)
+    if force:
+        _run_feishu_cli(paths, ['logout'], timeout_seconds=30)
     env = os.environ.copy()
     env.update(_feishu_env(paths))
     try:

docs/share-report-v1.md

@@ -0,0 +1,145 @@
+# 从个人 Agent 到团队 Agent：沉淀可复用的 AI 提效探索
+
+## 平台地址
+
+- 平台入口：http://10.189.47.6/
+- 平台文档：http://10.189.47.6/doc
+
+## Git 地址
+
+- 仓库：https://git.n.xiaomi.com/wuyang6/zk-data-agent.git
+
+现有 Skill 数量 12 个，涵盖线上数据挖掘、数据生成、日志分析、标签知识、模型打标、训练发起 / 评测等业务功能，提升组内工作效率。
+
+## 1. 为什么要做这个
+
+个人 AI 提效已经发生了，下一步要解决的是团队复用和流程沉淀。
+
+[图片]
+
+最初的目标，是提升中控 planning 模型迭代中的数据开发效率。
+
+- 日志挖掘、问题分析、数据构造、数据格式化....
+
+做的过程中发现，我们发现低效并不只是某个步骤慢，而是三类能力分散在个人手里：
+
+- 业务知识分散：哪些日志表可查、哪些字段有用、标签边界怎么判断、问题应该怎么归因。
+- 执行工具分散：脚本、参数、路径、格式转换逻辑和产物规范各自维护。
+- AI 经验分散：有效的 AI 流程、会话历史、修正经验、个人偏好难以共享和继承。
+
+类似情况也存在于评测、训练、结果分析、问题排查、线上配置修改等工作中，用于数据开发提效的逻辑也同样适用...
+
+所以，这个项目逐渐从一个数据开发提效实践，演化成一个中控数据 Agent：把已经验证有效的业务知识、执行工具和 AI 经验，整理成可以共享、组合和继续迭代的 Skill 与工具链。
+
+## 2. 目前做了什么
+
+中控数据 Agent 以 Agent Loop 作为执行底座，以业务 Skill 作为核心组织方式，再通过工作区、工具链和记忆机制，把个人经验沉淀成团队可以继续使用和改造的能力。
+
+系统的架构：http://10.189.47.6/doc
+
+[图片]
+
+### 2.1 Skill 热更新与同步
+
+平台支持在页面中更新 Skill：当有人新增或修改 Skill 后，可以通过 Skill 面板同步到当前服务，让新的能力进入模型可见列表。这样业务能力可以跟随实际需求快速迭代，不需要每次都改核心 Agent 代码。
+
+这一点适合团队协作：
+
+- 个人可以先在自己的分支里开发 Skill；
+- 稳定后同步到平台；
+- 其他人可以直接启用和复用；
+- Skill 可以继续被修改、补充和演进。
+
+[图片]
+
+### 2.2 记忆机制
+
+平台目前把记忆分成两类：用户记忆和 Skill 记忆。
+
+- 用户记忆：记录个人偏好、常用环境、输出习惯等。
+- Skill 记忆：记录某个 Skill 使用过程中积累的经验、边界和常见坑。
+
+这类记忆可以在页面中查看和编辑。使用次数越多，某个 Skill 相关的经验越容易被沉淀下来，后续类似任务可以少重复解释。
+
+和常见的“全局用户偏好记忆”相比，这里的重点是把记忆绑定到业务能力上。
+
+例如线上挖掘中，哪些字段更可靠、session 应该怎么抽、哪些输出格式容易出错，这些经验更适合沉淀到对应 Skill，而不是混在一个全局记忆里。
+
+[图片]
+
+典型记忆方法的对比：
+
+| 记忆方案 | 主要解决什么 | 典型做法 | 对我们的启发 | ZK Data Agent 的取舍 |
+|---|---|---|---|---|
+| ChatGPT Memory | 个人助手的长期个性化 | 从用户对话、历史聊天、文件、记忆摘要等来源形成个性化上下文；用户可以查看 Memory Sources、纠正、删除或关闭记忆。OpenAI 文档也强调，删除某条记忆并不等于删除所有来源，完整删除需要处理过去聊天、文件、连接应用等源头。(OpenAI Help Center) | 记忆必须用户可管理、可纠正、可删除、最好能追踪来源。 | 保留“用户记忆”，记录个人偏好、输出习惯、常用约定 |
+| Claude Code / CLAUDE.md + Auto Memory | 项目规则、工程约定、代码库经验沉淀 | CLAUDE.md 保存显式项目规则；Auto Memory 使用 MEMORY.md 作为索引，并把详细内容拆到 debugging.md、api-conventions.md 等主题文件。Claude Code 会在启动时加载 MEMORY.md 前 200 行或 25KB，主题文件按需读取；这些 memory 文件是 Markdown，可编辑、可删除。(Claude Platform Docs) | 记忆应该透明、文件化、可编辑、可版本化；同时要用“索引 + 主题文件”避免全量注入。 | 记忆正文落到 Markdown，用户可在页面编辑 |
+| LangGraph / LangMem | Agent 的会话状态、长期记忆、异步整理 | LangGraph 区分 thread-scoped short-term memory 和跨 session 的 long-term memory；长期记忆通过 namespace 隔离。LangMem 则提供从对话中抽取、合并、更新长期记忆的工具，并支持 hot path 写入和 background memory manager。(LangChain 文档) (LangChain AI) | 记忆需要分层：会话状态、用户长期记忆、Skill 规则、历史经验不是一类东西；写记忆也应区分同步和异步。 | 第一阶段不先上复杂检索框架，但借鉴其结构：主链路只记录候选记忆事件，后台异步整理；注入时按 user_id + skill_id + task_type 精准选择。 |
+| Mem0 | 通用 AI 应用 / Agent 的持久记忆层 | Mem0 把记忆分为 conversation、session、user、organizational 等层；通过 user_id、run_id、metadata 做作用域隔离，并在查询时合并召回不同层级的记忆。(Mem0) | 记忆的 scope 和生命周期应该是数据模型的一等字段，而不是临时写进 prompt。 | 当前先按用户和 Skill 精准注入，不先上复杂检索层 |
+| Zep | 企业级 Agent Memory、时序知识图谱、动态事实更新 | Zep 从聊天、业务数据、文档、JSON 等来源构建 temporal Context Graph；图中包含实体、关系和事实，事实变更后会 invalidating outdated facts，同时保留历史。它还会生成 token-efficient Context Block 给 Agent 使用。(Zep) | 对业务 Agent 很重要的一点是：记忆不能只追加，还要能处理事实过期、口径变化、历史保留、当前有效状态。 | 采用后台异步整理，避免影响主任务执行 |
+| ZK Data Agent | 团队业务 Skill 的持续复用 | 用户记忆 + Skill 核心记忆 + Skill 归档记忆 + 异步整理队列 + Markdown 可编辑。主任务执行时，只注入当前用户和当前 Skill 相关的高优先级记忆。 | 核心目标不是“什么都记住”，而是把反复纠正、反复复用、业务相关的经验沉淀到对应 Skill 上。 | 第一阶段采用轻量、可控方案：Markdown 可编辑、按 Skill 精准注入、后台异步整理、作用域隔离。 |
+
+### 2.3 Jupyter 工作区入口
+
+很多实际工作最终还是要落到远端环境里执行，例如：
+
+- 修改线上配置
+- 发起模型训练-cloudml / 分析训练结果
+- 读取 juiceFS 数据和产物
+
+平台支持把 Jupyter / 远端工作区绑定到当前用户或会话。Agent 在执行任务时，可以围绕当前工作区读写文件、运行脚本、整理结果。
+
+这个能力的价值在于：AI 不只停留在本地聊天和文本生成，而是可以进入真实工作环境，衔接已有的数据、脚本和训练流程。
+
+[图片]
+
+## 3. 我们在怎么用
+
+### 3.1 数据挖掘的例子
+
+会话链接：http://10.189.47.6/session/__LOCALID_0lj28j5i
+
+[图片]
+
+[图片]
+
+### 3.2 标签大师的例子
+
+会话链接：
+
+- http://10.189.47.6/session/__LOCALID_HP8pkRE
+- http://10.189.47.6/session/__LOCALID_bextxgj0
+
+[图片]
+
+### 3.3 线上正则干预的例子
+
+- http://10.189.47.6/session/__LOCALID_dgjr9shm
+
+## 4. 实际效果
+
+| 场景 | 原流程 | 当前流程 | 粗略提效 | 产出 |
+|---|---:|---:|---:|---|
+| 线上问题分析 / 评测集构建 | 1～2 天 | 30 分钟内 | 约 16～32 倍 | 目前已构造 5 个评测集，2000+ 数据 |
+| 数据构造与格式转换 | 1～2 小时 | 10 分钟内 | 约 6～12 倍 |  |
+| 线上配置修改（熟练工） | 20 分钟 | 2 分钟 | 约 10 倍 |  |
+
+[图片]
+
+## 5. 总结
+
+这次实践的起点很具体：提升中控 planning 模型迭代中的数据开发效率。
+
+做下来之后，我们验证了一个更通用的方向：很多 AI 提效能力，真正有复用价值的部分，往往不是某一次对话结果，而是背后的业务知识、执行脚本、流程经验和修正记录。
+
+中控数据 Agent 目前做的事情，就是把这些分散能力整理成团队可以复用的 Skill 和工具链：
+
+- 个人经验可以沉淀成 Skill。
+- Skill 可以被同步、启用和组合。
+- 使用过程中的修正经验可以进入记忆。
+- Jupyter 工作区让 Agent 能连接真实执行环境。
+
+后续继续迭代的重点可以放在三件事：
+
+- 扩展更多高频业务 Skill。
+- 提升 Skill 记忆和团队经验沉淀质量。
+- 把数据开发、评测、训练、线上问题分析这些流程打通得更稳定。

frontend/app/app/api/claw/integrations/feishu/route.ts

@@ -20,6 +20,7 @@ export async function POST(request: Request) {
 
 	const body = (await request.json().catch(() => ({}))) as {
 		action?: unknown;
+		force?: unknown;
 	};
 	const action = typeof body.action === "string" ? body.action : "login";
 	const endpoint =
@@ -30,7 +31,10 @@ export async function POST(request: Request) {
 	const response = await fetch(`${CLAW_API_URL}${endpoint}`, {
 		method: "POST",
 		headers: { "content-type": "application/json" },
-		body: JSON.stringify({ account_id: account.id }),
+		body: JSON.stringify({
+			account_id: account.id,
+			...(action !== "logout" && body.force === true ? { force: true } : {}),
+		}),
 		cache: "no-store",
 	});
 	return proxyResponse(response);

frontend/app/components/assistant-ui/activity-panel.tsx

@@ -574,10 +574,20 @@ function SessionFileRow({ file }: { file: SessionFile }) {
 				unknown
 			>;
 			if (response.status === 409) {
+				const detail = payload.detail;
+				const forceLogin =
+					Boolean(
+						detail &&
+							typeof detail === "object" &&
+							(detail as { force_login?: unknown }).force_login,
+					) ||
+					(detail &&
+						typeof detail === "object" &&
+						(detail as { code?: unknown }).code === "feishu_auth_expired");
 				const loginResponse = await fetch("/api/claw/integrations/feishu", {
 					method: "POST",
 					headers: { "content-type": "application/json" },
-					body: JSON.stringify({ action: "login" }),
+					body: JSON.stringify({ action: "login", force: forceLogin }),
 				});
 				const loginPayload = (await loginResponse
 					.json()

tests/test_feishu_integration.py

@@ -109,6 +109,34 @@ class FeishuIntegrationTests(unittest.TestCase):
             )
             self.assertEqual(online_docs['files'][str(file_path)]['kind'], 'doc')
 
+    def test_create_online_doc_returns_login_required_when_mcp_token_expired(self) -> None:
+        with tempfile.TemporaryDirectory() as tmp_dir:
+            client, state = _build_client(Path(tmp_dir))
+            file_path = _write_account_file(state, 'alice', 'draft.md', '# hello')
+
+            with patch.object(
+                gui_server,
+                '_feishu_status_payload',
+                return_value={'logged_in': True, 'status': 'logged_in'},
+            ), patch.object(
+                gui_server.MCPRuntime,
+                'call_tool',
+                side_effect=RuntimeError('登录已过期或未登录，请重新授权'),
+            ), patch.object(
+                gui_server,
+                '_run_feishu_cli',
+                return_value={'returncode': 0, 'output': 'logged out'},
+            ):
+                response = client.post(
+                    '/api/files/online-doc',
+                    json={'account_id': 'alice', 'path': str(file_path)},
+                )
+
+        self.assertEqual(response.status_code, 409)
+        detail = response.json()['detail']
+        self.assertEqual(detail['code'], 'feishu_auth_expired')
+        self.assertTrue(detail['force_login'])
+
     def test_create_online_doc_converts_csv_to_feishu_sheet(self) -> None:
         with tempfile.TemporaryDirectory() as tmp_dir:
             client, state = _build_client(Path(tmp_dir))