Version: 0.7.0.dev.260319

✨ feat(agent): 新增智能排程 Agent 全链路 + ReAct 精排引擎

  🏗️ 智能排程 Graph 编排（阶段 1 基础链路）
  - 新增 scheduleplan 包：state / tool / prompt / nodes / runner / graph 六件套
  - 实现 plan → preview → materialize → apply → reflect → finalize 完整图编排
  - 通过函数注入解耦 agent 层与 service 层，避免循环依赖
  - 路由层新增 schedule_plan 动作，复用现有 SSE + 持久化链路

  🧠 ReAct 精排引擎（阶段 1.5 语义化微调）
  - 粗排后构建"混合日程"（既有课程 + 建议任务），统一为 HybridScheduleEntry
  - LLM 开启深度思考，通过 Swap / Move / TimeAvailable / GetAvailableSlots 四个 Tool 在内存中优化任务时间
  - reasoning_content 实时流式推送前端，用户可见 AI 思考过程
  - 精排结果仅预览不落库，向后兼容（未注入依赖时走原有 materialize 路径）

  📝 文档
  - 新增 ReAct 精排引擎决策记录

  ⚠️ 已知问题：深度思考模式耗时较长，超时策略待优化

docs/智能排程四步走实施方案.md

@@ -63,6 +63,33 @@
 - 应对：严格 JSON Schema 校验，失败直接走默认修补/人工规则。
 - 回滚：关闭 `ENABLE_SCHEDULE_PLAN_AGENT`，回退到原接口链路。
 
+### 4.6 总流程规划
+
+```
+任务目标：实现一个基于 ReAct 范式的智能排程微调引擎，将“粗排结果”与“既有日程”混合，并通过 AI 进行语义化优化。
+1.需要新建的前置函数：
+(1)HybridScheduleWithPlan：从数据库中提取和排程时间范围相同的日程，放在sv/schedules.go里面，通过回调来作为一个节点然后调用(如果你有更好的结构建议，欢迎告诉我)
+2.需要新建的tool(直接改State)：
+(1)Swap:LLM传入带交换两个任务的相对时间(从json中获取，第x周第x-x节)，这个工具会自动寻找并交换时间(通过修改Schedule结构体内部数据实现的)，找不到就报错。
+(2)Move:同上，传入一个任务的相对时间(第x周第x-x节)，直接寻找并修改State中的Schedule中的时间。
+注意，上述(1)和(2)都必须带合法性检验。
+(3)timeAvailable:检测目标时间在当前日程中是否可用，用于服务(2)。
+(4)GetAvailableSlots:反馈给AI(json格式)可用时间的列表，用于让AI选择挪动过去的时间。
+3.基本流程如下：
+(1)获取用户智能排程意图，提取task_class_id，调用SmartPlanning进行粗排，然后再通过上面的前置函数(1)将日程和已经安排好的任务混合，并传入State。
+(2)LLM启动深度思考(必须开深度思考)，告诉它上述工具及其作用，让它自由选择调用。prompt你自己写，差不多就是：
+考虑不同科目的"上下文切换成本"，某科目更加适合学习的时间段以及人一天的学习效率曲线等因素，修改上述json中status为suggested且type为task的任务，最终形成无论从复习效果，还是学习体感上来看都十分科学合理的学习方案。
+(3)此时，模型开启深度思考，推送reasoning stream到前端，和既定的状态chunk穿插。
+(4)在思考中，模型一次看好改动逻辑(这就是为啥要开深度思考的原因，逻辑有点绕)，然后思考结束，出结果后一次性调用这些tool。
+注意，这里有备选方案，如果模型逻辑不够，那就一次只调一次tool，多调用几次llm，这样用时间换正确率。
+(4.1)若调用成功，则直接返回排程结果到前端(禁止落库，用户得看效果再决定是否正式落库，而正式落库用不着agent)
+(4.2)若失败，则把失败原因返回LLM，LLM再看情况自己思考并重试。
+
+
+```
+
+
+
 ---
 
 ## 阶段 2：从“我想复习概率论”自动生成任务类，并接入阶段 1