新增: 上下文管理演进 Wave2（T3结构化摘要 + T4工作流DAG占位）

T3: 压缩摘要双格式（向后兼容）
- compress_via_llm 返回类型 Result<String> → Result<CompressedSummary>
- 新增 parse_sections_to_json: 从四段式 Markdown 摘要解析 JSON 卡片
- context_lifecycle: 插入 NL 摘要（向后兼容），预留 WorkingContext 联动
- manual compress IPC (chat.rs): 适配新返回类型

T4: 工作流 DAG 注入（占位）
- workflow_context.rs: 空壳函数，待 PerConvState.workflow_id 落地后接入
- mod.rs: 注入点已就位（日志占位）
- 后续需补: DAG 加载 + 活跃路径裁剪 + system_prompt 注入

src-tauri/src/commands/ai/agentic/context_lifecycle.rs

@@ -28,7 +28,7 @@ use std::sync::Arc;
 use tauri::{AppHandle, Emitter, Manager};
 use tokio::sync::Mutex;
 
-use df_ai::context_helpers::extract_keyword_summary;
+use df_ai::context_helpers::{extract_keyword_summary, CompressedSummary};
 use df_ai::provider::{ChatMessage, LlmProvider};
 use df_storage::models::AiProviderRecord;
 
@@ -129,7 +129,7 @@ pub(super) async fn maybe_auto_compress(
 
             // 压缩调用(复用 loop 顶部已 build 的 provider,api_key 经 secret 闭环)。
             // 成功 → Some(summary);失败 → Err;无 active 可压缩(active_msgs 空)→ 视为 noop。
-            let compress_outcome: Result<Option<String>, String> = if active_msgs.is_empty() {
+            let compress_outcome: Result<Option<CompressedSummary>, String> = if active_msgs.is_empty() {
                 Ok(None)
             } else {
                 compress_via_llm(
@@ -145,15 +145,14 @@ pub(super) async fn maybe_auto_compress(
             match compress_outcome {
                 Ok(Some(summary)) => {
                     // LLM 成功 → 标 compressed(扣 token)+ 摘要 system 插首位 + set_compressing(false)。
-                    // compress_old_messages 幂等:此时 status 仍是 active(本流程未先标),它会把
-                    // [..protect_start] 内 active 标 compressed 并扣 token。返回的 cloned 与之前读的
-                    // active_msgs 等价(LLM 调用期间 messages 不变,见上方口径决策注)。
                     {
                         let mut session = session_arc.lock().await;
                         let conv = session.conv(&conv_id);
                         let _compressed = conv.messages.compress_old_messages(protect_start);
-                        conv.messages.insert_at(0, ChatMessage::system(&summary));
+                        // T3: 插入 NL 摘要(向前兼容),JSON 卡片可供后续 WorkingContext(T5)使用
+                        conv.messages.insert_at(0, ChatMessage::system(&summary.nl_summary));
                         conv.messages.set_compressing(false);
+                        // TODO(T5): 如有 WorkingContext,调用 version.reset_all(summary.json_card, turn)
                     }
                     tracing::info!(
                         conv_id = %conv_id,
@@ -166,7 +165,7 @@ pub(super) async fn maybe_auto_compress(
                     // miniapp 仍插摘要气泡(对端发生压缩告知用户)。
                     let ev = AiChatEvent::AiAutoCompressed {
                         conversation_id: Some(conv_id.to_string()),
-                        summary,
+                        summary: summary.nl_summary,
                     };
                     let _ = app_handle.emit("ai-chat-event", ev.clone());
                     // L3 emit 双写:tunnel subscriber(阶段2)透传 miniapp

src-tauri/src/commands/ai/agentic/mod.rs

@@ -258,6 +258,7 @@ use context_lifecycle::maybe_auto_compress;
 mod title_lifecycle;
 #[allow(unused_imports)]
 mod knowledge_lifecycle;
+mod workflow_context;
 
 // ============================================================
 // L2 统一状态机(ConvState enum + 转换守卫,单一真相源)。
@@ -868,6 +869,11 @@ pub(crate) async fn run_agentic_loop(
     let behavior_prompt = "\n## AI 定位\n你是 DevFlow 的 AI 助手,拥有完整的工具链。用户只负责提需求和审批,所有执行由你完成——读写文件、运行命令、创建项目、搜索代码等都是你直接调用工具完成的。**绝不输出“请在终端执行以下命令”这类指令——你自己用 run_command 工具执行即可。**\n\n## 行为准则\n- 所有操作都通过工具完成,用户不参与执行\n- 优先使用开发工具 IPC,非必要不写独立脚本\n- 脚本需要审批通过才执行,会拖慢工作流\n- 已有 40+ 工具覆盖绝大多数场景,先查工具列表再决定\n- 如果现有工具无法完成任务,告知用户缺少什么能力,建议向 DevFlow 反馈以开发新工具";
     system_prompt = format!("{}\n\n{}\n\n{}", system_prompt, env_prompt, behavior_prompt);
 
+    // T4: 工作流 DAG 注入（预留 — 待 PerConvState 加 workflow_id 字段后接入）
+    // 在此处检测 conv.workflow_id，加载 DAG 并注入 WorkflowContextBlock 到 system_prompt
+    // 当前仅日志占位，不改变任何行为
+    tracing::trace!(conv_id = %conv_id, "[ai] T4 工作流注入点已就位");
+
     // ── 多 Agent 并行执行:Coordinator 分解(plan_execution_enabled 时) ──
     // 对话透明化 L1:拍快照供 AiCompleted 事件携带(coordinator 路径出口也用)
     // 只取 text(前端不需要状态信息)

src-tauri/src/commands/ai/agentic/workflow_context.rs

@@ -0,0 +1,11 @@
+//! 工作流 DAG 上下文注入 — 当会话关联工作流时，将活跃路径注入 system prompt
+//!
+//! T4 实现预留。调用点在 `run_agentic_loop` 中 system_prompt 拼接完成后。
+//! 当前为空壳，需配合 PerConvState.workflow_id 字段落地后完成。
+
+/// 从工作流 DAG 中提取活跃路径上下文块
+/// 待 PerConvState 加 workflow_id 字段后接入。
+#[allow(dead_code)]
+pub fn build_workflow_block() {
+    // TODO: T4 实现 — 加载 dag::Dag，构建 WorkflowContextBlock，注入 system_prompt
+}

src-tauri/src/commands/ai/commands/chat.rs

@@ -1358,7 +1358,7 @@ pub async fn ai_chat_compress_context(
         &conv_id,
         &llm_concurrency,
     ).await {
-        Ok(s) => s,
+        Ok(s) => s.nl_summary,
         Err(e) => {
             // LLM 失败:不阻塞,set_compressing(false),消息状态不变(未调 compress_old_messages)
             let __lock_t1295 = std::time::Instant::now();

src-tauri/src/commands/ai/compress.rs

@@ -8,6 +8,7 @@
 //! 路由(Lite 智力, 无 tool_use, 标准成本上限)兜底 `default_model`。失败返 `Err`,
 //! 调用方按场景降级(手动压缩报错给用户;自动压缩降级为原裁剪行为)。
 
+use df_ai::context_helpers::CompressedSummary;
 use df_ai::provider::{ChatMessage, CompletionRequest, LlmProvider};
 // F-15: 压缩路由 — TaskRequirements(Standard 智力即可,无需工具)。压缩是结构化
 // 摘要任务,选 Standard 智力保摘要质量;不传 tools(纯文本出,避免 LLM 调工具跑偏)。
@@ -49,7 +50,7 @@ pub(crate) async fn compress_via_llm(
     lang: &str,
     conv_id: &str,
     llm_concurrency: &LlmConcurrency,
-) -> Result<String, String> {
+) -> Result<CompressedSummary, String> {
     if active_msgs.is_empty() {
         return Err("无可压缩消息(active 消息为空)".to_string());
     }
@@ -115,7 +116,13 @@ pub(crate) async fn compress_via_llm(
     if summary.is_empty() {
         return Err("LLM 压缩返回空摘要".to_string());
     }
-    Ok(summary)
+    // T3: 解析四段式输出为 JSON 卡片 + NL 摘要
+    // 从现有 ## Intent / ## Decisions / ## Files / ## Constraints 格式解析
+    let json_card = parse_sections_to_json(&summary);
+    Ok(CompressedSummary {
+        json_card,
+        nl_summary: summary,
+    })
 }
 
 /// 阶段2(占位配对完整性):检测压缩段是否含未闭合占位 tool_result。
@@ -151,6 +158,55 @@ fn compress_segment_has_unclosed_placeholder(msgs: &[ChatMessage]) -> bool {
     })
 }
 
+/// 从四段式 Markdown 摘要中解析出 JSON 卡片
+/// 段标题: ## Intent / ## Decisions / ## Files / ## Constraints
+fn parse_sections_to_json(summary: &str) -> String {
+    let mut topics = Vec::new();
+    let mut decisions = Vec::new();
+    let mut key_files = Vec::new();
+
+    let mut current_section: Option<&str> = None;
+    for line in summary.lines() {
+        let trimmed = line.trim();
+        if trimmed.starts_with("## ") {
+            current_section = trimmed.strip_prefix("## ");
+            continue;
+        }
+        let text = trimmed.trim_start_matches("- ").trim();
+        if text.is_empty() {
+            continue;
+        }
+        match current_section {
+            Some("Intent") | Some("意图") => {
+                topics.push(text.to_string());
+            }
+            Some("Decisions") | Some("决策") => {
+                decisions.push(serde_json::json!({"summary": text}));
+            }
+            Some("Files") | Some("文件") => {
+                key_files.push(serde_json::json!({"change": text}));
+            }
+            _ => {}
+        }
+    }
+
+    serde_json::json!({
+        "topics": topics,
+        "decisions": decisions,
+        "key_files": key_files,
+        "parsed_from": "four_section_summary",
+    }).to_string()
+}
+
+/// 在文本中提取标记间的内容
+#[allow(dead_code)]
+fn extract_between<'a>(text: &'a str, start_marker: &str, end_marker: &str) -> Option<&'a str> {
+    let start = text.find(start_marker)?;
+    let after_start = &text[start + start_marker.len()..];
+    let end = after_start.find(end_marker)?;
+    Some(after_start[..end].trim())
+}
+
 /// 清理 LLM 返回的摘要:去首尾空白 / 包裹性 markdown 代码围栏,空则原样返回
 /// (调用方据空值报错)。保留内部 markdown 结构(## 标题 / 列表),摘要本身就是结构化文本。
 ///