diff --git a/src-tauri/src/commands/ai/agentic/mod.rs b/src-tauri/src/commands/ai/agentic/mod.rs
index df917a7..73382f8 100644
--- a/src-tauri/src/commands/ai/agentic/mod.rs
+++ b/src-tauri/src/commands/ai/agentic/mod.rs
@@ -881,10 +881,20 @@ 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");
+    // T4: 工作流 DAG 注入 — 当会话关联工作流时，将活跃路径注入 system prompt
+    {
+        let session = session_arc.lock().await;
+        if let Some(conv) = session.conv_read(&conv_id) {
+            if let Some(ref dag_summary) = conv.workflow_dag_summary {
+                system_prompt = format!("{}[工作流]\n{}\n", system_prompt, dag_summary);
+                tracing::debug!(
+                    conv_id = %conv_id,
+                    workflow_id = ?conv.workflow_id,
+                    "[ai] T4: 已注入工作流 DAG 上下文"
+                );
+            }
+        }
+    }
 
     // ── 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)
diff --git a/src-tauri/src/commands/ai/agentic/workflow_context.rs b/src-tauri/src/commands/ai/agentic/workflow_context.rs
index 9b5e85b..2d51d3c 100644
--- a/src-tauri/src/commands/ai/agentic/workflow_context.rs
+++ b/src-tauri/src/commands/ai/agentic/workflow_context.rs
@@ -1,11 +1,186 @@
 //! 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。
+//! T4 实现。提供两个函数：
+//! - `build_dag_summary`: 从 DagDef 构建可读的 DAG 摘要文本
+//! - `extract_active_path`: 从完整 DAG 中提取当前活跃路径（简化）
+//!
+//! 调用方（前端/workflow 引擎）在启动工作流时将摘要存入
+//! `PerConvState.workflow_dag_summary`，agentic loop 自动注入 system prompt。
 
-/// 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
+use df_workflow::dag_def::DagDef;
+
+/// 从 DagDef 构建可读的 DAG 摘要文本
+///
+/// 输出格式（5 节点 DAG 为例）：
+/// ```
+/// 步骤: 读源码 → 分析依赖 → 改配置 → 验证 → 提交
+/// 当前: 改配置
+/// 完成: 2/5
+/// ```
+pub fn build_dag_summary(dag: &DagDef, current_node_id: Option<&str>) -> String {
+    let total = dag.nodes.len();
+    if total == 0 {
+        return String::new();
+    }
+
+    // 拓扑排序（简化：按 edges 计算入度，分层输出）
+    let layers = topological_layers(dag);
+
+    // 构建步骤链
+    let step_chain: Vec<&str> = layers.iter()
+        .flat_map(|layer| layer.iter().map(|id| id.as_str()))
+        .collect();
+    let chain_text = step_chain.join(" → ");
+
+    // 当前节点
+    let current_label = current_node_id
+        .and_then(|id| dag.nodes.get(id))
+        .map(|n| n.label.as_deref().unwrap_or(&n.node_type))
+        .unwrap_or("");
+
+    let mut result = format!("步骤: {}\n", chain_text);
+    if !current_label.is_empty() {
+        result.push_str(&format!("当前: {}\n", current_label));
+    }
+    result.push_str(&format!("完成: 待执行器上报"));
+
+    result
+}
+
+/// 从 DagDef 构建活跃路径（从根节点到当前节点的路径 + 后续 2 层）
+///
+/// 返回简化的步骤链文本，适合注入 system prompt。
+pub fn extract_active_path(dag: &DagDef, current_node_id: Option<&str>) -> Vec<String> {
+    let layers = topological_layers(dag);
+
+    if let Some(current) = current_node_id {
+        // 找到当前节点所在的层
+        let current_layer_idx = layers.iter().position(|layer| layer.iter().any(|x| x == current));
+
+        match current_layer_idx {
+            Some(idx) => {
+                // 从根到当前层的路径
+                let path: Vec<String> = layers[..=idx].iter()
+                    .flat_map(|layer| layer.iter().map(|id| {
+                        dag.nodes.get(id)
+                            .map(|n| n.label.clone().unwrap_or_else(|| id.clone()))
+                            .unwrap_or_else(|| id.clone())
+                    }))
+                    .collect();
+
+                // 后续 2 层
+                let next: Vec<String> = layers[idx + 1..]
+                    .iter()
+                    .take(2)
+                    .flat_map(|layer| layer.iter().map(|id| {
+                        dag.nodes.get(id)
+                            .map(|n| n.label.clone().unwrap_or_else(|| id.clone()))
+                            .unwrap_or_else(|| id.clone())
+                    }))
+                    .collect();
+
+                let mut result = path;
+                result.extend(next);
+                result
+            }
+            None => {
+                // 当前节点不在 DAG 中 → 返回所有节点标签
+                layers.iter().flat_map(|layer| layer.iter().map(|id| {
+                    dag.nodes.get(id)
+                        .map(|n| n.label.clone().unwrap_or_else(|| id.clone()))
+                        .unwrap_or_else(|| id.clone())
+                })).collect()
+            }
+        }
+    } else {
+        // 无当前节点 → 返回所有节点标签
+        layers.iter().flat_map(|layer| layer.iter().map(|id| {
+            dag.nodes.get(id)
+                .map(|n| n.label.clone().unwrap_or_else(|| id.clone()))
+                .unwrap_or_else(|| id.clone())
+        })).collect()
+    }
+}
+
+/// 拓扑分层排序：按入度计算每层的节点
+fn topological_layers(dag: &DagDef) -> Vec<Vec<String>> {
+    let mut in_degree: std::collections::HashMap<&str, usize> = dag.nodes.keys().map(|k| (k.as_str(), 0)).collect();
+
+    for edge in &dag.edges {
+        if let Some(deg) = in_degree.get_mut(edge.target.as_str()) {
+            *deg += 1;
+        }
+    }
+
+    let mut layers = Vec::new();
+    let mut remaining: std::collections::HashSet<&str> = dag.nodes.keys().map(|k| k.as_str()).collect();
+
+    while !remaining.is_empty() {
+        let current_layer: Vec<String> = remaining.iter()
+            .filter(|id| *in_degree.get(*id).unwrap_or(&0) == 0)
+            .map(|id| id.to_string())
+            .collect();
+
+        if current_layer.is_empty() {
+            // 有环 → 剩余节点全放同一层
+            layers.push(remaining.iter().map(|id| id.to_string()).collect());
+            break;
+        }
+
+        for id in &current_layer {
+            remaining.remove(id.as_str());
+            // 减少以该节点为起点的边的入度
+            for edge in &dag.edges {
+                if edge.source == *id {
+                    if let Some(deg) = in_degree.get_mut(edge.target.as_str()) {
+                        *deg = deg.saturating_sub(1);
+                    }
+                }
+            }
+        }
+
+        layers.push(current_layer);
+    }
+
+    layers
+}
+
+#[cfg(test)]
+mod tests {
+    use super::*;
+    use df_workflow::dag_def::{DagDef, NodeDef, EdgeDef};
+
+    fn make_dag() -> DagDef {
+        let mut dag = DagDef::new();
+        dag.add_node("n1".to_string(), "read_file".to_string(), serde_json::json!({}));
+        dag.add_node("n2".to_string(), "analyze".to_string(), serde_json::json!({}));
+        dag.add_node("n3".to_string(), "modify".to_string(), serde_json::json!({}));
+        dag.add_edge("n1".to_string(), "n2".to_string());
+        dag.add_edge("n2".to_string(), "n3".to_string());
+        dag
+    }
+
+    #[test]
+    fn test_topological_layers_linear() {
+        let dag = make_dag();
+        let layers = topological_layers(&dag);
+        assert_eq!(layers.len(), 3);
+        assert_eq!(layers[0], vec!["n1"]);
+        assert_eq!(layers[1], vec!["n2"]);
+        assert_eq!(layers[2], vec!["n3"]);
+    }
+
+    #[test]
+    fn test_extract_active_path_midway() {
+        let dag = make_dag();
+        let path = extract_active_path(&dag, Some("n2"));
+        assert_eq!(path.len(), 3); // n1, n2, n3
+        assert_eq!(path[1], "n2");
+    }
+
+    #[test]
+    fn test_build_dag_summary_empty() {
+        let dag = DagDef::new();
+        assert_eq!(build_dag_summary(&dag, None), "");
+    }
 }
diff --git a/src-tauri/src/commands/ai/mod.rs b/src-tauri/src/commands/ai/mod.rs
index df4a2ee..3a85da6 100644
--- a/src-tauri/src/commands/ai/mod.rs
+++ b/src-tauri/src/commands/ai/mod.rs
@@ -858,6 +858,10 @@ pub struct PerConvState {
     pub knowledge_extracted: bool,
     /// T5 WorkingContext 常驻上下文（结构化目标/决策/步骤/脏标记）
     pub working_context: df_ai::context_helpers::WorkingContext,
+    /// T4 关联的工作流 ID（由前端/workflow 引擎在启动时设置）
+    pub workflow_id: Option<String>,
+    /// T4 工作流 DAG 摘要（预计算的活跃路径文本，避免运行时加载 DAG）
+    pub workflow_dag_summary: Option<String>,
 }
 
 /// 单个目标记录(含状态追踪)。
@@ -917,6 +921,8 @@ impl PerConvState {
             created_at: None,
             knowledge_extracted: false,
             working_context: df_ai::context_helpers::WorkingContext::new(),
+            workflow_id: None,
+            workflow_dag_summary: None,
         }
     }
 }